Ir para o conteúdo

Uso Básico

Exemplos práticos para casos de uso comuns.

Análise de Sentimento

from pydantic import BaseModel, Field
from typing import Literal
import pandas as pd
from dataframeit import dataframeit

class Sentimento(BaseModel):
    sentimento: Literal['positivo', 'negativo', 'neutro']
    confianca: Literal['alta', 'media', 'baixa']

df = pd.DataFrame({
    'texto': [
        'Adorei o produto!',
        'Péssimo, não recomendo.',
        'Normal, nada demais.'
    ]
})

resultado = dataframeit(df, Sentimento, "Analise o sentimento do texto.")

Classificação de Categorias

from pydantic import BaseModel, Field
from typing import Literal

class Categoria(BaseModel):
    categoria: Literal['tecnologia', 'saude', 'financas', 'educacao', 'outro']
    subcategoria: str = Field(description="Subcategoria mais específica")

resultado = dataframeit(
    df,
    Categoria,
    "Classifique o texto na categoria mais apropriada."
)

Extração de Entidades

from pydantic import BaseModel, Field
from typing import List, Optional

class Entidades(BaseModel):
    pessoas: List[str] = Field(description="Nomes de pessoas mencionadas")
    organizacoes: List[str] = Field(description="Nomes de empresas/organizações")
    locais: List[str] = Field(description="Locais mencionados")
    datas: List[str] = Field(description="Datas mencionadas")

PROMPT = """
Extraia todas as entidades nomeadas do texto.
Se não houver entidades de algum tipo, retorne lista vazia.
"""

resultado = dataframeit(df, Entidades, PROMPT)

Resumo de Texto

from pydantic import BaseModel, Field

class Resumo(BaseModel):
    resumo: str = Field(description="Resumo em até 50 palavras")
    pontos_chave: list[str] = Field(description="Lista de 3-5 pontos principais")
    tema_principal: str = Field(description="Tema central em uma palavra")

PROMPT = """
Analise o texto e extraia um resumo conciso.
Identifique os pontos principais e o tema central.
"""

resultado = dataframeit(df, Resumo, PROMPT)

Usando Diferentes Tipos de Entrada

Com Lista

textos = ['Texto 1', 'Texto 2', 'Texto 3']
resultado = dataframeit(textos, Sentimento, PROMPT)
# Retorna DataFrame com índice numérico

Com Dicionário

documentos = {
    'doc_001': 'Conteúdo do documento 1',
    'doc_002': 'Conteúdo do documento 2',
}
resultado = dataframeit(documentos, Sentimento, PROMPT)
# Retorna DataFrame com chaves como índice

Com Series

series = pd.Series(['Texto A', 'Texto B'], index=['id_1', 'id_2'])
resultado = dataframeit(series, Sentimento, PROMPT)
# Preserva o índice original

Usando Diferentes Providers

# Google Gemini (padrão)
resultado = dataframeit(df, Model, PROMPT)

# OpenAI
resultado = dataframeit(
    df, Model, PROMPT,
    provider='openai',
    model='gpt-5.2-mini'
)

# Anthropic Claude
resultado = dataframeit(
    df, Model, PROMPT,
    provider='anthropic',
    model='claude-sonnet-4-5'
)

Próximos Passos