2.9.26
Lançada em 28 out 2026
Site oficial do Fredit Flow
Data cleaning python: scripts que você revisa e testa
O Fredit Flow 2.9.26 é um agente para Windows que escreve e executa scripts de Python para limpar seus próprios arquivos CSV e JSON, salva o resultado em um arquivo novo e mostra o diff para você.
Limpe o customers.csv: tire os espaços extras, passe os e-mails para minúsculas, remova clientes duplicados e salve customers_clean.csv.
- glob
./*.csv2 arquivos - read_file
./customers.csvamostra lida - write_file
./clean_customers.pysalvo - Shell
your Python command clean_customers.pyexit 0 - read_file
./customers_clean.csv8 linhas
Aguardando seu OK antes do próximo passoRejeitarAceitar
Windows 10/11
Somente 64 bits (x64)
Cerca de 34 MB
O .exe portátil tem cerca de 25 MB
13 idiomas
Já incluídos no app
Não é necessária
Não há cadastro
Na nuvem ou locais
Ou o modelo integrado
Como funcionam aqui os scripts de data cleaning python
Um script de data cleaning python encontra e corrige erros de um conjunto de dados antes da análise: tipos errados, espaços soltos, maiúsculas e minúsculas misturadas, linhas duplicadas e valores ausentes. O Fredit Flow escreve e executa esse script enquanto você aprova cada regra e lê o diff. O original não é alterado. Os dados limpos vão para um arquivo novo, e os 4 passo a passo abaixo mostram as etapas.
Organize a exportação de clientes da sua própria loja
Uma exportação de loja chamada customers.csv tem espaços soltos, e-mails com maiúsculas e minúsculas misturadas, clientes repetidos e idades salvas como texto. O Fredit Flow usa primeiro o read_file para olhar as primeiras linhas, e depois o write_file salva o clean_customers.py, um script que tira espaços, passa os e-mails para minúsculas, ignora endereços repetidos e transforma as idades em números. O Shell o executa com o seu próprio comando de Python e informa o código de saída real e a contagem de linhas impressa. O resultado é o customers_clean.csv. Seu original, customers.csv, continua como estava. No modo Ask first, o cartão pausa antes de o arquivo ser salvo, e você confere à mão 10 linhas dos dois arquivos antes de confiar no resultado.
Registro das ferramentas
read_file ./customers.csv → first rows
write_file ./clean_customers.py → saved
Shell your Python command clean_customers.py → exit 0
read_file ./customers_clean.csv → 8 rowsDecida o que fazer com os valores ausentes
Valores ausentes não têm uma única resposta certa, e essa etapa do processo de limpeza de dados é decisão sua. No sales.csv, o grep procura duas vírgulas seguidas, o que só acha lacunas no meio da linha; por isso o script também precisa tratar lacunas no fim da linha e marcadores como n/a. Você escolhe uma regra por coluna: descartar a linha, preencher com um valor fixo, preencher com a mediana ou manter a lacuna e sinalizá-la. O write_file cria o clean_sales.py, o edit_file altera esse script e, no modo Ask first, você lê o diff. Anote cada escolha. Depois, leia você mesmo 5 linhas sinalizadas no sales_clean.csv.
Registro das ferramentas
grep ,, ./sales.csv → 6 lines
write_file ./clean_sales.py → saved
edit_file ./clean_sales.py → +9 lines
Shell your Python command clean_sales.py → exit 0Data wrangling com Python: junte dois arquivos por uma chave
Você tem orders.csv e customers.csv da sua própria loja e quer uma tabela só. O read_file mostra o cabeçalho dos dois, e assim o agente consegue nomear o id de cliente em comum, e o write_file salva o merge_orders.py. O Shell executa o script com o seu próprio comando de Python e imprime quantos pedidos acharam um cliente e quantos não acharam. As linhas sem par são listadas. Elas vão para um arquivo separado em vez de sumir, e a tabela unida também vai para um arquivo novo. Compare as 2 contagens de linhas com os originais e abra algumas linhas unidas para conferir se cada pedido tem o cliente certo.
Leia o plano antes de qualquer coisa rodar
O modo Plan only escreve as etapas de limpeza e não executa nada, então nenhum comando começa e nenhum arquivo muda. Para uma pasta de exportações, o plano lista o que o read_file vai inspecionar, quais regras o script vai aplicar e para onde vai cada arquivo de saída. Os planos sobrevivem a reinicializações. Você lê, pede outra regra no chat e passa para o Ask first para executar. Mais tarde, o Cron pode rodar o script de novo em um horário agendado, e assim 1 exportação nova recebe as mesmas regras. O script de Python salvo é um limpador de CSV em texto simples: você pode lê-lo, rodá-lo em uma cópia e guardá-lo.
Como ele se diferencia de um assistente de chat comum
Assistentes de chat sugerem passos. O Fredit Flow 2.9.26 executa as ferramentas por conta própria, e cada ação aparece no chat como um cartão com o resultado real, como a saída do comando ou o diff do arquivo.
| Assistente de chat comum | Fredit Flow | |
|---|---|---|
| Ações | Sugere um script e deixa a execução com você | Executa as ferramentas e mostra cada resultado em um cartão |
| Seus arquivos | Trabalha com o texto que você cola no chat | Lê os arquivos da pasta de trabalho do chat |
| Alterações | Você copia as edições à mão | Mostra um diff antes de você aceitar uma edição no Ask first |
| Privacidade dos dados | O texto colado vai para o provedor | Com um modelo local, nada sai do seu PC |
Como começar
- Baixe o instalador, de cerca de 34 MB, e compare o checksum SHA-256 dele com o manifesto publicado.
- Execute-o no Windows 10 ou 11 e conecte um modelo: um provedor na nuvem, um modelo rodando localmente ou o integrado.
- Escolha a pasta do projeto que contém seus próprios arquivos CSV ou JSON; as ferramentas de arquivo trabalham dentro da pasta de trabalho do chat.
- Peça um trabalho de limpeza no modo Ask first ou Plan only, leia o diff, rode o script em uma cópia e confira a saída à mão.
Quem usa e quando
Analistas, donos de loja e responsáveis por pesquisas com uma exportação bagunçada são o primeiro grupo. Os arquivos CSV e JSON deles chegam com espaços soltos, formatos de data misturados e clientes repetidos, e eles querem um script que possam ler, executar de novo e guardar. Os originais ficam como estão.
Estudantes e engenheiros que preparam dados para machine learning são o segundo grupo. Dados reais e bagunçados quebram modelos o tempo todo, e pré-processamento de dados é o nome da limpeza seguida de etapas como codificar categorias e escalar números. Divida primeiro. O Fredit Flow 2.9.26 escreve o script, e você confere a divisão.
Quem tem dados pessoais nos arquivos tem um passo a mais. Os prompts e qualquer texto de arquivo que o agente lê vão para o endpoint do modelo que você escolher, então use um modelo rodando localmente no seu PC ou tire antes as colunas pessoais. Saiba para onde vão seus prompts. Trabalhe somente com dados que sejam seus ou que você tenha direito de tratar.
Perguntas frequentes
O que significa «data cleaning python»?
A expressão significa escrever um script de Python que encontra e corrige erros de um conjunto de dados antes da análise, como tipos errados, espaços soltos, linhas duplicadas e valores ausentes. O Fredit Flow ajuda escrevendo e executando esse script com você. Você aprova cada regra.
O freditcode.com é o site oficial do Fredit Flow?
Sim, o freditcode.com é o site oficial do Fredit Flow. O instalador não é assinado. Compare o checksum SHA-256 do seu download com o manifesto publicado antes de executá-lo e envie qualquer dúvida pelo botão Send feedback dentro do app.
Quando vale a pena limpar dados históricos?
Vale a pena quando registros antigos ainda alimentam um relatório, uma decisão ou um modelo, e os erros deles seguem regras que um script consegue descrever. Do contrário, arquive-os sem mexer. Guarde sempre a cópia bruta, porque você só refaz uma regra enquanto o original existir.
Por quais boas práticas de limpeza de dados devo começar?
Cinco hábitos vêm primeiro. Olhe os dados brutos antes de escrever uma regra, anote cada regra e salve o resultado em um arquivo novo em vez de sobrescrever o original. Depois compare a contagem de linhas antes e depois e confira a saída à mão.
O agente sobrescreve o meu arquivo original?
Não, desde que você peça um arquivo de saída novo, e todos os exemplos daqui pedem. No modo Ask first, o agente pausa antes de mudar qualquer coisa, então você pode ler o diff e recusar uma gravação que mire o original. Faça também um backup.
Meus arquivos saem do PC?
Depende da sua escolha. Com um modelo na nuvem, o texto do prompt, incluindo qualquer texto de arquivo que o agente leia, vai para esse provedor, enquanto um modelo rodando localmente no seu PC não envia nada para fora. Por isso, dados pessoais pedem um modelo local.
Os resultados estão sempre certos?
Não. O agente aplica as regras que você aprova e não consegue saber se um valor é verdadeiro, e nenhuma limpeza automática é completa. Leia o diff, teste o script em uma cópia e confira o arquivo limpo à mão antes de confiar nele.
Teste com uma cópia dos seus próprios dados
Baixe o Fredit Flow 2.9.26 para Windows 10 ou 11, conecte um modelo e aponte-o para uma cópia de um arquivo seu. Não é preciso conta. Leia cada diff.
Baixar o Fredit Flow para Windows ↗Mais sobre o Fredit Flow
Todas as páginas estão disponíveis em 20 idiomas.
O que o agente pode fazer com seus arquivos ↗ Modelos na nuvem, locais e integrado ↗ Fluxos de limpeza passo a passo ↗ Baixe e verifique o instalador ↗ Perguntas e respostas ↗ Privacidade e tratamento de dados ↗
