Programação · CESPE / CEBRASPE · 2025 | Questão sqc-ce196331

ProgramaçãoConceitos básicos de programação

Código: ce196331
Banca: CESPE / CEBRASPE
Órgão: CAESB-DF
Ano: 2025
Nível: Superior

Cargo: Analista de Suporte ao Negócio - Analista de Sistemas

Certa companhia de abastecimento de água organiza as informações da empresa em três conjuntos de dados: clientes (idCliente, nomeCliente), com dados dos clientes; imoveis (idImovel, idCliente, endereco), com dados de imóveis; e contas (idConta, idImovel, consumo), com dados do histórico de pagamento de contas e do consumo, em metros cúbicos, de cada conta. Essa organização leva em consideração que cada cliente pode ter vários imóveis (chave estrangeira: idCliente em imoveis) e que cada imóvel pode ter várias contas (chave estrangeira: idImovel em contas). Os conjuntos de dados (clientes, imoveis e contas) foram carregados para um DataFrame no Pandas.Com base nas informações da situação hipotética precedente, assinale a opção que corresponde ao trecho de código que, caso seja executado, exibirá corretamente o total de consumo por cliente na variável totalConsumo.

AtotalConsumo = contas.groupby('idCliente')['consumo'] .sum()
BimoveisContas = pd.merge(imoveis, contas, on='idImovel')totalConsumo = imoveisContas.groupby('idCliente') ['consumo'].sum()
CtotalConsumo = clientes.merge(contas, on = 'idCliente').groupby('idCliente')['consumo'].sum()
DtotalConsumo = contas.groupby('idImovel') ['consumo'].sum()
EimoveisContas = pd.merge(contas, imoveis, on='idCliente')totalConsumo = imoveisContas.groupby('idImovel') ['consumo'] .sum()

Revelar gabarito e comentário

GabaritoB — imoveisContas = pd.merge(imoveis, contas, on='idImovel') totalConsumo = imoveisContas.groupby('idCliente') ['consumo'].sum()

Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.

Pandas – Operações com DataFrames (merge e groupby)

Gabarito: letra B. Para obter o total de consumo por cliente, é necessário relacionar as tabelas imoveis e contas pela chave idImovel, pois somente imoveis possui o idCliente. Após o merge, agrupa-se por idCliente e soma-se o consumo. É exatamente o que ocorre no código da alternativa B.

A questão testa o uso correto do merge (ou pd.merge) e do groupby no Pandas, simulando um modelo relacional simples. Vejamos a estrutura:

clientes: (idCliente, nomeCliente)
imoveis: (idImovel, idCliente, endereco) – chave estrangeira idCliente
contas: (idConta, idImovel, consumo) – chave estrangeira idImovel

O objetivo é totalizar o consumo por cliente. Como a tabela contas não contém o idCliente diretamente, é preciso percorrer o caminho contas → imoveis → clientes. O merge entre imoveis e contas (pela coluna comum idImovel) produz um DataFrame com as colunas de ambas, incluindo idCliente. A partir daí, groupby('idCliente')['consumo'].sum() agrupa por cliente e soma o consumo de todas as suas contas.

Critério	Alternativa B (Correta)	Alternativa A	Alternativa C	Alternativa D	Alternativa E
Merge utilizado	`pd.merge(imoveis, contas, on='idImovel')`	Nenhum	`clientes.merge(contas, on='idCliente')`	Nenhum	`pd.merge(contas, imoveis, on='idCliente')`
Chave do merge	`idImovel` (presente em ambas as tabelas)	—	`idCliente` (ausente em `contas`)	—	`idCliente` (ausente em `contas`)
Coluna de agrupamento	`idCliente` (vem de `imoveis` após merge)	`idCliente` (inexistente em `contas`)	`idCliente`	`idImovel`	`idImovel`
Resultado esperado	Consumo total por cliente	Erro (KeyError)	Erro (KeyError)	Consumo por imóvel (não por cliente)	Erro (KeyError)
Atende ao objetivo?	✅ Sim	❌ Não	❌ Não	❌ Não	❌ Não

Alternativa A — ❌ Incorreta

contas.groupby('idCliente')['consumo'].sum() – A tabela contas não possui a coluna idCliente. Tentar agrupar por uma coluna inexistente gera erro (KeyError).

Alternativa B — ✅ Correta ⟵ GABARITO

imoveisContas = pd.merge(imoveis, contas, on='idImovel')
totalConsumo = imoveisContas.groupby('idCliente')['consumo'].sum()

Faz o merge corretamente pela chave idImovel (presente em ambas) e depois agrupa pelo idCliente que veio de imoveis. Resultado correto.

Alternativa C — ❌ Incorreta

clientes.merge(contas, on='idCliente') – As tabelas clientes e contas não compartilham a coluna idCliente. A coluna idCliente está em imoveis, não em contas. Esse merge falharia (KeyError) ou, se ignorarmos, não produziria o vínculo correto.

Alternativa D — ❌ Incorreta

contas.groupby('idImovel')['consumo'].sum() – Agrupa por imóvel, não por cliente. Um cliente pode ter vários imóveis, então o resultado seria o consumo por imóvel, não por cliente.

Alternativa E — ❌ Incorreta

imoveisContas = pd.merge(contas, imoveis, on='idCliente')

O merge tenta usar on='idCliente', mas contas não possui essa coluna. Além disso, agrupa por idImovel, novamente sem chegar ao cliente.

NÃO CAIA NESSA!

A banca explora o conhecimento das chaves estrangeiras e a necessidade de percorrer o relacionamento. Várias alternativas tentam pular etapas (A, C) ou agrupar por nível intermediário (D, E). Lembre-se: para agregar por cliente, primeiro junte as tabelas que ligam cliente à conta usando a ponte imoveis.

Gabarito: letra B.

Link permanente: /questoes/ce196331