diff --git a/exercicios/para-casa/atividade_casa_FlavienneMarins.py b/exercicios/para-casa/atividade_casa_FlavienneMarins.py
new file mode 100644
index 0000000..d225535
--- /dev/null
+++ b/exercicios/para-casa/atividade_casa_FlavienneMarins.py
@@ -0,0 +1,75 @@
+import pandas as pd
+import matplotlib.pyplot as plt
+import datetime as dt  
+
+#Carregando o dataframe
+df = pd.read_csv(r"C:\Users\flavi_000\OneDrive\Flavienne\Cursos\Reprograma\S12 - 17.08\on33-python-s10-pandas-numpy-II\material\Employee.csv")
+
+print(df.describe()) # faz uma descrição matemát. dos dados, um resumo estatístico rápido de um DataFrame, media, desvio padrão, contagem de linhas em cada coluna
+
+# Atividade 1 - Faça a limpeza do seu dataframe excluindo linhas duplicadas ou preenchendo valores nulos.
+print(df.isnull().sum()) # sem valores nulos, logo não há células vazias ou com valor ausentes.
+print(df.duplicated().sum()) #imprimiu 1889 valores duplicados.
+print(df.duplicated().value_counts()) # conferi a frequência dos duplicados(true 1889) e não duplicados (false 2764) 
+df.drop_duplicates(inplace=True) # remover as duplicadas no DF e as alterações serão permanentes no DF.
+print(df.duplicated().value_counts()) #verificar se a remoção foi eficiente, resultado nulo não é exibido.
+
+# Atividade 2  - Crie um dataframe que tenha os empregados que trabalham na empresa a mais de 5 anos.
+current_year = dt.datetime.now().year #armazena na variável a data atual (ano)
+print(current_year)
+
+df["Years_of_Service"] = (df["JoiningYear"] - current_year) #DF criado que receberá o cálculo da quantidade de anos na empresa
+print(df.info())
+
+filtered_df = df[df["Years_of_Service"] > 5] #Filtro com os funcionários com mais de 5 anos
+print(filtered_df.head())
+
+# Atividade 3- Agrupe os empregados por gênero e idade e crie um gráfico para cada caso.
+
+df["Age"].value_counts().sort_index().plot(kind="barh", title="Idade dos Empregados", xlabel="Quantidade", ylabel="Idades", color="LightSlateGray")
+#Calcula a frequência de cada idade na coluna "Age" do DF;ordenando em ordem crescente;
+plt.show()
+
+df["Gender"].value_counts().plot(kind="pie", title="Gênero dos Empregados", colors=["DarkBlue" , "MediumVioletRed" ], autopct="%.2f%%")
+# Calcula a frequência de cada gênero aparece na coluna "Gender" do DF e gera um gráfico
+plt.ylabel("") #limpa os eixos x e y do gráfico de barras, pois solicitei um gráfico de pizza.
+plt.legend() #adiciona uma legenda de cores no gráfico
+plt.show()
+
+# Atividade 4 - Veja qual a cidade que mais tem empregados e faça uma média do tempo de serviço dos empregados por cidade
+    #Cidade que mais tem empregados
+most_employees_city = df["City"].value_counts().idxmax() #conta quantos funcionários existem em cada cidade e pega o nome da cidade que aparece mais vezes.
+print("A cidade com mais empregados é", most_employees_city)
+
+    #Média do tempo de serviço dos empregados por cidade
+df["years_of_service"] = current_year - df["JoiningYear"] #calcula a quantidade de anos de serviço para cada funcionário e armazenando o resultado em uma nova coluna chamada "years_of_service".
+avg_time_service_by_city = df.groupby("City")["years_of_service"].mean() #calcula a média de anos de serviço para cada cidade.
+print(f"\nMédia de tempo de serviço dos empregados por cidade \n{avg_time_service_by_city}")
+
+# Atividade 5 - Faça a porcentagem de quantos empregados ainda trabalham na empresa (use a coluna `LeaveOrNot` do dataframe)
+total_employees = df["LeaveOrNot"].count() #conta o número de funcionários que deixaram e os que não deixaram a empresa, selecionando o maior número de cada.
+still_working = df["LeaveOrNot"].value_counts().values[0] #número de funcionários que ainda estão trabalhando na empresa
+percent_employees = still_working / total_employees * 100 #converte a proporção em uma porcentagem
+print(f"\nA porcentagem de empregados que continuam trabalhando na empresa é de {percent_employees:.2f}%")
+
+# Atividade 6 - Conte quantos empregados existem por `PaymentTier`
+employees_paymentTier = df["PaymentTier"].count() #conta quantos funcionários estão em cada nível de pagamento e seleciona o maior entre eles.
+print(f"\nO número de empregados é de {employees_paymentTier}\n")
+
+# Atividade 7 - Substitua os valores da coluna `EverBenched` para `True` ou `False`
+df["EverBenched"].replace({"Yes": True, "No": False}, inplace=True) #convertendo os valores 
+print(df["EverBenched"].head())
+
+# Atividade 8 - Crie um gráfico de pizza com o resultado da coluna `EverBenched` e outro com `LeaveOrNot`
+everbenched_counts = df["EverBenched"].value_counts()
+leaveornot_counts = df["LeaveOrNot"].value_counts()
+
+##gráfico dos everbenched
+labels = ["No", "Yes"] #labels é utilizado para melhorar o layout do gráfico.
+everbenched_counts.plot(kind='pie', labels=labels, autopct='%1.1f%%', colors=['Gray', 'Indigo'], title='Funcionários Desligados da Empresa')
+plt.show()
+
+##gráfico dos Leave or Not
+labels = ["Funcionários Presentes na Empresa", "Funcionários Desligados da Empresa"]
+leaveornot_counts.plot(kind='pie', labels=labels, autopct='%1.1f%%', colors=['Gray', 'Indigo'], title='Funcionários Presentes e Desligados da Empresa')
+plt.show()
\ No newline at end of file
diff --git a/exercicios/para-sala/aula.py b/exercicios/para-sala/aula.py
index e69de29..7705119 100644
--- a/exercicios/para-sala/aula.py
+++ b/exercicios/para-sala/aula.py
@@ -0,0 +1,69 @@
+import pandas as pd
+import matplotlib.pyplot as plt
+
+df = pd.read_csv(r"C:\Users\flavi_000\OneDrive\Flavienne\Cursos\Reprograma\S12 - 17.08\on33-python-s10-pandas-numpy-II\material\desenvolvimento_paises.csv")
+
+# print(df.describe()) # faz uma descrição matemát. dos dados, um resumo estatístico rápido de um DataFrame, media, desvio padrão, contagem de linhas em cada coluna
+# print(df.info()) #fornece um resumo rápido e conciso das principais características numéricas dos seus dados
+# print(df["AveragScore"].value_counts()) #aplicado apenas em uma coluna, mostra quantas vezes cada valor aparece nos seus dados.
+
+# print(df.fillna(0, inplace=True))#o resultado deste dataframe será alterado no original
+# print(df.isnull().sum()) #isnull() cria um DataFrame com a mesma forma que o original, mas com valores booleanos indicando onde há valores nulos.#sum() conta quantos valores True (nulos) há em cada coluna.usada para contar a quantidade de valores nulos (missing values) em cada coluna desse DataFrame
+# print(df.duplicated().sum()) #calcula e retorna o número total de linhas duplicadas com true ou false presentes em um DataFrame.
+# print(df.drop_duplicates(inplace=True))#deletar os valores duplicados
+# print(df.duplicated().sum())#deletar os valores duplicados
+
+#Item 2:Encontre os pais que têm o maior e o menor valor para a coluna SafetySecuritye imprima a diferença entre eles.  (alterar tudo p inglês depois)
+# pais_maior_security_value = df["SafetySecurity"].max()
+# pais_menor_security_value = df["SafetySecurity"].min()
+
+# print(pais_maior_security_value)
+# print(pais_menor_security_value)
+# print("A diferença entre o maior país com SafetySecurity é de: ", pais_maior_security_value - pais_menor_security_value)
+
+# #Encontra mais de uma linha onde o valor máximo esteja presente
+# linha_maior_vaylor_security = df[df["SafetySecurity"] == pais_maior_security_value] #filtro, retorne as linhas desse dataframe
+# print(linha_maior_vaylor_security)
+
+# #outra forma de fazer o item 2:
+# #retorna o index do primeiro valor máximo encontrado
+index_greater_value = df["SafetySecurity"].idxmax()
+# #retorna dados da linha por index
+# print(df.iloc[index_greater_value])# o loc encontra dados na linha que vc escolheu
+
+#Ativ 3: Use o apply() para criar uma coluna nova onde a média de todas as colunas - menos a Country- quando: Maior que 80 o valor seja "Desenvolvido", entre 50 e 70 seja "Em desenvolvimento" e menor que 60 seja "Subdesenvolvido"
+# criar uma coluna nova
+columns_name = df.columns
+
+print(columns_name)
+columns_name = columns_name.drop(labels= "Country") #deletando a coluna Country
+
+df["Média"] = df[columns_name].mean(axis=1) #executa apenas na linha 1
+
+def categorizar_valores(valor):
+    if valor > 80:
+        return "Desenvolvido"
+    if valor < 70 and valor >=50:
+        return "Em desenvolvimento"
+    if valor < 60:
+        return "Não Categorizado"
+    
+df["Categoria Desenvolvimento"] = df["Média"].apply(categorizar_valores)
+#print(df["Categoria Desenvolvimento"])
+
+development_category_counts = df["Categoria Desenvolvimento"].value_counts()
+
+print(development_category_counts)
+
+development_category_counts.plot(kind="bar", title="QTD Países por Categoria")
+
+plt.show()
+#Filtre os dados onde o PersonelFreedom seja inferior a 30. Se existir
+personel_freedom_filter = df.where((df["PersonelFreedom"] <= 30) & (df["Categoria_Desenvolvimento"] == "Subdesenvolvido"))
+
+personel_freedom_filter.dropna(inplace=True)
+
+print(personel_freedom_filter.info())
+
+
+