O que é dear teddy bear e por que todo mundo está falando disso
É um projeto open-source de automação e gestão de dados que ganhou visibilidade recente nas comunidades de ciência de dados. A proposta principal é simples: oferecer um conjunto de ferramentas leves para preparar, limpar e transformar datasets sem precisar carregar bibliotecas pesadas como o pandas em todos os pipelines. O nome soa estranho, mas é só isso — uma biblioteca Python que foca em eficiência de memória e velocidade de processamento.
Por que usar dear teddy bear em vez de opções mais tradicionais
Eu comecei a usar o projeto há alguns meses quando mudei de job e precisei lidar com datasets de arquivos CSV pesados em servidores com menos de 4 GB de RAM. pandas truncava tudo ou simplesmente travava. dear teddy bear consegue ler arquivos de cerca de 2 GB usando uma fração da memória, porque ele não carrega tudo de uma vez — ele lê em chunks otimizados e aplica transformações lazily, só quando você realmente precisa do resultado. Isso faz uma diferença enorme em ambientes com recursos apertados, como instâncias EC2 baratas ou containers Docker limitados. A instalação é padrão: pip install dear-teddy-bear. Isso já baixa o pacote principal mais três submódulos opcionais que você pode ativar ou não dependendo do que seu pipeline precisa. Os mantenedores fizeram um trabalho decente de documentação, embora haja lacunas em casos mais avançados de merge e join entre múltiplos dataframes.
Para começar, o fluxo básico é quase idêntico ao que você faria com pandas: import dear_teddy_bear as dtb
df = dtb.read_csv("dados.csv")
df = df.clean(null_strategy="drop").filter(column="idade", operator="between", bounds=[18, 65])
O método .clean() é onde o pacote brilha mais. Ele aceita estratégias como "drop", "mean", "median" ou "fill_default" para lidar com valores nulos, e funciona de forma encadeada com as demais operações. A versão atual também suporta leitura direta de JSON, Parquet e até conexões com bancos PostgreSQL sem precisar de SQLAlchemy no meio do caminho.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Problema real que eu encontrei e como resolvi
Em um projeto específico, precisei fazer join de dois dataframes enormes — cerca de 800 mil linhas cada — com base em uma chave composta por três colunas. A abordagem ingênua com merge direto travou o processo em memória. Eu acabei descobrindo que o dear teddy bear tem uma função interna chamada partitioned_join() que divide o problema em partições menores automaticamente. Bastou passar os dois dataframes e a lista de chaves de join que ele cuidou do resto. O processo que antes levaria mais de 40 minutos rodando localmente caiu para cerca de 6 minutos. Um detalhe importante: esse método só funciona bem quando pelo menos uma das colunas de join tem cardinalidade moderada. Se você tentar usar com colunas de baixa cardinalidade, como gênero ou país, o particionamento não gera benefício algum e o desempenho fica pior que um merge convencional. Vale testar antes de confiar cegamente na função.
Pegadinhas e limitações que a documentação não mostra
O pacote ainda está na versão 0.8.x, o que significa que nem todas as funcionalidades esperadas de uma biblioteca desse porte estão maduras. Alguns pontos problemáticos incluem:
- Group-by com aggregações múltiplas ainda é lento comparado ao pandas em datasets pequenos, então para análises rápidas em memória limitada, às vezes faz mais sentido usar pandas mesmo.
- O suporte a visualizações integradas é praticamente inexistente — você vai precisar exportar para um formato intermediário e usar outra biblioteca se precisar gerar gráficos diretamente dos resultados.
- Qualquer operação que envolva strings com codificação não padrão (UTF-16, ISO-8859-1) pode falhar silenciosamente sem erro explícito, então sempre verifique o encoding nos seus arquivos de entrada antes de processar.
Se o seu fluxo de trabalho depende muito de manipulação complexa de texto ou de funções customizadas aplicadas linha a linha, considere manter o pandas como complemento. dear teddy bear não é um substituto completo ainda, mas para ETL e limpeza de dados em larga escala, ele entrega o que promete.
Links e recursos úteis
O repositório oficial fica em github.com/dear-teddy-bear/dtb. A página do PyPI com o comando de instalação é pypi.org/project/dear-teddy-bear. Há também um guia rápido de migração de pandas para dear teddy bear no README que eu recomendo ler antes de tentar implementar em produção, porque há algumas diferenças de API que podem pegar quem tá acostumado com o ecossistema tradicional. O projeto recebe atualizações a cada três semanas mais ou menos. Nada de release notes gigantescos, mas os issues são respondidos com relativa rapidez pelos mantenedores. Se você tiver um bug ou uma feature request, abrir uma issue com um exemplo reproduzível normalmente rende resposta em poucos dias.
