Como fazer operações com conjuntos na prática
Eu comecei a lidar com conjuntos de dados reais há alguns anos, e a primeira coisa que aprendi foi que a teoria do ensino médio não prepara muito para o que acontece quando você tenta cruzar duas bases de dados de verdade. Operaçoes com conjuntos são úteis, sim, mas só se você souber exatamente o que está fazendo antes de rodar o comando. Vamos direto ao método. Se você tem dois conjuntos A e B e quer saber quais elementos aparecem em ambos, você usa a interseção. Se quer saber quais estão em pelo menos um deles, é a união. Se quer saber o que está em A mas não em B, você subtrai B de A. Parece óbvio até você perceber que os dados nunca vêm limpos.
Introdução as operaçoes com conjuntos
O conjunto A pode ser definido como {1, 2, 3, 4, 5} e o conjunto B como {4, 5, 6, 7}. A interseção A B resulta em {4, 5}. A união A B resulta em {1, 2, 3, 4, 5, 6, 7}. A diferença A \ B resulta em {1, 2, 3}. Simples quando os dados são pequenos e organizados. Na prática, os conjuntos não vêm em listas bonitinhas. Eles vêm de planilhas, bancos de dados SQL, APIs que retornam JSON bagunçado. Eu já perdi tempo entendendo por que uma interseção estava retornando resultados errados porque um dos conjuntos vinha com strings e o outro com números inteiros. O 1 não é igual a "1" em muitos sistemas de consulta.
Aqui vai algo que ninguém ensina logo no começo: a ordem dos operandos importa para a diferença, mas não para a união e interseção. Isso parece óbvio, mas em códigos maiores, quando você está montando pipelines de transformação de dados, é muito fácil escrever A.difference(B) quando na verdade você queria B.difference(A). O resultado final pode parecer plausível, então você não nota o erro rápido. Outro ponto que me incomoda até hoje é como conjuntos grandes se comportam. Quando eu precisava cruzar duas tabelas com cerca de 500 mil registros cada, a operação de interseção usando conjuntos puros (hash sets) funcionava bem, mas a diferença simétrica começava a ficar pesada. Em Python, por exemplo, usar set() resolve para conjuntos menores que uns 100 mil elementos. Acima disso, converter listas para sets e depois fazer operações já começa a consumir memória de forma significativa. Aí eu migrei para o pandas com merge eisin, que é basicamente a mesma coisa mas com otimizações de vetorização que fazem diferença real.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Um case específico que me marquei: precisei identificar quais usuários de uma base A ainda estavam ativos na base B, mas havia duplicatas, espaços extras, diferenças de maiúsculas e minúsculas. O resultado da diferença A.difference(B) simplesmente não batia. A solução que funciou foi normalizar tudo antes — strip(), lower(), e remover duplicatas com set() — e só então aplicar a operação. Sem essa normalização, a interseção podia pegar dados visualmente idênticos mas textualmente diferentes.
Quando as operações com conjuntos falham
Não adianta fingir que isso funciona para tudo. Se os seus dados têm duplicatas que importam — por exemplo, uma lista de transações onde o mesmo ID aparece múltiplas vezes com timestamps diferentes — conjuntos vão destruir essa informação porque conjuntos, por definição, não aceitam elementos repetidos. Nesse cenário, usar conjuntos é erro desde o início. Você precisa de uma abordagem baseada em contagem ou em índices, não em pertinência. Também não use conjuntos quando a ordem dos elementos for relevante. Conjuntos são desordenados por natureza. Se você precisa manter a sequência original, list.extend(), list.index() ou estruturas similares fazem mais sentido do que transformar tudo em set e depois voltar para list.
Para quem está começando e quer praticar, existem bibliotecas simples em Python que implementam operações com conjuntos de forma visual e didática. Não precisa de framework pesado. Um script pequeno com set(), union(), intersection() e difference() já resolve a maior parte dos casos do dia a dia. O problema real não é a operação em si, é a qualidade dos dados que entram nelas.
