diff --git a/exercicios/para-casa/joyce.py b/exercicios/para-casa/joyce.py
new file mode 100644
index 0000000..bc2843c
--- /dev/null
+++ b/exercicios/para-casa/joyce.py
@@ -0,0 +1,76 @@
+import pandas as pd
+import matplotlib.pyplot as plt
+import datetime as dt
+
+df_empresa = pd.read_csv(r'C:\Users\55119\OneDrive\Área de Trabalho\REPROGRAMA (On33)\Semana12\on33-python-s10-pandas-numpy-II\material\Employee.csv')
+
+
+# - Analise o dataset Employee e extraia as seguintes informações:
+# - Faça a limpeza do seu dataframe excluindo linhas duplicadas ou preenchendo valores nulos.
+
+print(df_empresa.info())
+print(df_empresa.isnull().sum())
+print(df_empresa.duplicated().sum())
+print(df_empresa.drop_duplicates(inplace=True))
+print(df_empresa.duplicated().sum())
+
+# - Crie um dataframe que tenha os empregados que trabalham na empresa a mais de 5 anos.
+
+ano = dt.datetime.now().year
+
+df_empresa['tempo_empresa'] = (ano - df_empresa['JoiningYear'])
+print(df_empresa)
+
+cinco_anos = df_empresa[df_empresa['tempo_empresa'] > 5]
+print(cinco_anos)
+
+# - Agrupe os empregados por gênero e idade e crie um gráfico para cada caso.
+
+idade = df_empresa['Age'].value_counts()
+genero = df_empresa['Gender'].value_counts()
+
+idade.plot(kind='bar', title='Idade')
+plt.show()
+
+genero.plot(kind='bar', title='Gênero')
+plt.show()
+
+# - Veja qual a cidade que mais tem empregados e faça uma média do tempo de serviço dos empregados por cidade
+
+cidades = df_empresa['City'].value_counts()
+mais_empregados = cidades.idxmax()
+numero = cidades.max()
+media_tempo = df_empresa.groupby('City')['tempo_empresa'].mean()
+
+print(cidades)
+print(f'Com {numero} empregados, a filial de {mais_empregados} é a cidade com mais colaboradores')
+print('\nA média do tempo que os empregados trabalham na empresa é de ', media_tempo)
+
+# - Faça a porcentagem de quantos empregados ainda trabalham na empresa (use a coluna `LeaveOrNot` do dataframe)
+
+total_empregados = len(df_empresa)
+atuando = df_empresa["LeaveOrNot"].value_counts()
+porcentagem = (atuando / total_empregados) * 100
+print(porcentagem)
+
+# - Conte quantos empregados existem por `PaymentTier`
+
+payment = df_empresa['PaymentTier'].value_counts()
+print('A quantidade de empregados por: ')
+print(payment)
+
+# - Substitua os valores da coluna `EverBenched` para `True` ou `False`
+
+df_empresa['EverBenched'] = df_empresa['EverBenched'].replace({'Yes': True, 'No': False})
+print(df_empresa['EverBenched'].head())
+
+# - Crie um gráfico de pizza com o resultado da coluna `EverBenched` e outro com `LeaveOrNot`
+
+benched = df_empresa['EverBenched'].value_counts()
+leaveOrnot = df_empresa['LeaveOrNot'].value_counts()
+
+benched.plot(kind= 'pie', title='EverBenched')
+plt.show()
+leaveOrnot.plot(kind='pie', title='LeaveOrNot')
+plt.show()
+
diff --git a/exercicios/para-sala/aula.py b/exercicios/para-sala/aula.py
index e69de29..1139368 100644
--- a/exercicios/para-sala/aula.py
+++ b/exercicios/para-sala/aula.py
@@ -0,0 +1,71 @@
+import pandas as pd
+import matplotlib.pyplot as plt
+
+
+df = pd.read_csv(r"C:\Users\55119\OneDrive\Área de Trabalho\REPROGRAMA (On33)\Semana12\on33-python-s10-pandas-numpy-II\material\desenvolvimento_paises.csv")
+
+#print(df.describe())
+
+#print(df.info())
+
+#print(df['Country'].value_counts())
+
+print(df.fillna(0, inplace=True)) #substitui os valores nulos por algum número, nesse caso 0(zero); 
+#você usa o inplace True pra substituir no DataFrame original.
+#Se você não coloca como True (por padrão ele vem como False), mesmo que você faça o fillna, ele não vai substituir no DataFrame, é como se ele salvasse em outro DataFrame.
+#Por isso você tem que dar esse comando pra ele mudar.
+
+print(df.isnull().sum())
+
+print(df.duplicated().sum()) #apresenta linhas duplicadas
+
+print(df.drop_duplicates(inplace=True)) #
+print(df.duplicated().sum())
+
+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 maximo esteja presente
+linha_maior_valor_security = df[df['SafetySecurity'] == pais_maior_security_value] #filtro dizendo que a coluna 'SafetySecurity' seja igual ao "pais maior"; ou seja, irá retornar a linha que será igual 
+print(linha_maior_valor_security['SafetySecurity'])
+
+index_greater_value = df['SafetySecurity'].idxmax() # retorna o index do primeiro valor maximo encontrado
+print(df.loc[index_greater_value]) #(loc) retorna dados da linha por index
+
+columns_name = df.columns
+columns_name = columns_name.drop(labels='Country') #drop(de index) é apagar, aqui está pegando todo o data frame a apagando a coluna escolhida que foi Country
+print(columns_name)
+
+def categorizar_valores(valor): #função criada como (Lambda)
+    if valor > 80:              #Lambda é uma função anônima que aceita somente uma instrução
+        return 'Desenvolvido'
+    if valor < 70 and valor >= 50:
+        return 'Em desenvolvimento'
+    if valor < 60:
+        return 'Subdesenvolvido'
+    else:
+        return 'Não Categorizado'
+
+df['Média'] = df[columns_name].mean(axis=1)
+
+df['Categoria Desenvolvimento'] = df['Média'].apply(categorizar_valores) #apply aplica uma lógica em todas as linhas do df
+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') #cria o gráfico, kind é o tipo, title é titulo
+plt.show() #para mostrar o gráfico pronto
+
+personel_freedom_filter = df.where(df['PersonelFreedom'] <= 30)
+
+personel_freedom_filter.dropna(inplace=True)
+print(personel_freedom_filter.info())
+
+print(df.sort_values(by=['Education', 'Health'], inplace=True, ascending=False))
+print(df.head())
+
+