diff --git a/exercicios/para-casa/Claire.py b/exercicios/para-casa/Claire.py
new file mode 100644
index 0000000..57b8d33
--- /dev/null
+++ b/exercicios/para-casa/Claire.py
@@ -0,0 +1,90 @@
+import pandas as pd
+import matplotlib.pyplot as plt
+from datetime import datetime
+
+df = pd.read_csv(r'C:\git-on33\on33-python-s10-pandas-numpy-II\material\Employee.csv')
+
+# print(df.describe())
+# print(df.info())
+
+# print(df.isnull().sum())
+# print(df.duplicated().sum())
+# print(df.drop_duplicates(inplace=True))
+# print(df.duplicated().sum())
+
+
+#Crie um dataframe que tenha os empregados que trabalham na empresa a mais de 5 anos.
+# funcionário com mais de 5 anos 
+# Converter 'JoiningYear' para uma data completa assumindo 1º de janeiro
+
+df["JoiningYear"] = pd.to_datetime(df["JoiningYear"].astype(str) + "-01-01")
+
+# # Calculando o tempo de serviço em anos
+hoje = datetime.now()
+
+# dt.days extrai o número tota de dias da diferença calculada
+df['YearsOfService'] = (hoje - df['JoiningYear']).dt.days / 365
+
+# # Criando um DataFrame com empregados que trabalham há mais de 5 anos
+employees_more_than_5_years = df[df['YearsOfService'] > 5]
+
+print(employees_more_than_5_years)
+
+# print(df.info())
+
+#Agrupe os empregados por gênero e idade e crie um gráfico para cada caso.
+# size agrupa os dados por gênero e conta o número de ocorrências para cada gênero/age.
+age_group = df.groupby('Age').size()
+print(age_group)
+age_group.plot(kind="bar", title="QTD idade")
+
+plt.show()
+
+gender_group = df.groupby('Gender').size()
+print(gender_group)
+gender_group.plot(kind="bar", title="QTD de Genero")
+
+plt.show()
+
+
+# #Veja qual a cidade que mais tem empregados e faça uma média do tempo de serviço dos empregados por cidade
+city_counts = df['City'].value_counts()
+most_employees_city = city_counts.idxmax()
+print(f'A cidade com o maior número de empregados é: {most_employees_city}')
+print(city_counts)
+
+ # Calculando a média do tempo de serviço dos empregados por cidade
+average_service_by_city = df.groupby('City')['JoiningYear'].mean()
+print("Média do tempo de serviço por cidade:")
+print(average_service_by_city)
+
+#Faça a porcentagem de quantos empregados ainda trabalham na empresa (use a coluna LeaveOrNot do dataframe)
+
+total_employees = len(df)
+still_employed_count = df[df['LeaveOrNot'] == 0].shape[0]
+print(still_employed_count)
+
+percentage_still_employed = (still_employed_count / total_employees) * 100
+print(f'Porcentagem de empregados que ainda trabalham: {percentage_still_employed:.2f}%')
+
+#Conte quantos empregados existem por PaymentTier
+
+QTd_pay = df.groupby('PaymentTier').size()
+print(QTd_pay)
+
+#Substitua os valores da coluna EverBenched para True ou False
+df['EverBenched'] = df['EverBenched'].replace({'Yes': True, 'No': False})
+print(df['EverBenched'])
+
+#Crie um gráfico de pizza com o resultado da coluna EverBenched e outro com LeaveOrNot
+
+ever = df.groupby('EverBenched').size()
+print(ever)
+ever.plot(kind="pie", title="Yes/No", autopct="%1.0f")
+plt.show()
+
+stay_out = df.groupby('LeaveOrNot').size()
+print(stay_out)
+stay_out.plot(kind="pie",title="Stay/Out",autopct="%1.0f")
+plt.show()
+
diff --git a/exercicios/para-sala/aula.py b/exercicios/para-sala/aula.py
deleted file mode 100644
index e69de29..0000000