# Resolvedor de aliases de cabeçalho CSV

Mapeia cabeçalhos CSV bagunçados para um esquema destino limpo. Cole um CSV cuja primeira linha tenha nomes de coluna inconsistentes (Customer ID, user_id, customerId, CUST_ID…) junto ao seu esquema destino (uma coluna por linha) e um dicionário opcional "alias=alvo". Cada cabeçalho é resolvido em quatro passadas — exato, dicionário, normalizado (caso/acentos/separadores/camelCase) e distância de edição difusa — mostrado numa tabela com método e confiança, mais cobertura do destino e uma exportação CSV normalizada opcional.

> Página canônica: https://elysiatools.com/pt/tools/csv-header-alias-resolver

- **Categoria:** Development

- **Palavras-chave:** csv, cabeçalho, coluna, alias, correspondência difusa, esquema, normalizar, distância de edição, levenshtein, limpeza de dados, mapeamento, renomear, etl, data wrangling, mapeamento de colunas, resolver cabeçalhos

## Visão geral

Um normalizador de cabeçalhos CSV para engenheiros de dados, analistas e trabalho ETL:

1. Cole dados CSV (a primeira linha é tratada como cabeçalhos). Escolha o delimitador — vírgula, ponto e vírgula, tabulação ou pipe. Campos entre aspas e quebras de linha embutidas são tratados.
2. Forneça um esquema destino: um nome de coluna limpo por linha (ex. customerId, firstName, email). É o esquema unificado para o qual todo cabeçalho deve convergir.
3. Opcionalmente adicione um dicionário de aliases — um "alias=alvo" por linha (ex. "cust id=customerId", "user_id=customerId"). Eles prevalecem após correspondências exatas.
4. Cada cabeçalho é resolvido em quatro passadas: exato (sem distinção de caixa), alias do dicionário, chave normalizada (caixa, acentos, separadores e camelCase removidos, de modo que "Customer ID" = "customer_id" = "customerId") e finalmente similaridade por distância de edição difusa.
5. A tabela de mapeamento mostra origem → destino com o método vencedor e uma pontuação de confiança; a cobertura mostra quais colunas do esquema foram preenchidas e quais faltam. Ative "Gerar CSV normalizado" para obter os dados com cabeçalhos limpos.

Offline e determinístico: toda comparação é pura comparação de strings, sem API externa.

## Entradas

- **Dados CSV (1ª linha = cabeçalhos)** (textarea): Customer ID,First Name,e-mail 1,Ada,ada@example.com 2,Linus,linus@example.com
- **Delimitador de entrada** (select)
- **Esquema destino (uma coluna por linha)** (textarea): customerId firstName email
- **Dicionário de aliases (opcional, "alias=alvo" por linha)** (textarea): cust id=customerId user_id=customerId first name=firstName email address=email
- **Limiar de correspondência difusa** (select)
- **Gerar CSV normalizado** (checkbox)

## Quando usar

- Ao importar relatórios de múltiplos fornecedores ou sistemas externos que usam nomes de colunas variados para os mesmos dados (ex: CUST_ID, customer_id, Customer ID).
- Durante a preparação de dados (data wrangling) e processos ETL onde é necessário garantir que os cabeçalhos do CSV correspondam exatamente ao esquema do banco de dados de destino.
- Quando você precisa identificar rapidamente quais colunas obrigatórias estão faltando ou foram nomeadas incorretamente em um lote de arquivos CSV recebidos.

## Como funciona

- Insira os dados do seu CSV e defina o delimitador de colunas correspondente (vírgula, ponto e vírgula, tabulação ou pipe).
- Insira o esquema de destino desejado (um nome de coluna por linha) e, opcionalmente, adicione regras personalizadas no dicionário de aliases.
- O algoritmo processa cada cabeçalho de origem em quatro etapas sequenciais: correspondência exata, busca no dicionário, normalização de texto (remoção de acentos, espaços e camelCase) e cálculo de distância de edição (Levenshtein).
- Visualize a tabela de mapeamento com a pontuação de confiança de cada coluna e, se desejar, ative a opção para gerar e baixar o CSV com os cabeçalhos normalizados.

## Casos de uso

- Padronização de planilhas de vendas de diferentes filiais para consolidação em um único banco de dados SQL.
- Limpeza de listas de contatos de marketing com cabeçalhos variados antes de importá-las para uma ferramenta de automação de e-mail.
- Validação de esquemas de arquivos de entrada em pipelines de dados (ETL) para evitar falhas de carregamento por colunas incorretas.

## Perguntas frequentes

### Como funciona a correspondência difusa?

Ela calcula a similaridade de strings usando a distância de edição (Levenshtein) para associar cabeçalhos com pequenos erros de digitação ao termo correto do esquema.

### Meus dados CSV são enviados para algum servidor externo?

Não. Todo o processamento e mapeamento dos cabeçalhos ocorrem localmente no seu navegador de forma offline e segura.

### O que a etapa de normalização faz exatamente?

Ela remove acentos, espaços extras, caracteres especiais e converte diferentes padrões (como camelCase ou snake_case) para facilitar a comparação direta.

### Posso definir aliases manuais para termos completamente diferentes?

Sim, basta preencher o campo de dicionário de aliases usando o formato 'alias=alvo' (por exemplo, 'tel=phone') para forçar a associação.

### A ferramenta suporta quebras de linha dentro das células do CSV?

Sim, o analisador lida corretamente com campos entre aspas que contenham quebras de linha ou delimitadores embutidos.

## Ferramentas relacionadas

- [Analisador de Correlação](https://elysiatools.com/pt/tools/correlation-analyzer): Ferramenta avançada de análise de correlação que calcula coeficientes de correlação entre variáveis para medir a força e direção de suas relações lineares. Perfeito para análise estatística, modelagem financeira, pesquisa científica e exploração de dados. Recursos: - Múltiplos métodos de correlação (Pearson, Spearman, Kendall) - Geração de matriz de correlação - Teste de significância estatística (valores-p) - Cálculo de intervalos de confiança - Visualização de mapa de calor - Geração de matriz de gráficos de dispersão - Estratégias de tratamento de valores ausentes - Detecção e tratamento de valores atípicos - Capacidades de análise de grupo - Relatórios estatísticos detalhados Casos de Uso Comuns: - Análise de mercado financeiro e avaliação de risco - Pesquisa científica e teste de hipóteses - Análise de comportamento do cliente e marketing - Análise de dados de saúde e médicos - Controle de qualidade e otimização de processos - Avaliação de desempenho educacional
- [Cirurgião de linhas CSV malformadas](https://elysiatools.com/pt/tools/csv-malformed-row-surgeon): Repara cirurgicamente linhas CSV malformadas uma a uma: aspas não escapadas (perdidas), delimitadores mistos (tabulação/ponto e vírgula/vírgula no mesmo arquivo), cabeçalhos com BOM, finais de linha CRLF/CR e linhas vazias. O cirurgião analisa de forma tolerante, mostra um diff vermelho/verde linha por linha de cada mudança feita (antes → depois, com o motivo do reparo marcado), lista as linhas aceitas sem alteração e emite o CSV limpo. O reparo opcional por IA pode revisar linhas suspeitas após a etapa determinística. Complementa o Validador CSV (que apenas relata problemas) reparando de fato as linhas danificadas.
- [Removedor de Caracteres BOM](https://elysiatools.com/pt/tools/data-bom-remover): Remover caracteres BOM (Byte Order Mark) de conteúdo de texto e arquivos. Perfeito para limpar arquivos de texto com problemas de codificação.
- [Deduplicador de Dados CSV](https://elysiatools.com/pt/tools/data-deduplicator): Remove registros duplicados baseados em combinações de colunas
- [Injeção de Ruído em Dados](https://elysiatools.com/pt/tools/data-noise-injection): Injetar vários tipos de ruído em dados de texto para fins de teste. Perfeito para testes de estresse em sistemas de processamento de dados.
- [Limitador de Faixa de Dados](https://elysiatools.com/pt/tools/data-range-limiter): Limitar valores numéricos a faixas específicas através de recorte, filtragem ou marcação de valores fora da faixa. Perfeito para controle de qualidade de dados, limpeza de sensores, execução de regras de negócio e pré-processamento de dados. Recursos: - Recorte de faixa (recorta valores para limites mínimo/máximo) - Filtragem de faixa (remove linhas fora dos limites) - Marcação de faixa (marca valores modificados) - Configuração de faixa por coluna - Detecção automática de colunas numéricas - Múltiplas estratégias de processamento - Relatório detalhado de modificações - Análise estatística de alterações - Execução de regras de negócio Casos de Uso Comuns: - Validação e limpeza de dados de sensores - Preparação de entrada para machine learning - Controle e validação de qualidade de dados - Execução de restrições de negócio - Gerenciamento e controle de valores anômalos - Pipelines de pré-processamento de dados
- [Normalizador Z-Score](https://elysiatools.com/pt/tools/data-zscore-normalizer): Normalizar dados numéricos usando Z-Score (pontuação padrão) para transformar valores com média=0 e desvio padrão=1. Perfeito para análise estatística, pré-processamento de machine learning, detecção de anomalias e comparação de dados em diferentes escalas. Recursos: - Normalização Z-Score (média=0, desvio padrão=1) - Opção de Z-Score Robusto (usando mediana e MAD) - Escalonamento personalizado para faixa alvo - Seleção de múltiplas colunas - Detecção automática de tipo de dados - Processamento inteligente de valores ausentes - Preservação de colunas não numéricas - Resumo estatístico abrangente - Detecção e relatório de anomalias Casos de Uso Comuns: - Preparação de características para machine learning - Testes de hipóteses estatísticas - Detecção e remoção de anomalias - Comparação de dados em diferentes unidades - Pré-processamento para Análise de Componentes Principais (PCA)
- [Removedor de Colunas Duplicadas](https://elysiatools.com/pt/tools/duplicate-column-remover): Remover colunas duplicadas de dados CSV com estratégias flexíveis de detecção. Perfeito para limpar conjuntos de dados, remover informações redundantes e otimizar a estrutura de dados.

## Exemplos

- [Exemplos CSV](https://elysiatools.com/pt/samples/csv-samples): Arquivos CSV de exemplo com vários tipos de dados, tamanhos e níveis de complexidade
- [Exemplos Python](https://elysiatools.com/pt/samples/python): Exemplos de código Python e demonstrações Hello World
- [Processamento de Strings Windows - Exemplos C#](https://elysiatools.com/pt/samples/windows-string-processing-csharp): Exemplos abrangentes de processamento de strings C# para plataforma Windows incluindo manipulação, divisão, junção, expressões regulares e análise de texto
- [Exemplos de Linguagem de Consulta GraphQL](https://elysiatools.com/pt/samples/graphql-samples): Exemplos de linguagem de consulta GraphQL de consultas simples a esquemas complexos e resolvers

## Conteúdo relacionado

- [Ferramentas de exportacao CSV e conversao de tabelas](https://elysiatools.com/pt/hubs/csv-convert): Compare conversoes entre CSV e Excel, JSON, HTML, Markdown, XML e texto em um unico hub para fluxos de intercambio tabular.
- [Ferramentas de limpeza e reorganizacao de CSV](https://elysiatools.com/pt/hubs/csv-utility): Reune em um so hub ferramentas para limpar CSV, filtrar, ordenar, agrupar, juntar, dividir e reorganizar tabelas para fluxos de planilha e importacao/exportacao.
- [Ferramentas de codigo de barras, QR e etiquetas](https://elysiatools.com/pt/hubs/barcode-utility): Reune em um so hub ferramentas para gerar codigos de barras, criar e decodificar QR, validar UPC/EAN, compartilhar WiFi por QR e preparar etiquetas imprimiveis.
- [Ferramentas de qualidade de dados, deduplicacao e deteccao de anomalias](https://elysiatools.com/pt/hubs/data-quality-anomaly-workflows): Perfilhe datasets CSV/JSON, compare versoes de planilhas e encontre duplicatas, outliers, faltas de dados, quebras relacionais e anomalias de series temporais em um unico hub.