Números Crescentes

O que são e como funciona na prática

Se você já precisou validar se uma sequência de valores estava estritamente ascendente em um pipeline de dados, sabe que isso parece simples até encontrar o primeiro caso limite. Números crescentes são sequências onde cada elemento é estritamente maior que o anterior — a definição básica, mas a implementação correta exige atenção a detalhes que ninguém menciona em tutoriais genéricos. Na minha experiência revisando ETLs para uma operadora de pagamentos, me deparei com um bug onde validações de ordem crescente falhavam silenciosamente quando havia zeros à esquerda em campos decimais armazenados como texto. O campo vinha como "001", "002", "010" — ordenado, mas a comparação strings produzia "10" antes de "2". A solução foi converter para float antes da validação, não confiar em sort automático. Esse tipo de armadilha aparece em campos que parecem numéricos mas são tratados como string durante o extract.

Validação de números crescentes em Python

A maneira mais direta de verificar se uma lista contém números crescentes usa comprehension com zip, sem precisar de loops explícitos. O código abaixo compara cada elemento com seu vizinho imediato e retorna False no primeiro par encontrado fora de ordem. Exemplo básico: [1, 3, 5, 7, 9] — passa na validação. [1, 3, 3, 7] — falha porque 3 não é estritamente maior que 3. Para permitir repetições (crescimento não-declinante), a lógica muda para >= em vez de >. Essa distinção parece óbvia mas causa bugs em produção quando o requisito de negócio pede crescimento estrito e o validador aceita duplicatas.

Em SQL, o problema é diferente. Você usa lag() over para comparar cada linha com a anterior dentro de um partition. Se o lag retornar null na primeira linha do grupo, ignora. O erro comum é aplicar a validação sem considerar que datasets com gaps intencionais — como IDs sequenciais com deleções — vão gerar falsos positivos se você não filtrar corretamente.

Armazenamento e formatação

Quando se trata de gerar ou exportar números crescentes, o formato de saída importa tanto quanto a lógica. CSV com cabeçalho, JSON array, ou Parquet para grandes volumes — cada um tem implicações diferentes. Para arquivos acima de 500MB, Parquet com codificação delta encoding reduz o tamanho em até 70% comparado a CSV plano, mantendo a capacidade de ordenação eficiente. Uma alternativa prática para quem precisa apenas visualizar sequências crescentes curtas é usar a função SEQUENCE do Google Sheets ou Excel. =SEQUENCE(100,1,1,1) gera de 1 a 100 automaticamente. Para progressões não-lineares — como crescimentos geométricos com razão 1.5 — a função gera com potência: =SEQUENCE(10,,1,1.5). Isso evita fórmulas manuais que propagam erros de arredondamento acumulativo.

Quando a validação falha (e alternativas)

O método de comparação par-a-par funciona bem para listas menores que 100 mil elementos. Acima disso, o custo computacional cresce linearmente e pode travar processadores serverless com timeout de 30 segundos. Nesses casos, uma abordagem baseada em streaming — ler blocos de 10 mil registros, validar internamente, e passar o último valor como seed para o próximo bloco — reduz o tempo de validação de minutos para segundos. Outro cenário onde a validação estrita quebra é com dados temporais desordenados. Se você tem timestamps como chave primária e quer verificar crescimento cronológico, mas os dados chegam com latência e ordem aleatória, a validação por ordem de chegada é inútil. A solução é ordenar por timestamp antes de validar, ou usar janela deslizante com tolerância de tempo para capturar out-of-order events legítimos. Para quem precisa de uma biblioteca pronta, pysequence no PyPI oferece validação de ordem crescente, decrescente, e periódica com suporte a tipos customizados. Instalação: pip install pysequence. O pacote também exporta funções para gerar sequências com restrições de step e range, útil para testes unitários onde você precisa de datasets ordenados determinísticos.