Selecione Todos Os Números Divisíveis Por 9

Filtrando números divisíveis por 9 em planilhas e scripts

Esse assunto parece simples até você se deparar com uma base de dados com milhares de linhas e precisar extrair apenas os múltiplos de 9 para um relatório de auditoria. Eu já passei por isso várias vezes. A regra de divisibilidade por 9 — a soma dos algarismos do número precisa ser divisível por 9 — é o que todo mundo aprende no ensino fundamental, mas aplicar isso na prática em planilhas ou código tem suas armadilhas. A forma mais direta de selecione todos os números divisíveis por 9 depende da ferramenta que você está usando. No Excel ou Google Sheets, o jeito mais rápido é usar uma condição personalizada com a função MOD, que retorna o resto da divisão. Se o resto for zero, o número é divisível. A fórmula fica algo como =MOD(A2;9)=0 aplicada a uma coluna inteira e depois um filtro automático. Em Python com pandas, seria df[df['coluna'] % 9 == 0]. Em SQL, WHERE numero % 9 = 0. Sempre a mesma lógica, só muda a sintaxe. O problema é que muitas pessoas esquecem de tratar valores negativos. O resto da divisão de um número negativo por 9 no Excel pode retornar um valor negativo, então a comparação com zero ainda funciona, mas em algumas linguagens — principalmente em JavaScript — o operador de módulo se comporta de forma diferente com negativos. Eu perdi umas duas horas num script porque um lote de registros vinha com valores negativos e a filtragem simplesmente não pegava nada. A correção foi usar Math.abs() antes do módulo ou garantir que o operador de resto estivesse tratandocoerentemente.

A armadilha dos decimais e da formatação

Outro detalhe que ninguém avisa: números com vírgula decimal ou ponto flutuante. Se sua base tem valores como 45,75 ou 18,00, aplicar o módulo diretamente vai dar erro ou resultado errado dependendo da configuração regional. No Brasil, a vírgula é separadora decimal, então o Excel às vezes interpreta "9,00" como texto se a célula estiver formatada como texto em vez de número. A solução é garantir que a coluna esteja formatada como número antes de qualquer operação. Eu costumo passar por uma validação com =É.NÚM() ou equivalivalente em código antes de rodar o filtro. E tem mais: números muito grandes. Em JavaScript, o operador % funciona normalmente, mas a precisão de pontos flutuantes começa a falhar acima de 2^53 (o limite do Number.MAX_SAFE_INTEGER). Se você estiver processando CPFs, IDs ou qualquer sequência numérica longa que possa exceder esse limite, o resto da divisão por 9 pode dar resultado inconsistente. Nesses casos, trate os números como strings e aplique a regra da soma dos dígitos manualmente, convertendo cada caractere de volta para inteiro. É mais trabalho, mas evita bugs silenciosos que aparecem só quando o relatório já foi enviado.

Versão prática com soma dos dígitos

Quando você não pode confiar no operador de módulo — seja por limitações de linguagem, por precisão numérica ou porque a base vem como texto — a regra da soma dos dígitos é o caminho. Você soma todos os algarismos do número, verifica se o resultado é divisível por 9, e se ainda não for óbvio, repete a soma até chegar a um dígito único. Se o dígito final for 0 ou 9, o número original é divisível por 9. Em Python, um exemplo funcional seria: def e_divisivel_por_9(n):
soma = sum(int(d) for d in str(abs(int(n))))
return soma % 9 == 0

Isso funciona com inteiros grandes, negativos e até com strings que representam números. O único custo é performance: para milhões de registros, essa abordagem é mais lenta que o operador % puro porque envolve conversão de tipo e iteração sobre caracteres. Mas quando a precisão importa mais que velocidade, vale o trade-off.

Onde esse método falha completamente

Não adianta disfarçar: se sua base tem campos textuais com espaços, traços ou caracteres especiais embutidos — tipo "123 456-789" ou "R$ 9.000,00" — nenhuma fórmula de módulo ou soma de dígitos vai funcionar sem uma etapa prévia de limpeza. Eu trabalhei num projeto onde os dados vinham de um sistema legado que exportava valores monetários com formatação errada, e levar umas seis horas só para normalizar os campos antes de conseguir filtrar corretamente. A recomendação honesta é: normalize os dados primeiro, valide o tipo, e só então aplique a filtragem. Pular essa etapa é a causa número um de resultados ausentes ou incorretos nesse tipo de operação. Se você precisa de uma solução rápida para planilhas, a fórmula com MOD resolve em minutos. Para automação ou volumes maiores, um script em Python com validação prévia de tipo e tratamento de bordas é mais confiável. A escolha depende do volume, da qualidade dos dados e do quanto você quer gastar tempo depurando problemas depois.