Skip to content

Latest commit

 

History

History
157 lines (114 loc) · 5.15 KB

README.md

File metadata and controls

157 lines (114 loc) · 5.15 KB

Exercício de Sala 🏫

Primeira do Dia

ter conta no Kaggle. para continuação dos estudos, e me segue lá https://www.kaggle.com/davinyleticia

Revisão:

Dataframe: DataFrames são a outra estrutura de dados fundamental em Pandas. Trata-se de uma estrutura bidimensional com linhas e colunas nomeadas, similar a uma tabela.

Serie: Acessando valores individuais : Podemos acessar um valor específico utilizando a chave associada a esse valor.

1. Visualização de Dados: Explorando o DataFrame

Exercício: Exiba as 10 primeiras linhas do DataFrame gerado. Além disso, exiba informações gerais sobre o DataFrame, como tipos de dados e estatísticas descritivas.

import pandas as pd

# Carregar os dados fictícios
df = pd.read_csv('dados_ficticios.csv')

# Exibir as 10 primeiras linhas
print(df.head(10))

# Exibir informações gerais
print(df.info())

# Exibir estatísticas descritivas
print(df.describe())

2. Pandas: Consultas e Filtros Simples

Exercício: Filtre o DataFrame para mostrar apenas os registros onde Categoria é 'A' e Valor_1 é maior que 60.

# Filtrar os registros
filtro = df[(df['Categoria'] == 'A') & (df['Valor_1'] > 60)]
print(filtro.head())

3. Pandas: Consultas e Filtros com Datas

Exercício: Filtre os registros para mostrar apenas aqueles com Data entre '2023-05-01' e '2023-05-31'.

# Converter a coluna 'Data' para datetime se ainda não estiver
df['Data'] = pd.to_datetime(df['Data'])

# Filtrar pelo intervalo de datas
filtro_data = df[(df['Data'] >= '2023-05-01') & (df['Data'] <= '2023-05-31')]
print(filtro_data.head())

4. Pandas: Agrupamento e Agregação Simples

Exercício: Agrupe o DataFrame pela coluna Categoria e calcule a média de Valor_1 e Valor_2 para cada grupo.

# Agrupamento e cálculo da média
agrupado_media = df.groupby('Categoria')[['Valor_1', 'Valor_2']].mean()
print(agrupado_media)

5. Pandas: Agrupamento e Agregação com Funções Personalizadas

Exercício: Agrupe o DataFrame pela coluna Categoria e calcule a soma de Valor_3 para cada grupo. Além disso, conte o número de registros em cada grupo.

# Agrupamento e cálculo da soma e contagem
agrupado_custom = df.groupby('Categoria').agg({
    'Valor_3': 'sum',
    'Categoria': 'count'
}).rename(columns={'Categoria': 'Contagem'})
print(agrupado_custom)

6. Pandas: Gerando Gráficos Simples

Exercício: Crie um gráfico de barras mostrando a média de Valor_1 para cada Categoria.

import matplotlib.pyplot as plt

# Agrupamento e cálculo da média
media_valor_1 = df.groupby('Categoria')['estoque da loja1'].mean()

# Gráfico de barras
media_valor_1.plot(kind='bar', color='skyblue', title='Média de estoque da loja1 por Categoria')
plt.xlabel('Categoria')
plt.ylabel('Média de Valor_1')
plt.show()

7. Pandas: Gerando Gráficos de Linha

Exercício: Crie um gráfico de linha mostrando a variação de Valor_2 ao longo do tempo (Data).

# Gráfico de linha
plt.figure(figsize=(10, 5))
plt.plot(df['Data'], df['Valor_2'], color='green', label='Valor_2')
plt.title('Variação de Valor_2 ao longo do tempo')
plt.xlabel('Data')
plt.ylabel('Valor_2')
plt.legend()
plt.show()

8. Pandas: Juntando Forças com NumPy - Funções Básicas

Exercício: Use NumPy para normalizar os valores da coluna Valor_1, deixando-os entre 0 e 1.

import numpy as np

# Normalizar os valores de 'Valor_1'
df['Valor_1_normalizado'] = (df['Valor_1'] - np.min(df['Valor_1'])) / (np.max(df['Valor_1']) - np.min(df['Valor_1']))
print(df[['Valor_1', 'Valor_1_normalizado']].head())

9. Pandas: Juntando Forças com NumPy - Estatísticas

Exercício: Calcule a mediana e o desvio padrão de Valor_2 usando funções do NumPy.

# Calcular mediana e desvio padrão
mediana_valor_2 = np.median(df['Valor_2'])
desvio_padrao_valor_2 = np.std(df['Valor_2'])

print(f'Mediana de Valor_2: {mediana_valor_2}')
print(f'Desvio Padrão de Valor_2: {desvio_padrao_valor_2}')

10. Pandas: Juntando Forças com NumPy - Operações Aritméticas

Exercício: Crie uma nova coluna Soma_Valores que seja a soma de Valor_1 e Valor_2, multiplicada por Valor_3.

# Criar a nova coluna
df['Soma_Valores'] = (df['Valor_1'] + df['Valor_2']) * df['Valor_3']
print(df[['Valor_1', 'Valor_2', 'Valor_3', 'Soma_Valores']].head())

Terminou o exercício? Dá uma olhada nessa checklist e confere se tá tudo certinho, combinado?!

  • Fiz o fork do repositório.
  • Clonei o fork na minha máquina (git clone url-do-meu-fork).
  • Resolvi o exercício.
  • Adicionei as mudanças. (git add . para adicionar todos os arquivos, ou git add nome_do_arquivo para adicionar um arquivo específico)
  • Commitei a cada mudança significativa ou na finalização do exercício (git commit -m "Mensagem do commit")
  • Pushei os commits na minha branch (git push origin nome-da-branch)

renomear

df = df.rename(columns={'Valor_1': 'estoque da loja1', 'Valor_2': 'Estoque da loja2', 'Valor_3': 'vendas'}) df.head(10)