Introducao Analise de Dados

20/08/2020 npf_ldkls202_u4s1_lin_pro
NÃO PODE FALTAR
INTRODUÇÃO A BIBLIOTECA PANDAS
0
Vanessa Cadan Scheffer
Ver anotações
ESTRUTURA DE DADOS Imprimir
Pandas é um pacote Python que fornece estruturas de dados projetadas para facilitar o
trabalho com dados estruturados (tabelas) e de séries temporais.
Fonte: Shutterstock.
Deseja ouvir este material?
Áudio disponível no material digital.
Dentre as diversas bibliotecas disponíveis no repositório PyPI, pandas é um pacote

Python que fornece estruturas de dados projetadas para facilitar o trabalho com
dados estruturados (tabelas) e de séries temporais (https://pandas.pydata.org/doc
s/getting_started/overview.html). Esse pacote começou a ser desenvolvido em
2008, tornando-se uma solução open source no final de 2009. Desde 2015, o
projeto pandas é patrocinado pela NumFOCUS (https://pandas.pydata.org/about/).

Segundo sua documentação oficial, pandas pretende ser o alicerce de alto nível
fundamental para uma análise prática, a dos dados do mundo real em Python.
Além disso, ele tem o objetivo mais amplo de se tornar a ferramenta de
análise/manipulação de dados de código aberto, mais poderosa e flexível

disponível em qualquer linguagem de programação.
Para utilizar a biblioteca pandas é preciso fazer a instalação, como mostra a Figura
4.1: pip install pandas (caso esteja usando conda, verificar documentação). No
momento em que esse material está sendo produzido, a biblioteca encontra-se na
127.0.0.1:8000 1/17
versão 1.0.4 e teve sua última atualização disponibilizada no dia 29 de maio de

2020 (Figura 4.1).
0
Figura 4.1 - Instalação do pandas
Ver anotações
Fonte: Pypi. Disponível em: https://pypi.org/project/pandas/.
Como uma ferramenta de alto nível, pandas possui duas estruturas de dados que
são as principais para a análise/manipulação de dados: a Series e o DataFrame.
Uma Series é um como um vetor de dados (unidimencional), capaz de armazenar
diferentes tipos de dados. Um DataFrame é conjunto de Series, ou como a

documentação apresenta, um contêiner para Series. Ambas estruturas, possuem
como grande característica, a indexação das linhas, ou seja, cada linha possui um
rótulo (nome) que o identifica, o qual pode ser uma string, uma inteiro, um decimal
ou uma data. A Figura 4.2 ilustra uma Series (A) e um DataFrame (B). Veja que uma
Series possui somente "uma coluna" de informação e seus rótulos (índices). Um

DataFrame pode ter uma ou mais colunas e além dos índices, também há um
rótulo de identificação com o nome da coluna. Podemos comparar um DataFrame
como uma planilha eletrônico, como o Excel (da Microsoft) ou o Calc (do Open
Office).
Figura 4.2 - Series (A) e DataFrame (B)
Fonte: elaborada pela autora.
Para finalizar nossa introdução ao paradigma OO, vamos falar do polimorfismo.
Agora que já temos essa visão inicial, vamos começar a colocar a mão na massa!
Começaremos aprendendo a criar Series e DataFrames, a partir de estruturas de

dados em Python como listas e dicionários. Na próxima seção vamos aprender a
127.0.0.1:8000 2/17
trabalhar com fontes externas de dados. Após criarmos as estruturas do pandas,
vamos ver como como extrair informações estatísticas básicas, bem como extrair
informações gerais da estrutura e selecionar colunas específicas.
0
DICA
Ver anotações
Na Internet você pode encontrar diversas "cheat sheet" (folha de dicas)
sobre a biblioteca pandas. Recomendamos a cheat sheet oficial da
biblioteca, disponível no endereço https://pandas.pydata.org/Pandas_Cheat

_Sheet.pdf
Vamos importar a biblioteca antes de começar nossa primeira linha de código. Por
convenção, a biblioteca é importada com o apelido (as) pd. Logo, para utilizar as
funcionalidades, vamos utilizar a sintaxe pd.funcionalidade.
In [1]: import pandas as pd
SERIES
Para construir um objeto do tipo Series, precisamos utilizar o método Series() do
pacote pandas. O método possui o seguinte construtor: pandas.Series(data=None,
index=None, dtype=None, name=None, copy=False, fastpath=False). Veja que todos os
parâmetros possuem valores padrões (default) o que permite instanciar um objeto
de diferentes formas. Para endender cada parâmetro, a melhor fonte de
informações é a documentação oficial: https://pandas.pydata.org/pandas-docs/sta

ble/reference/api/pandas.Series.html.
Dentre todos os parâmetros esperados, somente um é obrigatório para se criar
uma Series com dados (se for uma Series sem dados, nenhum parâmetro é
obrigatório), o parâmetro data=XXXX. Esse parâmetro pode receber, um simples
valor (inteiro, string, float), uma lista de valores, ou um dicionário, vejamos os
exemplos.
127.0.0.1:8000 3/17
In [2]: pd.Series(data=5) # Cria uma Series com o valor a
Out[2]: 0 5
dtype: int64
In [3]: lista_nomes = 'Howard Ian Peter Jonah Kellie'.split()
0
pd.Series(lista_nomes) # Cria uma Series com uma lista de nomes
Ver anotações
Out[3]: 0 Howard
1 Ian
2 Peter
3 Jonah
4 Kellie
dtype: object
In [4]: dados = {
'nome1': 'Howard',
'nome2': 'Ian',
'nome3': 'Peter',
'nome4': 'Jonah',
'nome5': 'Kellie',
}
pd.Series(dados) # Cria uma Series com um dicionário
Out[4]: nome1 Howard

nome2 Ian
nome3 Peter
nome4 Jonah
nome5 Kellie
dtype: object
Na entrada 2, criamos uma Series com um único valor, veja que aparece 0 como
índice e 5 como valor. Quando não deixamos explícito os rótulos (índices) que
queremos usar é construído um range de 0 até N-1, onde N é a quantidade de
valores. Outro detalhe interessante é o dtype (data type), que foi identificado como
int64, nesse caso, já que temos somente um valor inteiro no objeto.
Na entrada 3, criamos uma Series a partir de uma lista de nomes, veja que agora
os índices variam de 0 até 4 e o dtype é "object". Esse tipo de dado é usado para
representar texto ou valores numéricos e não numéricos combinados.
Na entrada 4, criamos uma Series a partir de um dicionário, a grande diferença
desse tipo de dado na construção é que a chave do dicionário é usada como índice.
Outra forma de construir a Series é passando os dados e os rótulos que desejamos
usar. Veja na entrada 5 essa construção, na qual utilizaoms uma lista de supostos
cpfs para rotular os valores da Series.
In [5]: cpfs = '111.111.111-11 222.222.222-22 333.333.333-33 444.444.444-44

555.555.555-55'.split()
pd.Series(lista_nomes, index=cpfs)
Out[5]: 111.111.111-11 Howard

222.222.222-22 Ian
333.333.333-33 Peter
444.444.444-44 Jonah
127.0.0.1:8000 4/17
555.555.555-55 Kellie
dtype: object
Rotular as Series (e como veremos os DataFrames), é interessante para facilitar a
0
localização e manipulação dos dados. Por exemplo, se quiséssemos saber o nome
da pessoa com cpf 111.111.111-11, poderíamos localizar facilmente essa
Ver anotações
informação com o atributo loc, usando a seguinte sintaxe:
series_dados.loc[rotulo], onde rótulo é índice a ser localizado. Veja o código a
seguir na entrada 6, criamos uma Series com a lista de nomes e guardados dentro
uma variável chamada series_dados. Na linha 3, com o atributo loc, localizamos a

informação com índice '111.111.111-11'. Veremos mais sobre essa questão de
filtrar informações, ao longo das aulas.
In [6]: series_dados = pd.Series(lista_nomes, index=cpfs)
series_dados.loc['111.111.111-11']
Out[6]: 'Howard'
EXTRAINDO INFORMAÇÕES DE UMA SERIES
Já sabemos que estruturas de dados são utilizadas para armazenar dados e que,
diferentes estruturas possuem diferentes atributos e métodos. Com as estruturas

de dados do pandas não é diferente, tais objetos possuem atributos e métodos
específicos, vamos conhecer alguns. Na entrada 7, criamos uma série contando
números e um valor nulo (None). As informações extraídas das linhas 3 a 7, são

mais com relação a "forma" dos dados, portanto poderiam ser usadas
independente do tipo de dado armazenado na Series, inclusive em um cenário de
dados com diferentes tipos. Já as informações das linhas 9 a 15, como se tratam de
funções matemáticas e estatísticas, podem fazer mais sentido quando utilizadas
para tipos numéricos. Verifique no comentário a frente de cada comando, o que
ele faz. Vale a pena ressaltar a diferença entre o atributo shape e o método count().
O primeiro verifica quantas linhas a Series possui (quantos índices), já o segundo,
conta quantos dados não nulos existem.
127.0.0.1:8000 5/17
In [7]: series_dados = pd.Series([10.2, -1, None, 15, 23.4])
print('Quantidade de linhas = ', series_dados.shape) # Retorna uma

tupla com o número de linhas
print('Tipo de dados', series_dados.dtypes) # Retorna o tipo de
dados, se for misto será object
0
print('Os valores são únicos?', series_dados.is_unique) # Verifica
se os valores são únicos (sem duplicações)
Ver anotações
print('Existem valores nulos?', series_dados.hasnans) # Verifica se
existem valores nulos
print('Quantos valores existem?', series_dados.count()) # Conta
quantas valores existem (excluí os nulos)
print('Qual o menor valor?', series_dados.min()) # Extrai o menor

valor da Series (nesse caso os dados precisam ser do mesmo tipo)
print('Qual o maior valor?', series_dados.max()) # Extrai o valor
máximo, com a mesma condição do mínimo
print('Qual a média aritmética?', series_dados.mean()) # Extrai a
média aritmética de uma Series numérica
print('Qual o desvio padrão?', series_dados.std()) # Extrai o desvio
padrão de uma Series numérica
print('Qual a mediana?', series_dados.median()) # Extrai a mediana
de uma Series numérica
print('\nResumo:\n', series_dados.describe()) # Exibe um resumo

sobre os dados na Series
Quantidade de linhas = (5,)

Tipo de dados float64
Os valores são únicos? True
Existem valores nulos? True
Quantos valores existem? 4
Qual o menor valor? -1.0
Qual o maior valor? 23.4
Qual a média aritmética? 11.899999999999999
Qual o desvio padrão? 10.184301645179211
Qual a mediana? 12.6
Resumo:
count 4.000000
mean 11.900000
std 10.184302
min -1.000000
25% 7.400000
50% 12.600000
75% 17.100000
max 23.400000
dtype: float64
DATAFRAME
Para construir um objeto do tipo DataFrame, precisamos utilizar o método

DataFrame() do pacote pandas. O método possui o seguinte
construtor: pandas.DataFrame(data=None, index=None, columns=None, dtype=None,
copy=False). Veja que todos os parâmetros possuem valores padrões (default) o
que permite instanciar um objeto de diferentes formas. Para endender cada
parâmetro, a melhor fonte de informações é a documentação oficial: https://panda

s.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.html.
127.0.0.1:8000 6/17
Dentre todos os parâmetros esperados, somente um é obrigatório para se criar

um DataFrame com dados, o parâmetro data=XXXX. Esse parâmetro pode receber,
um objeto iterável, como uma lista, tupla, um dicionário ou um DataFrame,
vejamos os exemplos.
0
Ver anotações
CONSTRUTOR DATAFRAME COM LISTA
Na entrada 8, criamos 4 listas, com mesmo tamanho (5 valores) que vamos usar
como fonte de dados para criar os primeiros DataFrames. Na entrada 9, estamos

invocando o método DataFrame e passando como parâmetro a lista de nomes e
um nome (rótulo) para a coluna. Veja o resultado, temos os dados na coluna e os

índices, que como não especificamos é atribuído o range de 0 a N-1. Na entrada 10,
criamos o mesmo DataFrame, mas agora passando a lista de cpfs como índice. Na
entrada 11, usamos a função zip() parar criar tuplas, cada uma composta por um
valor de cada lista, e a transformamos em uma lista de tuplas. Fizemos essa
construção para criar um DataFrame, no qual cada lista passe a ser uma coluna,
conforme pode ser observdo no resultado.
In [2]: lista_nomes = 'Howard Ian Peter Jonah Kellie'.split()

lista_cpfs = '111.111.111-11 222.222.222-22 333.333.333-33
444.444.444-44 555.555.555-55'.split()
lista_emails = 'risus.varius@dictumPhasellusin.ca Nunc@vulputate.ca
fames.ac.turpis@cursusa.org non@felisullamcorper.org
eget.dictum.placerat@necluctus.co.uk'.split()
lista_idades = [32, 22, 25, 29, 38]
In [9]: pd.DataFrame(lista_nomes, columns=['nome'])
Out[9]: nome
0 Howard
1 Ian
2 Peter
3 Jonah
4 Kellie
In [10]: pd.DataFrame(lista_nomes, columns=['nome'], index=lista_cpfs)
Out[10]: nome
111.111.111-11 Howard
222.222.222-22 Ian
333.333.333-33 Peter
444.444.444-44 Jonah
555.555.555-55 Kellie
In [7]: dados = list(zip(lista_nomes, lista_cpfs, lista_idades,

lista_emails)) # cria uma lista de tuplas
pd.DataFrame(dados, columns=['nome', 'cpfs', 'idade', 'email'])
Out[7]: nome cpfs idade email
0 Howard 111.111.111-11 32 risus.varius@dictumPhasellusin.ca
1 Ian 222.222.222-22 22 Nunc@vulputate.ca
2 Peter 333.333.333-33 25 fames.ac.turpis@cursusa.org
3 Jonah 444.444.444-44 29 non@felisullamcorper.org
4 Kellie 555.555.555-55 38 eget.dictum.placerat@necluctus.co.uk
127.0.0.1:8000 7/17
CONSTRUTOR DATAFRAME COM DICIONÁRIO
DataFrames também podem ser construídos a partir de estruturas de dados do
tipo dicionário. Cada chave será uma coluna e pode ter atribuída uma lista de
0
valores. Obs: cada chave deve estar associada a uma lista de mesmo tamanho.
Na entrada 12, criamos nosso dicionário de dados, veja que cada chave possui
Ver anotações
uma lista de mesmo tamanho e criamos nosso DataFrame, passando o dicionário
como fonte de dados. Dessa forma o construtor já consegue identificar o nome das
colunas.
In [6]: dados = {
'nomes': 'Howard Ian Peter Jonah Kellie'.split(),
'cpfs' : '111.111.111-11 222.222.222-22 333.333.333-33
444.444.444-44 555.555.555-55'.split(),
'emails' : 'risus.varius@dictumPhasellusin.ca Nunc@vulputate.ca
fames.ac.turpis@cursusa.org non@felisullamcorper.org
eget.dictum.placerat@necluctus.co.uk'.split(),
'idades' : [32, 22, 25, 29, 38]
}
pd.DataFrame(dados)
Out[6]: nomes cpfs emails idades
0 Howard 111.111.111-11 risus.varius@dictumPhasellusin.ca 32
1 Ian 222.222.222-22 Nunc@vulputate.ca 22
2 Peter 333.333.333-33 fames.ac.turpis@cursusa.org 25
3 Jonah 444.444.444-44 non@felisullamcorper.org 29
4 Kellie 555.555.555-55 eget.dictum.placerat@necluctus.co.uk 38
EXTRAINDO INFORMAÇÕES DE UM DATAFRAME
Como já mencionamos, cada objeto possui seus próprios atributos e métodos,

logo, embora Series e DataFrame tenham recursos em comum, eles também
possuem suas particularidades. No DataFrame temos o método info() que mostra
quantas linhas e colunas existem. Também exibe o tipo de cada coluna e quanto
valores não nulos existem ali. Esse método também retorna uma informação sobre
a quantidade de memória RAM essa estrutura está ocupando. Faça a leitura dos
comentários e veja o que cada atributo e método retorna.
127.0.0.1:8000 8/17
In [13]: df_dados = pd.DataFrame(dados)
print('\nInformações do DataFrame:\n')
print(df_dados.info()) # Apresenta informações sobre a estrutura do
DF
0
print('\nQuantidade de linhas e colunas = ', df_dados.shape) #
Retorna uma tupla com o número de linhas e colunas
Ver anotações
print('\nTipo de dados:\n', df_dados.dtypes) # Retorna o tipo de
dados, para cada coluna, se for misto será object
print('\nQual o menor valor de cada coluna?\n', df_dados.min()) #

Extrai o menor de cada coluna
print('\nQual o maior valor?\n', df_dados.max()) # Extrai o valor
máximo e cada coluna
print('\nQual a média aritmética?\n', df_dados.mean()) # Extrai a
média aritmética de cada coluna numérica
print('\nQual o desvio padrão?\n', df_dados.std()) # Extrai o desvio
padrão de cada coluna numérica
print('\nQual a mediana?\n', df_dados.median()) # Extrai a mediana
de cada coluna numérica
print('\nResumo:\n', df_dados.describe()) # Exibe um resumo
df_dados.head() # Exibe os 5 primeiros registros do DataFrame
Informações do DataFrame:
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 5 entries, 0 to 4
Data columns (total 4 columns):
nomes 5 non-null object
cpfs 5 non-null object
emails 5 non-null object
idades 5 non-null int64
dtypes: int64(1), object(3)
memory usage: 240.0+ bytes
None
Quantidade de linhas e colunas = (5, 4)
Tipo de dados:
nomes object
cpfs object
emails object
idades int64
dtype: object
Qual o menor valor de cada coluna?

nomes Howard
cpfs 111.111.111-11
emails Nunc@vulputate.ca
idades 22
dtype: object
Qual o maior valor?

nomes Peter
cpfs 555.555.555-55
emails risus.varius@dictumPhasellusin.ca
idades 38
dtype: object
Qual a média aritmética?

idades 29.2
dtype: float64
Qual o desvio padrão?

idades 6.220932
127.0.0.1:8000 9/17
dtype: float64
Qual a mediana?
idades 29.0
dtype: float64
0
Resumo:
idades
Ver anotações
count 5.000000
mean 29.200000
std 6.220932
min 22.000000
25% 25.000000
50% 29.000000
75% 32.000000
max 38.000000
Out[13]: nomes cpfs emails idades
0 Howard 111.111.111-11 risus.varius@dictumPhasellusin.ca 32
1 Ian 222.222.222-22 Nunc@vulputate.ca 22
2 Peter 333.333.333-33 fames.ac.turpis@cursusa.org 25
3 Jonah 444.444.444-44 non@felisullamcorper.org 29
4 Kellie 555.555.555-55 eget.dictum.placerat@necluctus.co.uk 38
127.0.0.1:8000 10/17
Agora que você aprendeu como criar dataframes e extrair informações. Utilize o
emulador a seguir para testar o exemplo apresentado e crie o seu próprio

DataFrame e extraia informações.
0
Ver anotações
 
3
  main.py Python3
in ammation-01.csv  
Escolher arquivo Nenhum arquivo selecionado
 Code  Run  Share

Remix 
SELEÇÃO DE COLUNAS EM UM DATAFRAME
Podemos realizar operações em colunas específicas de um DataFrame ou ainda
criar um novo objeto contendo somente as colunas que serão usadas em uma
determinada análise. Para selecionar uma coluna, as duas possíveis sintaxes são:
1. nome_df.nome_coluna
2. nome_df[nome_coluna]
A primeira forma é familiar aos desenvolvedores que utilizar a linguagem SQL,
porém ela não aceita colunas com espaços entre as palavras. Já a segunda
aceita.Se precisarmos selecionar mais do que uma coluna, então precisamos

passar uma lista, da seguinte forma: nome_df[['col1', 'col2', 'col3']], se preferir
a lista pode ser criada fora da seção e passada como parâmetro.
Ao selecionar uma coluna, obtemos uma Series, consequentemente, podemos
aplicar os atributos e métodos que aprendemos, por exemplo, para obter a média
aritmética de uma determinada coluna. Observe os códigos a seguir. Na entrada
14, fizemos a seleção de uma única coluna "idades", veja na impressão que o tipo
do objeto agora é uma Series. Na linha 4, a partir desse novo objeto, imprimimos a
média de idade. Já na entrada 15, criamos uma lista com as colunas que queremos
selecionar e na linha 2, passamos essa lista para seleção (df_dados[colunas]),
consequentemente, obtivemos um novo DataFrame, mas agora com duas colunas.
Através da seleção de certas colunas podemos extrair informações específicas e

até compará-las com outras colunas ou com outros dados. Esse recurso é muito
utilizado por quem trabalha na área de dados.
127.0.0.1:8000 11/17
In [14]: df_uma_coluna = df_dados['idades']

print(type(df_uma_coluna))
print('Média de idades = ', df_uma_coluna.mean())
df_uma_coluna
0
<class 'pandas.core.series.Series'>
Ver anotações
Média de idades = 29.2
Out[14]: 0 32
1 22
2 25
3 29
4 38
Name: idades, dtype: int64
In [15]: colunas = ['nomes', 'cpfs']

df_duas_colunas = df_dados[colunas]
print(type(df_duas_colunas))
df_duas_colunas
Out[15]: nomes cpfs
0 Howard 111.111.111-11
1 Ian 222.222.222-22
2 Peter 333.333.333-33
3 Jonah 444.444.444-44
4 Kellie 555.555.555-55
EXEMPLIFICANDO
Vamos utilizar tudo que já aprendemos e fazer uma atividade de raspagem

web (web scraping). Vamos acessar a seguinte página de notícias do jornal
New York Times: https://nyti.ms/3aHRu2D. A partir dessa fonte de
informações vamos trabalhar para criar um DataFrame contendo o dia da

notícia, o comentário que foi feito, a explicação que foi dada e o link da
notícia.
Vamos começar nossa raspagem utilizando um recurso que já nos é
familiar, a biblioteca requests! Fazer a extração da notícia com o

requestes.get() convertendo tudo para uma única string, por isso vamos
usar a propriedade text. Na linha 4, da entrada 16 imprimimos os 100
primeiros caracteres do texto que capturamos. Veja que foi lido o conteúdo
HTML da página.
In [16]: import requests
texto_string =
requests.get('https://www.nytimes.com/interactive/2017/06/23/o
lies.html').text
print(texto_string[:100])
<!DOCTYPE html>
<html lang="en" class="no-js
page-interactive section
127.0.0.1:8000 12/17
Como temos um conteúdo em HTML é conveniente utilizar a biblioteca

Beautiful Soup, para conventer a string em uma estrutura HTML e então
filtrar determinadas tags. Veja na entrada 17, estamos importando a
biblioteca e através da classe BeautifulSoup, instanciamos um objeto
0
passando o texto, em string, e o parâmetro 'html.parser'. Agora, com o
Ver anotações
objeto do tipo BeautifulSoup, podemos usar o método find_all() para buscar
todas as ocorrências de uma determinada tag, no nosso caso estamos

buscando pelas tags span, que contenham um atributo 'class':'short-
desc'. O resultado dessa busca é uma conjunto iterável (class
'bs4.element.ResultSet'), como se fosse uma lista, então na linha 8,
estamos exibindo a notícia no índice 5 desse iterável e na linha 10, estamos
exibindo o "conteúdo" desse mesmo elemento, veja que contents, retorna
uma lista do conteúdo. Obs: para saber qual tag buscar, antes é preciso
examinar o código fonte da página que se deseja "raspar".
In [17]: from bs4 import BeautifulSoup
bsp_texto = BeautifulSoup(texto_string, 'html.parser')

lista_noticias = bsp_texto.find_all('span', attrs=
{'class':'short-desc'})
print(type(bsp_texto))
print(type(lista_noticias))
print(lista_noticias[5])
lista_noticias[5].contents
<class 'bs4.BeautifulSoup'>
<class 'bs4.element.ResultSet'>
<span class="short-desc"><strong>Jan. 25 </strong>“You had
millions of people that now aren't insured anymore.” <span
class="short-truth"><a
href="https://www.nytimes.com/2017/03/13/us/politics/fact-
check-trump-obamacare-health-care.html" target="_blank">(The
real number is less than 1 million, according to the Urban
Institute.)</a></span></span>
Out[17]: [<strong>Jan. 25 </strong>,

"“You had millions of people that now aren't insured
anymore.” ",
<span class="short-truth"><a
href="https://www.nytimes.com/2017/03/13/us/politics/fact-
check-trump-obamacare-health-care.html" target="_blank">(The
real number is less than 1 million, according to the Urban
Institute.)</a></span>]
Na entrada 18, criamos uma estrutura de repetição que vai percorrer cada
notícia do objeto iterável do tipo bs4.element.ResultSet, extraindo as

informações que queremos. Para explicar cada linha de comando, vamos
considerar a saída dos dados obtidas anteriormente, ou seja, a notícia na
posição 5.
Linha 1: Criamos uma lista vazia.
127.0.0.1:8000 13/17
Linha 4: O código noticia.contents[0] retorna: <strong>Jan. 25
</strong>, ao acessar a propriedade text, eliminamos as tags, então
temos Jan. 25. Usamos a função strip() para eliminar espaço em branco
na string e concatenamos com o ano.
0
Linha 5: O código contents[1] retorna: "“You had millions of people that
Ver anotações
now aren't insured anymore.” " usamos o strip() para eliminar espaços em
branco e a função replace para substituir os caracteres especiais por

nada.
Linha 6: O código noticia.contents[2] retorna: <a href="https://www.nyti
mes.com/2017/03/13/us/politics/fact-check-trump-obamacare-health-care.h
tml" target="_blank"
>(The real number is less than 1 million, according to the Urban Institute.)</
a></span>, ao acessar a propriedade text, eliminamos as tags então tem
os (The real number is less than 1 million, according to the Urban Institute.),
o qual ajustamos para elimar espaços e os parênteses.
Linha 7: o código noticia.find('a')['href'] retorna: https://www.nytimes.
com/2017/03/13/us/politics/fact-check-trump-obamacare-health-care.html
Apendamos a nossa lista de dados uma tupla com as quatro
informações que extraímos.
In [18]: dados = []
for noticia in lista_noticias:

data = noticia.contents[0].text.strip() + ', 2017' #
Dessa informação <strong>Jan. 25 </strong> vai extrair Jan.
25, 2017
comentario = noticia.contents[1].strip().replace("“",
'').replace("”", '')
explicacao = noticia.contents[2].text.strip().replace("
(", '').replace(")", '')
url = noticia.find('a')['href']
dados.append((data, comentario, explicacao, url))
dados[1]
Out[18]: ('Jan. 21, 2017',

'A reporter for Time magazine — and I have been on their
cover 14 or 15 times. I think we have the all-time record in
the history of Time magazine.',
'Trump was on the cover 11 times and Nixon appeared 55
times.',
'http://nation.time.com/2013/11/06/10-things-you-didnt-know-
about-time/')
Agora que temos nossa lista de tuplas com os dados, podemos criar o
DataFrame e disponibilizar para um cientista de dados fazer a análise de
sentimentos. Veja que na entrada 19, usamos o construtor DataFrame
127.0.0.1:8000 14/17
passando os dados e o nome das colunas. Pelo atributo shape conseguimos
de saber que foram extraídas 180 notícias e, que cada coluna possui o tipo
object (que já era esperado por ser texto).
0
In [19]: df_noticias = pd.DataFrame(dados, columns=['data',
'comentário', 'explicação', 'url'])
Ver anotações
print(df_noticias.shape)
print(df_noticias.dtypes)
df_noticias.head()
(180, 4)
data object
comentário object
explicação object
url object
dtype: object
Out[19]: data comentário explicação url
Jan.
I wasn't a fan of Iraq. I He was for an invasion https://www.buzzfeed.com/andrewkaczynski/in-
0 21,
didn't want to go in... before he was against it. 20...
2017
Jan. A reporter for Time

Trump was on the cover 11
1 21, magazine — and I have http://nation.time.com/2013/11/06/10-things-yo...
times and Nixon appe...
2017 been...
Jan.
Between 3 million and 5 There's no evidence of
2 23, https://www.nytimes.com/2017/01/23/us/politics...
million illegal votes ... illegal voting.
2017
Jan.
Now, the audience was the Official aerial photos show
biggest ever. But th... Obama's 2009 inaug...
2017
Jan.
Take a look at the Pew The report never mentioned
reports (which show vot... voter fraud.
2017
LEITURA DE DADOS ESTRUTURADOS COM A BIBLIOTECA PANDAS
Um dos grandes recursos da biblioteca pandas é sua capacidade de fazer leitura de
dados estruturados, através de seus métodos, guardando em um DataFrame. A

biblioteca possui uma série de métodos "read", cuja sintaxe é:
pandas.read_XXXXX() onde a sequência de X representa as diversas opções
disponíveis.Para finalizar nossa aula, vamos ver como fazer a leitura de uma tabela
em uma página web, utilizando o método pandas.read_html(). A documentação
desse método está disponível em https://pandas.pydata.org/pandas-docs/stable/re
ference/api/pandas.read_html.html e seu construtor possui os seguintes

parâmetros: pandas.read_html(io, match='.+', flavor=None, header=None,
index_col=None, skiprows=None, attrs=None, parse_dates=False, thousands=',',
encoding=None, decimal='.', converters=None, na_values=None,
keep_default_na=True, displayed_only=True). Dentre todos, somente o "io" é o que
recebe a URL a ser usada. Esse método procura por tags <table> na estrutura do
código HTML e devolve uma lista de DataFrames contendo as tabelas que
localizou.
Na URL https://www.fdic.gov/bank/individual/failed/banklist.html, encontra-se uma

tabela com bancos norte americanos que faliram desde 1º de outubro de 2000,
cada linha representa um banco. Vamos utilizar o método read_html() para
127.0.0.1:8000 15/17
capturar os dados e carregar em um DataFrame. Observe o código na entrada 20,

o método read_html capturou todas as tabelas no endereço passado como
parâmetro, sendo que cada tabela é armazenada em um DataFrame e o método

retorna uma lista com todos eles. Veja na linha 4, que ao imprimirmos o tipo do
0
resultado guardado na variável dfs, obtemos uma lista e ao verificarmos quantos
Ver anotações
DataFrames foram criados (len(dfs)), somente uma tabela foi encontrada, pois o
tamanho da lista é 1.
In [20]: url = 'https://www.fdic.gov/bank/individual/failed/banklist.html'

dfs = pd.read_html(url)
print(type(dfs))
print(len(dfs))
<class 'list'>
1
Sabendo que o tamanho da lista resultado do método é 1, então para obter a
tabela que queremos, basta acessar a posição 0 da lista. Observe na entrada 21,
guardamos o único DataFrame da lista em uma nova variável, verificamos quantas
linhas existem e quais os tipos de cada coluna, com excessão da coluna CERT,
todas as demais são texto. Usamos o método head para ver os cinco primeiros
registros do DataFrame.
In [21]: df_bancos = dfs[0]
print(df_bancos.shape)
print(df_bancos.dtypes)
df_bancos.head()
(561, 6)
Bank Name object
City object
ST object
CERT int64
Acquiring Institution object
Closing Date object
dtype: object
Out[21]: Bank Name City ST CERT Acquiring Institution Closing Date
0 The First State Bank Barboursville WV 14361 MVB Bank, Inc. April 3, 2020
1 Ericson State Bank Ericson NE 18265 Farmers and Merchants Bank February 14, 2020
2 City National Bank of New Jersey Newark NJ 21111 Industrial Bank November 1, 2019
3 Resolute Bank Maumee OH 58317 Buckeye State Bank October 25, 2019
4 Louisa Community Bank Louisa KY 58112 Kentucky Farmers Bank Corporation October 25, 2019
127.0.0.1:8000 16/17
REFERÊNCIAS E LINKS ÚTEIS
PyPI. Python Package Index. Disponível em: https://pypi.org/. Acesso em: 17 jun.
2020.
0
Leonard Richardson. Beautiful Soup Documentation. Disponível em: https://www.cr
Ver anotações
ummy.com/software/BeautifulSoup/bs4/doc/. Acesso em: 17 jun. 2020.
Pandas Team. About pandas. Disponível em: https://pandas.pydata.org/about/ .
Acesso em: 17 jun. 2020.
Pandas Team. DataFrame. Disponível em: https://pandas.pydata.org/pandas-docs/

stable/reference/api/pandas.DataFrame.html. Acesso em: 17 jun. 2020.
Pandas Team. pandas documentation. Disponível em: https://pandas.pydata.org/p

andas-docs/stable/index.html. Acesso em: 17 jun. 2020.
Pandas Team. Package overview. Disponível em: https://pandas.pydata.org/docs/g

etting_started/overview.html. Acesso em: 17 jun. 2020.
Pandas Team. Series. Disponível em: https://pandas.pydata.org/pandas-docs/stabl
e/reference/api/pandas.Series.html . Acesso em: 17 jun. 2020.
127.0.0.1:8000 17/17
11/22/23, 5:03 PM fmt_ldkls202_u4s1_lin_pro
FOCO NO MERCADO DE TRABALHO Imprimir
0
Vanessa Cadan Scheffer
Ver anotações
WEB SCRAPING
Técnica de extração de dados utilizada para coletar dados de sites através de tags HTML
e atributos CSS.
DESAFIO
Em um artigo publicado no dia 06 de março de 2019, no portal Computer World, o
autor fala sobre o profissional que deseja seguir a carreira de analista de dados, o
qual deve ter habilidades em: filtrar dados, construir APIs, web scraping e ter
https://www.colaboraread.com.br/integracaoAlgetec/index?usuarioEmail=brennernunes78%40gmail.com&usuarioNome=BRENNER+NUNES+GRANJEIRO&disciplinaDescricao=&atividadeId=3684107&atividadeD… 1/10
conhecimento nas linguagens Git, MySQL e Python. (MOTIM, Raphael Bueno da.
Carreira de analista de dados oferece salários de até R$ 12,5 mil. 2019. Disponível
em: https://computerworld.com.br/2019/03/06/carreira-de-analista-de-dados-ofere
ce-salarios-de-ate-r-125-mil/. Acesso em: 17 jun. 2020).
0
Como desenvolvedor em uma empresa de consultoria de software, você foi
Ver anotações
alocado em uma equipe de marketing analítico em uma marca esportiva, que
necessita fazer a coleta das principais notícias do mundo de esporte em um

determinado portal. O cliente pedi para que o portal https://globoesporte.globo.co
m/. O cliente deseja um componente capaz de fazer a extração dos dados em

forma tabular, com o seguintes campos: manchete, descrição, link, seção, hora da
extração, tempo decorrido da publicação até a hora da extração. O Quadro 4.1
apresenta, visualmente, como os dados devem ser organizados e exibidos.
Quadro 4.1 - Resultado esperado
manchete descrição link seção hora_extração time_delta
Título da Descrição link Seção que Data e hora da Quanto
manchete da para a a notícia extração tempo se
manchete notícia foi passou da

(quando marcada hora da
houver) publicação
até a extração
Fonte: elaborada pela autora.
O grande desafio no trabalho de web scraping é descobrir qual o padrão nas tags
HTML e atributos CSS usados. Pois somente através deles é que conseguiremos
alcançar a informação solicitada. Como o cliente já trabalha com o portal de
notícias, foram lhe passadas as seguintes informações técnicas que o ajudarão a

fazer a extração.
Para extração de todas as informações localize todas as div com atributo

'class':'feed-post-body'. De cada item localizado extraia:
A manchete que ocupa a primeira posição do conteúdo.
0
O link que pode ser localizado pela tag "a" e pelo atributo "href".
Ver anotações
A descrição pode estar na terceira posição conteúdo ou dentro de uma div com
atributo 'class':'bstn-related'
A seção está dentro de uma div com atributo 'class':'feed-post-metadata'.
Localize o span com atributo 'class': 'feed-post-metadata-section'.
O tempo decorrido está uma div com atributo 'class':'feed-post-metadata'.

Localize o span com atributo 'class': 'feed-post-datetime'.
Caso tente acessar o texto de uma tag não localizada, um erro é dado, para evitar
esses casos, os campos descrição, seção e time_delta devem ser tratados para
esses casos, retornando None (nulo). Agora é com você, faça a implementação e
gere um DataFrame com as informações solicitadas.
RESOLUÇÃO
Para fazer o web scraping solicitado, vamos utilizar as bibliotecas requests,
BeautifulSoup, pandas e datetime. As duas primeiras serão usadas para fazer a

captura do conteúdo da página, pandas para entregar os resultados em forma
estruturada e datetime para marcar o dia e hora da extração.
In [22]: from datetime import datetime
import requests
from bs4 import BeautifulSoup
import pandas as pd
Com as bibliotecas importadas, vamos acessar o portal e utilizar a propriedade text

da biblioteca requests para capturar em formato de string. Em seguida, vamos
transformar essa string em formato html, para que possamos localizar as tags de
nosso interesse. Na linha 2, registramos o horário da extração. Na linha 5,
0
procuramos todas as tags div com o atributo que nos foi indicado. Essa linha
Ver anotações
retornará uma lista com cada notícia. Veja que na linha 6 imprimimos quantas
notícias foram encontradas e na linha 7 imprimimos o conteúdo da primeira

notícia. Lembre-se que contents transforma cada início e final da div em um
elemento da lista.
In [23]: texto_string = requests.get('https://globoesporte.globo.com/').text

hora_extracao = datetime.now().strftime("%d-%m-%Y %H:%M:%S")

lista_noticias = bsp_texto.find_all('div', attrs={'class':'feed-
post-body'})
print("Quantidade de manchetes = ", len(lista_noticias))
lista_noticias[0].contents
Quantidade de manchetes = 10
Out[23]: [<div class="feed-post-header"></div>,

<div class="_label_event"><div class="feed-post-body-title gui-
color-primary gui-color-hover"><div class="_ee"><a class="feed-post-
link gui-color-primary gui-color-hover"
href="https://globoesporte.globo.com/futebol/futebol-
internacional/futebol-italiano/jogo/17-06-2020/napoli-
0
juventusita.ghtml">VICE SENHORA</a></div></div></div>,
<div class="_label_event"><div class="feed-post-body-resumo">Napoli
Ver anotações
vence Juventus nos pênaltis e leva Copa da Itália</div></div>,
<div class="feed-media-wrapper"><div class="_label_event"><a
class="feed-post-figure-link gui-image-hover"
href="https://globoesporte.globo.com/futebol/futebol-
juventusita.ghtml"><div class="bstn-fd-item-cover"><picture
class="bstn-fd-cover-picture"><img alt="Foto: (Alberto
Lingria/Reuters)" class="bstn-fd-picture-image"
src="https://s2.glbimg.com/BeTGAixT5O_Cvs4hQA88PdHiCsY=/0x0:5406x3041
06-17t212444z-1091152315-rc29bh9icqss-rtrmadp-3-soccer-italy-nap-
juv-report.jpg"
srcset="https://s2.glbimg.com/BeTGAixT5O_Cvs4hQA88PdHiCsY=/0x0:5406x3
juv-report.jpg 1x,https://s2.glbimg.com/A6dTbIFD8sDl_t7eMHvA-
2ONF0Y=/0x0:5406x3041/810x456/smart/https://i.s3.glbimg.com/v1/AUTH_b
juv-report.jpg 1.5x,https://s2.glbimg.com/n_XVqiX_3nn_wSar4FYy5I-
cPUw=/0x0:5406x3041/1080x608/smart/https://i.s3.glbimg.com/v1/AUTH_bc
juv-report.jpg 2x" title="Foto: (Alberto Lingria/Reuters)"/>
</picture></div></a></div></div>,"
<div class="feed-post-metadata"><span class="feed-post-datetime">Há
3 horas</span><span class="feed-post-metadata-section"> futebol
italiano </span></div>]
Dentro dessa estrutura, procurando pelas tags corretas, vamos encontrar todas as
informações que foram solicitadas. Pela saída anterior podemos ver que a
manchete ocupa a posição 2 da lista de conteúdos, logo para guardar a manchete
devemos fazer:
In [24]: lista_noticias[0].contents[1].text.replace('"',"")
Out[24]: 'VICE SENHORA'
Para extração do link para notícia, como ele se encontra também na posição 1 da
lista, vamos utilizar o método find('a') para localizá-lo e extrair da seguinte forma:
In [25]: lista_noticias[0].find('a').get('href')
Out[25]: 'https://globoesporte.globo.com/futebol/futebol-
juventusita.ghtml'
0
Para a descrição, como ela pode estar na terceira posição ou em outra tag, vamos
Ver anotações
ter que testar em ambas e caso não esteja, então retornar None (nulo). Veja a
seguir.
In [26]: descricao = lista_noticias[0].contents[2].text

if not descricao:
descricao = noticia.find('div', attrs={'class': 'bstn-related'})
descricao = descricao.text if descricao else None # Somente
acessará a propriedade text caso tenha encontrado ("find")
descricao
Out[26]: 'Napoli vence Juventus nos pênaltis e leva Copa da Itália'
Para extração da seção e do tempo decorrido, vamos acessar primeiro o atributo
'feed-post-metadata' e guardar em uma variável, para em seguida, dentro desse
novo subconjunto, localizar os atributos 'feed-post-datetime' e 'feed-post-
metadata-section'. Como existe a possibilidade dessa informação não existir,
precisamos garantir que somente acessaremos a propriedade text (linhas 6 e 7)
caso tenha encontrando ("find"). Veja a seguir
In [27]: metadados = lista_noticias[0].find('div', attrs={'class':'feed-post-

metadata'})
time_delta = metadados.find('span', attrs={'class': 'feed-post-

datetime'})
secao = metadados.find('span', attrs={'class': 'feed-post-metadata-
section'})
time_delta = time_delta.text if time_delta else None

secao = secao.text if secao else None
print('time_delta = ', time_delta)

print('seção = ', secao)
time_delta = Há 3 horas
seção = futebol italiano
Veja que para a notícia 0 extraímos todas as informações solicitadas, mas
precisamos extrair de todas, portanto cada extração deve ser feita dentro de uma
estrutura de repetição. Para criar um DataFrame com os dados, vamos criar uma
lista vazia e a cada iteração apendar uma tupla com as informações extraídas. Com
0
essa lista, podemos criar nosso DataFrame, passando os dados e os nomes das
Ver anotações
colunas. Veja a seguir:
In [28]: dados = []

manchete = noticia.contents[1].text.replace('"',"")
link = noticia.find('a').get('href')
descricao = noticia.contents[2].text
if not descricao:
descricao = noticia.find('div', attrs={'class': 'bstn-
related'})
descricao = descricao.text if descricao else None
metadados = noticia.find('div', attrs={'class':'feed-post-

metadata'})
time_delta = metadados.find('span', attrs={'class': 'feed-post-
datetime'})
secao = metadados.find('span', attrs={'class': 'feed-post-
metadata-section'})

dados.append((manchete, descricao, link, secao, hora_extracao,

time_delta))
df = pd.DataFrame(dados, columns=['manchete', 'descrição', 'link',

'seção', 'hora_extração', 'time_delta'])
df.head()
Out[28]: manchete descrição link seção hora_extração time_delta
Napoli vence
Juventus nos futebol 17-06-2020 Há 3
0 VICE SENHORA https://globoesporte.globo.com/futebol/futebol...
pênaltis e leva italiano 18:58:17 horas
Copa...
Em noite trágica
ESPERA AÍ, de David Luiz, futebol 17-06-2020 Há 3
0
1 https://globoesporte.globo.com/futebol/futebol...
LIVERPOOL Manchester inglês 18:58:17 horas
Cit...
João Doria só
BASTIDORES campeonato 17-06-2020 Há 18
Ver anotações
2 libera volta aos https://globoesporte.globo.com/sp/futebol/camp...
CONTURBADOS paulista 18:58:17 horas
treinos a parti...
Maracanã
Na véspera de
passa por 17-06-2020 Há 2
3 Flamengo e Bangu, https://globoesporte.globo.com/futebol/noticia... futebol
processos de 18:58:17 horas
Ferj lança nov...
higienização e...
Partida em
Doutor na terra do
junho de 1984 17-06-2020 Há 2
4 Padim Ciço: as https://globoesporte.globo.com/ce/futebol/noti... futebol
marcou a 18:58:17 horas
memórias do ...
despedida de...
Vamos tornar nossa entrega mais profissional e transformar a solução em uma

classe, assim toda vez que for preciso fazer a extração, basta instanciar um objeto
e executar o método de extração.
In [29]: from datetime import datetime
import requests
from bs4 import BeautifulSoup
import pandas as pd
0
class ExtracaoPortal:
def __init__(self):
Ver anotações
self.portal = None
def extrair(self, portal):

self.portal = portal
texto_string =
requests.get('https://globoesporte.globo.com/').text
hora_extracao = datetime.now().strftime("%d-%m-%Y %H:%M:%S")

lista_noticias = bsp_texto.find_all('div', attrs=
{'class':'feed-post-body'})
dados = []

manchete = noticia.contents[1].text.replace('"',"")
link = noticia.find('a').get('href')
descricao = noticia.contents[2].text
if not descricao:
descricao = noticia.find('div', attrs={'class':
'bstn-related'})
descricao = descricao.text if descricao else None
metadados = noticia.find('div', attrs={'class':'feed-

post-metadata'})
time_delta = metadados.find('span', attrs={'class':
'feed-post-datetime'})
secao = metadados.find('span', attrs={'class': 'feed-
post-metadata-section'})

dados.append((manchete, descricao, link, secao,

hora_extracao, time_delta))
df = pd.DataFrame(dados, columns=['manchete', 'descrição',

'link', 'seção', 'hora_extração', 'time_delta'])
return df
In [30]: df = ExtracaoPortal().extrair("https://globoesporte.globo.com/")
df.head()
Out[30]: manchete descrição link seção hora_extração time_delta
Napoli vence
Juventus nos futebol 17-06-2020 Há 3
0
0 VICE SENHORA https://globoesporte.globo.com/futebol/futebol...
pênaltis e leva italiano 18:58:18 horas
Copa...
Em noite trágica
Ver anotações
ESPERA AÍ, de David Luiz, futebol 17-06-2020 Há 3
1 https://globoesporte.globo.com/futebol/futebol...
LIVERPOOL Manchester inglês 18:58:18 horas
Cit...
João Doria só
BASTIDORES campeonato 17-06-2020 Há 18
2 libera volta aos https://globoesporte.globo.com/sp/futebol/camp...
CONTURBADOS paulista 18:58:18 horas
treinos a parti...
Maracanã
Na véspera de
passa por 17-06-2020 Há 2
3 Flamengo e Bangu, https://globoesporte.globo.com/futebol/noticia... futebol
processos de 18:58:18 horas
Ferj lança nov...
higienização e...
Partida em
Doutor na terra do
junho de 1984 17-06-2020 Há 2
4 Padim Ciço: as https://globoesporte.globo.com/ce/futebol/noti... futebol
marcou a 18:58:18 horas
memórias do ...
despedida de...
DESAFIO DA INTERNET
Ganhar habilidade em programação exige estudo e treino (muito treino). Acesse o

endereço https://medium.com/data-hackers/como-fazer-web-scraping-em-python-
23c9d465a37f e pratique um pouco mais essa habilidade!
https://www.colaboraread.com.br/integracaoAlgetec/index?usuarioEmail=brennernunes78%40gmail.com&usuarioNome=BRENNER+NUNES+GRANJEIRO&disciplinaDescricao=&atividadeId=3684107&atividade… 10/10
NÃO PODE FALTAR
INTRODUÇÃO A MANIPULAÇÃO DE DADOS EM PANDAS
0
Vanessa Cadan Scheffer
Ver anotações
MÉTODOS PARA MANIPULAÇÃO DE DADOS
Além dos métodos para carregar e salvar dados, a biblioteca pandas possui também métodos
para a transformação dos dados e a extração de informação.
MÉTODOS PARA LEITURA E ESCRITA DA BIBLIOTECA PANDAS
A biblioteca pandas foi desenvolvida para trabalhar com dados estruturados, ou

seja, dados dispostos em linhas e colunas. Os dados podem estar gravados em
arquivos, em páginas web, em APIs, em outros softwares, em object stores
127.0.0.1:8000 1/26
(sistemas de armazenamento em cloud) ou em bancos de dados. Para todas essas

origens (e até mais), a biblioteca possui métodos capazes de fazer a leitura dos
dados e carregar em um DataFrame.
0
Todos os métodos capazes de fazer a leitura dos dados estruturados possuem
prefixo pd.read_XXX, onde pd é o apelido dado no momento da importação da
Ver anotações
biblioteca e XXX é o restante da sintaxe do método. Além de fazer a leitura a
biblioteca possui diversos métodos capazes de escrever o DataFrame em um
arquivo, em um banco ou ainda simplesmente copiar para a área de transferência
do sistema operacional. O Quadro 4.2, apresenta todos os métodos de leitura e
escrita. Veja que são suportados tanto a leitura de arquivos de texto, como
binários e de bancos.
Quadro 4.2 - Métodos para leitura e escrita de dados estruturados
Tipo de Descrição do Método para Método para

dado dado leitura escrita
texto CSV read_csv to_csv
texto Fixed-Width texto read_fwf

File
texto JSON read_json to_json
texto HTML read_html to_html
texto Local clipboard read_clipboard to_clipboard
MS Excel read_excel to_excel
binário OpenDocument read_excel
binário HDF5 Format read_hdf to_hdf
127.0.0.1:8000 2/26
Tipo de Descrição do Método para Método para

dado dado leitura escrita
binário Feather Format read_feather to_feather
0
binário Parquet Format read_parquet to_parquet
Ver anotações
binário ORC Format read_orc
binário Msgpack read_msgpack to_msgpack
binário Stata read_stata to_stata
binário SAS read_sas
binário SPSS read_spss
binário Python Pickle Form read_pickle to_pickle

at
SQL SQL read_sql to_sql
SQL Google BigQuery read_gbq to_gbq
Fonte: adaptado de https://pandas.pydata.org/pandas-docs/stable/user_guide/io.html
Dentre todos os possíveis métodos para leitura, nessa aula vamos estudar o
read_json, o read_csv e a função read_sql, que contempla a função read_sql_query.
JSON (JavaScript Object Notation - Notação de Objetos JavaScript) é uma

formatação leve de troca de dados e independente de linguagem de programação.
Os dados nesse formato podem ser encontrados como uma coleção de pares
chave/valor ou uma lista ordenada de valores (https://www.json.org/json-pt.html).
Uma chave pode conter uma outra estrutura interna, criando um arquivo com
multiníveis. Nessa aula vamos estudar somente a leitura de arquivos com um
único nível, ou seja, para uma chave há somente um valor.
127.0.0.1:8000 3/26
CSV (comma-separated values - valores separados por vírgula) é um formato de

arquivo, nos quais os dados são separados por um delimitador. Originalmente,
esse delimitador é uma vírgula (por isso o nome), mas na prática um arquivo CSV
pode ser criado com qualquer delimitador, por exemplo, por ponto e vírgula (;), por
0
pipe (|), dentre outros. Por ser um arquivo de texto, é fácil de ser lido em qualquer
Ver anotações
sistema, por isso se tornou tão democrático.
LEITURA DE JSON E CSV COM PANDAS

Agora que vamos começar a ver as implementações, vamos fazer a importação da
biblioteca, como já sabemos, só precisamos importar uma única vez no notebook
ou no script .py.
A leitura de um arquivo JSON deve ser feita com o método:

pandas.read_json(path_or_buf=None, orient=None, typ='frame', dtype=None,
convert_axes=None, convert_dates=True, keep_default_dates=True, numpy=False,
precise_float=False, date_unit=None, encoding=None, lines=False, chunksize=None,
compression='infer'). Os detalhes de cada parâmetro podem ser consultados na
documentação oficial: https://pandas.pydata.org/pandas-docs/stable/reference/ap
i/pandas.read_json.html. O único parâmetro que é obrigatório para se carregar os

dados é o "path_or_buf", no qual deve ser passado um caminho para o arquivo ou
um "arquivo como objeto" que é um arquivo lido com a função open(), por
exemplo.
Na entrada 2, estamos usando o método read_json para carregar dados de uma

API. Veja que estamos passando o caminho para o método. Nessa fonte de dados,
são encontradas a taxa selic de cada dia.
127.0.0.1:8000 4/26
In [2]: pd.read_json("https://api.bcb.gov.br/dados/serie/bcdata.sgs.11/dados
formato=json").head()
Out[2]: data valor
0 04/06/1986 0.065041
0
1 05/06/1986 0.067397
2 06/06/1986 0.066740
Ver anotações
3 09/06/1986 0.068247
4 10/06/1986 0.067041
A leitura de um arquivo CSV deve ser feita com o método:

pandas.read_csv(filepath_or_buffer: Union[str, pathlib.Path, IO[~ AnyStr]],
sep=',', delimiter=None, header='infer', names=None, index_col=None,
usecols=None, squeeze=False, prefix=None, mangle_dupe_cols=True, dtype=None,
engine=None, converters=None, true_values=None, false_values=None,
skipinitialspace=False, skiprows=None, skipfooter=0, nrows=None, na_values=None,
keep_default_na=True, na_filter=True, verbose=False, skip_blank_lines=True,
parse_dates=False, infer_datetime_format=False, keep_date_col=False,
date_parser=None, dayfirst=False, cache_dates=True, iterator=False,
chunksize=None, compression='infer', thousands=None, decimal: str = '.',
lineterminator=None, quotechar='"', quoting=0, doublequote=True,
escapechar=None, comment=None, encoding=None, dialect=None,
error_bad_lines=True, warn_bad_lines=True, delim_whitespace=False,
low_memory=True, memory_map=False, float_precision=None). São muitos parâmetros,
o que proporciona uma versatilidade incrível para esse método. Os detalhes de

cada parâmetro podem ser consultados na documentação oficial: https://pandas.p
ydata.org/pandas-docs/stable/reference/api/pandas.read_csv.html. Vamos
comentar alguns.
Para realizar o carregamento os dados, é necessário incluir o caminho(diretório),

portanto o parâmetro "filepath_or_buffer" é obrigatório. Outro parâmetro que é
importante para a leitura desse arquivo é o sep ou delimiter (ambos fazem a
mesma coisa), veja que sep, por padrão possui o valor ',', ou seja, caso não seja
especificado nenhum valor, então o método fará a leitura dos dados considerando
127.0.0.1:8000 5/26
que estão separados por vírgula. O parâmetro header, tem como valor padrão
'infer', que significa que o método realiza a inferência para os nomes das colunas a
partir da primeira linha de dados do arquivo.
0
Na entrada 3, estamos fazendo a leitura de uma fonte CSV, cujos campos são
separados por vírgula, logo não foi preciso especificar um delimitador diferente.
Ver anotações
In [3]: pd.read_csv("https://people.sc.fsu.edu/~jburkardt/data/csv/cities.csv
Out[3]: LatD "LatM" "LatS" "NS" "LonD" "LonM" "LonS" "EW" "City" "State"
0 41 5 59 "N" 80 39 0 "W" "Youngstown" OH
1 42 52 48 "N" 97 23 23 "W" "Yankton" SD
2 46 35 59 "N" 120 30 36 "W" "Yakima" WA
3 42 16 12 "N" 71 48 0 "W" "Worcester" MA
4 43 37 48 "N" 89 46 11 "W" "Wisconsin Dells" WI
MANIPULAÇÃO DE DADOS COM PANDAS
Além de vários métodos para carregar e salvar os dados, a biblioteca pandas

possui uma diversidade de métodos para a transformação dos dados e a extração
de informação para áreas de negócio. Nessa seção vamos conhecer alguns deles.
O trabalho com dados: capturar os dados em suas origens, fazer transformações

nos dados a fim de padronizá-los, aplicar técnicas estatísticas clássicas ou
algoritmos de machine/deep learning feito por engenheiros e cientistas de dados.
Cada profissional atuando em uma parte específica, dependendo da organização
da empresa. Em todo esse trabalho é comum fazer a divisão em duas etapas: (i)
captura e transformação/padronização dos dados, (ii) extração de informações.
EXEMPLIFICANDO
Para entender como essas duas etapas acontecem no dia a dia das
empresas, vamos utilizar os dados da taxa Selic. Selic, ou taxa Selic é a
referência base de juros da economia brasileira (https://blog.nubank.com.b
r/taxa-selic/). O valor da Selic influência todo o setor financeiro do Brasil,
127.0.0.1:8000 6/26
por exemplo, se você pretende fazer um financiamento ou um

investimento, precisa olhar a taxa Selic, pois ela influenciará o valor a ser
pago ou ganho. "Selic é a sigla para Sistema Especial de Liquidação e
Custódia, um programa totalmente virtual em que os títulos do Tesouro
0
Nacional são comprados e vendidos diariamente por instituições
Ver anotações
financeiras" (NUBANK, p. 1, 2020). Quem decide, de fato, o valor da Selic é o
Copom (Comitê de Política Monetária do Banco Central), que a cada 45 dias
se reúne para determinar se a taxa aumenta ou diminui. Na prática, se a
taxa está alta, os financiados podem ficar mais caros e o contrário também,
se a taxa está mais baixa, então os financiamentos ficam mais baratos.
Resumindo, quando a taxa Selic aumenta o economia desacelera, quando
ela abaixa a economia aquece, isso é preciso para controlar a inflação.
Agora que já conhecemos que a taxa Selic influencia, nossos financiamentos,

investimentos e até mesmo o que compramos no mercado, vamos extrair as
informações disponibilizadas pelo governo e fazer algumas análises. Vamos
começar pela etapa de extração e transformação dos dados.
ETAPA DE CAPTURA E TRANSFORMAÇÃO/ PADRONIZAÇÃO DOS DADOS
A extração dos dados pode ser realizada por meio do método read_json() e
guardando em um DataFrame (DF) pandas. Ao carregar os dados em um DF,
podemos visualizar quantas linhas e colunas, bem como, os tipos de dados em
cada coluna, com o método info(). Observe a entrada 4 e a saída do código a
seguir, o método retorna que o DF possui 8552 registros (entradas) e 2 colunas (A
quantidade de linhas certamente será diferente quando executar esse código). Os
índices são numéricos e variam de 0 a 8551 (N-1). Outras duas informações
relevantes que esse método retorna é sobre a quantidade de células sem valor
(non-null) e o tipo dos dados nas colunas. Como podemos ver, ambas colunas
possuem 8552 valores não nulos, como esse número é igual a quantidade de
127.0.0.1:8000 7/26
linhas, então não existem valores faltantes. Quanto ao tipo de dados, o "data" é um
object, ou seja, são todos do tipo strings ou existe mistura de tipos; "valor" é um
float.
0
In [4]: df_selic =
pd.read_json("https://api.bcb.gov.br/dados/serie/bcdata.sgs.11/dados
Ver anotações
formato=json")
print(df_selic.info())
data 8552 non-null object
valor 8552 non-null float64
dtypes: float64(1), object(1)
memory usage: 133.7+ KB
None
127.0.0.1:8000 8/26
REMOVER LINHAS DUPLICADAS
Para o carregamento de uma base de dados, um dos primeiros tratamentos que
0
devemos fazer é remover os dados duplicados. Certamente, qual registro remover
depende da área de negócio e do problema a ser resolvido. Por exemplo,
Ver anotações
queremos manter o registro da compra atual, ou queremos manter a primeira
compra. Um DataFrame da bilioteca pandas possui o método
meu_df.drop_duplicates() que permite fazer essa remoção de dados duplicados.
Observe a entrada 5 da linha de código a seguir, usamos o método para remover

as linhas duplicadas, pedindo para manter o último registro (keep='last') e, através
do parâmetro inplace=True, estamos fazendo com que a transformação seja salva
do DataFrame, na prática estamos sobrescrevendo o objeto na memória. Caso
inplace não seja passado, a transformação é aplicada, mas não é salva, ou
seja, o DF continua da mesma forma anterior a transformação. Outro
parâmetro interessante do método é o subset, que permite que a remoção de
dados duplicado seja feita com base em uma ou mais colunas.
In [5]: df_selic.drop_duplicates(keep='last', inplace=True)
CRIAR NOVAS COLUNAS
A segunda transformação que veremos é como criar uma nova coluna. A sintaxe é
similar a criar uma nova chave em um dicionário: meu_df['nova_coluna'] = dado.
Vamos criar uma coluna que adiciona a data de extração das informações. Observe
a seguir, do módulo datetime, estamos usando a classe date e o método today().
Na entrada 6, guardamos a data em uma nova coluna, veja que a biblioteca pandas
"entende" que esse valor deve ser colocado em todas as linhas. Na linha 7,
estamos criando uma nova coluna com o nome do responsável pela extração, veja
que basta atribuir a string a uma nova coluna. Temos ainda um problema com o
127.0.0.1:8000 9/26
tipo de dados das datas, embora cada valor seja do tipo "date", veja que pelo info()
ainda obtemos uma coluna object, para que de fato, a biblioteca interprete como
um tipo data, vamos ter que utilizar o método da própria biblioteca para fazer a
conversão.
0
Ver anotações
In [6]: from datetime import date
from datetime import datetime as dt
data_extracao = date.today()
df_selic['data_extracao'] = data_extracao
df_selic['responsavel'] = "Autora"
df_selic.head()
Int64Index: 8552 entries, 0 to 8551
data 8552 non-null object
data_extracao 8552 non-null object
responsavel 8552 non-null object
dtypes: float64(1), object(3)
None
Out[6]: data valor data_extracao responsavel
0 04/06/1986 0.065041 2020-07-19 Autora
1 05/06/1986 0.067397 2020-07-19 Autora
2 06/06/1986 0.066740 2020-07-19 Autora
3 09/06/1986 0.068247 2020-07-19 Autora
4 10/06/1986 0.067041 2020-07-19 Autora
MÉTODO TO_DATETIME() E ASTYPE()
Trabalhar com o tipo "data" pode trazer vantagens, como por exemplo, ordenar da
data mais recente para mais antiga, ou ainda verificar a variação da taxa selic em
um determinado período. Vamos utilizar os métodos pandas.to_datime() e
minha_series.astype() para fazer a conversão e transformar as colunas data e
data_extracao. Observe o código a seguir, onde realizamos a transformação e
127.0.0.1:8000 10/26
guardamos dentro da própria coluna, dessa forma os valores são sobrescritos. Na

linha 1, usamos a notação pd.to_datetime(), porque é um método da biblioteca e
não do DF.
0
Na entrada 7 (linha 1), o método recebe a coluna com os valores a serem alterados
(df_selic['data']) e um segundo parâmetro, indicando que no formato atual
Ver anotações
(antes da conversão) o dia está primeiro (dayfirst=True). Em seguida, na linha 2,
como a coluna "data_extracao" foi criada com o método today(), o formato já está
correto para a conversão. Nessa conversão usamos o método astype, que
transforma os dados de uma coluna (que é uma Series) em um determinado tipo,

nesse caso, o tipo datetime especificado. Com astype() podemos padronizar
valores das colunas, por exemplo, transformando todos em float, ou int, ou str, ou
outro tipo. Veja que agora, ao usar o método info(), temos que ambas colunas são
do tipo datetime (datetime da biblioteca pandas). O formato resultante ano-mês-
dia é um padrão do datetime64[ns], que segue o padrão internacional, no qual o
ano vem primeiro, seguido do mês e por último o dia. Poderíamos usar o stftime()
para transformar o traço em barra (/), mas aí o resultado seriam strings e não
datas.
In [7]:
df_selic['data'] = pd.to_datetime(df_selic['data'], dayfirst=True)
df_selic['data_extracao'] = df_selic['data_extracao'].astype('datetime64[ns]')
df_selic.head()
Int64Index: 8552 entries, 0 to 8551
data 8552 non-null datetime64[ns]
data_extracao 8552 non-null datetime64[ns]
responsavel 8552 non-null object
dtypes: datetime64[ns](2), float64(1), object(1)
None
127.0.0.1:8000 11/26
data valor data_extracao responsavel
0 1986-06-04 0.065041 2020-07-19 Autora
1 1986-06-05 0.067397 2020-07-19 Autora
2 1986-06-06 0.066740 2020-07-19 Autora
3 1986-06-09 0.068247 2020-07-19 Autora
4 1986-06-10 0.067041 2020-07-19 Autora
0
Ver anotações
SERIES.STR
Muitas vezes precisamos padronizar os valores em colunas, por exemplo,

queremos ter certeza que a coluna "responsável" possui todas as palavras
padronizadas em letras maiúsculas. Quando selecionamos uma coluna no DF
sabemos que o resultado é uma Series e esse objeto tem um recurso "str", que
permite aplicar as funções de string para todos os valores da Series.
Observe o trecho de código seguir, selecionamos a coluna responsável, acessamos

o recurso str e aplicamos o método upper(). Dessa forma, a biblioteca pandas
"entende" que queremos converter todos os valores dessa coluna para letras
maiúsculas. Como atribuímos o resultado na própria coluna, o valor antigo é
substituído.
In [8]: df_selic['responsavel'] = df_selic['responsavel'].str.upper()
df_selic.head()
0 1986-06-04 0.065041 2020-07-19 AUTORA
1 1986-06-05 0.067397 2020-07-19 AUTORA
2 1986-06-06 0.066740 2020-07-19 AUTORA
3 1986-06-09 0.068247 2020-07-19 AUTORA
4 1986-06-10 0.067041 2020-07-19 AUTORA
127.0.0.1:8000 12/26
MÉTODO SORT_VALUES()
No código a seguir, estamos usando o método sort_values() que permite ordenar o
0
DF, de acordo com os valores de uma coluna. Esse método é do DataFrame, por
isso a notação meu_df.metodo(). Utilizamos três parâmetros do método sort_values,
Ver anotações
o primeiro informando qual coluna deve ser usada para ordenar, o segundo, para
que seja feito em ordem decrescente (do maior para o menor) e o terceiro
(inplace=True) significa que queremos modificar o próprio objeto, na prática
estamos sobrescrevendo o DF.
In [9]: df_selic.sort_values(by='data', ascending=False, inplace=True)
df_selic.head()
8551 2020-07-17 0.008442 2020-07-19 AUTORA
8550 2020-07-16 0.008442 2020-07-19 AUTORA
8549 2020-07-15 0.008442 2020-07-19 AUTORA
8548 2020-07-14 0.008442 2020-07-19 AUTORA
8547 2020-07-13 0.008442 2020-07-19 AUTORA
MÉTODO RESET_INDEX() E SET_INDEX()
Ao fazermos a ordenação dos dados com o método sort_values(), veja que os

índices dos cinco primeiros registros é 8551, 8550...85XX. Nenhuma transformação
afeta o índice, lembra-se como não especificamos rótulos ele usa um intervalo
numérico, mas esse intervalo é diferente da posições de um vetor, pois é um
nome e vai acompanhar a linha independente da transformação.
As únicas formas de alterar o índice são com os métodos reset_index() e

set_index(). O primeiro redefine o índice usando o padrão e o segundo utiliza
define novos índices. Veja o código na entrada 10, estamos usando o método
reset_index() para redefinir os índices padrão (sequência numérica). O primeiro
parâmetro (drop=True), diz que não queremos usar o índice que será substituído
127.0.0.1:8000 13/26
em uma nova coluna e inplace, informa para gravar as alterações no próprio

objeto. Veja na saída que agora os cinco primeiros registros, possuem índices de 0
a 4.
0
In [10]: df_selic.reset_index(drop=True, inplace=True)
Ver anotações
df_selic.head()
0 2020-07-17 0.008442 2020-07-19 AUTORA
1 2020-07-16 0.008442 2020-07-19 AUTORA
2 2020-07-15 0.008442 2020-07-19 AUTORA
3 2020-07-14 0.008442 2020-07-19 AUTORA
4 2020-07-13 0.008442 2020-07-19 AUTORA
Durante a transformação dos dados, pode ser necessário definir novos valores
para os índices, ao invés de usar o range numérico. Essa transformação pode ser
feita usando o método meu_df.set_index(). O método permite especificar os novos
valores usando uma coluna já existente ou então passando uma lista, de tamanho
igual a quantidade de linhas.
Observe os códigos nas entradas 11 e 12. Na entrada 11, estamos criando uma
lista que usada os índices do DF, adicionando um prefixo para cada valor. Na linha
2 são impressos os cinco primeiros itens da nova lista. Na entrada 12, estamos
definindo o novo índice com base na lista criada. Veja que o parâmetros keys,
recebe como parâmetro uma lista de lista e o segundo parâmetro especifica que a
modificação deve ser salva no objeto. Na impressão das cinco primeiras linhas do
DF, podemos ver o novo índice.
In [11]: lista_novo_indice = [f'selic_{indice}' for indice in df_selic.index]
print(lista_novo_indice[:5])
['selic_0', 'selic_1', 'selic_2', 'selic_3', 'selic_4']
127.0.0.1:8000 14/26
In [12]: df_selic.set_index(keys=[lista_novo_indice], inplace=True)
df_selic.head()
0
selic_0 2020-07-17 0.008442 2020-07-19 AUTORA
selic_1 2020-07-16 0.008442 2020-07-19 AUTORA
Ver anotações
selic_2 2020-07-15 0.008442 2020-07-19 AUTORA
selic_3 2020-07-14 0.008442 2020-07-19 AUTORA
selic_4 2020-07-13 0.008442 2020-07-19 AUTORA
Ao especificar um índice com valor conceitual, podemos usar as funções idxmin() e

idxmax() para descobrir qual o índice do menor e do maior de uma Series. Observe
os exemplos a seguir.
In [13]: print(df_selic['valor'].idxmin())
print(df_selic['valor'].idxmax())
selic_7606
selic_7623
ETAPA DE EXTRAÇÃO DE INFORMAÇÕES
Agora que já fizemos as transformações que gostaríamos, podemos passar a fase

de extração de informações.
FILTROS COM LOC
Um dos recursos mais utilizados por equipes das áreas de dados é a aplicação de
filtros. Imagine a seguinte situação, uma determinada pesquisa quer saber qual é a
média de idade de todas as pessoas na sua sala de aula, bem como a média de
idades somente das mulheres e somente dos homens. A distinção por gênero é
um filtro! Esse filtro vai possibilitar comparar a idade de todos, com a idade de
cada grupo e entender se as mulheres ou homens estão abaixo ou acima da média
geral.
127.0.0.1:8000 15/26
DataFrames da biblioteca pandas possuem uma propriedade chamada loc (https://

pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.loc.html).
Essa propriedade permite acessar um conjunto de linhas (filtrar linhas), por meio
do índice ou por um vetor booleano (vetor de True ou False).
0
Vamos começar explorando o filtro pelos índices. Entrada 14 estamos localizando
Ver anotações
(loc), o registro que possui índice 'selic_0', como resultado obtém-se uma Series. Na
entrada 15, foram filtrados três registros, para isso foi necessário passar uma lista
contendo os índices, como resultado obtivemos um novo DF. Na entrada 16,
fizemos um fatiamento (slice), procurando um intervalo de índices.
In [14]: df_selic.loc['selic_0']
Out[14]: data 2020-07-17 00:00:00

valor 0.008442
data_extracao 2020-07-19 00:00:00
responsavel AUTORA
Name: selic_0, dtype: object
In [15]: df_selic.loc[['selic_0', 'selic_4', 'selic_200']]
selic_0 2020-07-17 0.008442 2020-07-19 AUTORA
selic_4 2020-07-13 0.008442 2020-07-19 AUTORA
selic_200 2019-09-30 0.020872 2020-07-19 AUTORA
In [16]: df_selic.loc[:'selic_5']
selic_0 2020-07-17 0.008442 2020-07-19 AUTORA
selic_1 2020-07-16 0.008442 2020-07-19 AUTORA
selic_2 2020-07-15 0.008442 2020-07-19 AUTORA
selic_3 2020-07-14 0.008442 2020-07-19 AUTORA
selic_4 2020-07-13 0.008442 2020-07-19 AUTORA
selic_5 2020-07-10 0.008442 2020-07-19 AUTORA
A propriedade loc, aceita um segundo argumento, que é a coluna (ou colunas) que
serão exibidas para os índices escolhidos. Na entrada 17 selecionamos uma única
coluna e na entrada 18 uma lista de colunas.
O mesmo resultado poderia ser alcançado passando a coluna, ou a lista de colunas

conforme as sintaxes:
127.0.0.1:8000 16/26
df_selic.loc[['selic_0', 'selic_4', 'selic_200']]['valor']
df_selic.loc[['selic_0', 'selic_4', 'selic_200']][['valor', 'data_extracao']]
In [17]: df_selic.loc[['selic_0', 'selic_4', 'selic_200'], 'valor']
0
Out[17]: selic_0 0.008442
selic_4 0.008442
Ver anotações
selic_200 0.020872
Name: valor, dtype: float64
In [18]: df_selic.loc[['selic_0', 'selic_4', 'selic_200'], ['valor',

'data_extracao']]
Out[18]: valor data_extracao
selic_0 0.008442 2020-07-19
selic_4 0.008442 2020-07-19
selic_200 0.020872 2020-07-19
Antes de vermos a criação de filtros para o loc com condições booleanas, vale
mencionar que existe também a propriedade iloc, a qual filtra as linhas
considerando a posição que ocupam no objeto. Veja no exemplo a seguir, estamos
usando o iloc para filtrar os 5 primeiros registros, usando a mesma notação do
fatiamento de listas. Essa propriedade não possui a opção de também selecionar
colunas. Veja um exemplo a seguir.
In [19]: df_selic.iloc[:5]
selic_0 2020-07-17 0.008442 2020-07-19 AUTORA
selic_1 2020-07-16 0.008442 2020-07-19 AUTORA
selic_2 2020-07-15 0.008442 2020-07-19 AUTORA
selic_3 2020-07-14 0.008442 2020-07-19 AUTORA
selic_4 2020-07-13 0.008442 2020-07-19 AUTORA
FILTROS COM TESTES BOOLEANOS
Podemos usar operadores relacionais e lógicos para fazer testes condicionais com
os valores das colunas de um DF. Ao criarmos um teste condicional, internamente,
a biblioteca testa todas as linhas do DF ou da Series, retornando uma Series
booleana, ou seja, composta por valores True ou False.
127.0.0.1:8000 17/26
Observe a partir da entrada 20 a seguir. Estamos utilizando um operador

relacional, para testar se os valores da coluna 'valor', são menores que < 0.01.
Armazenamos o resultado em uma variável chamada teste. Veja que o tipo do
teste é uma Series, e na linha 4 teste[:5], estamos imprimindo os cinco primeiros
0
resultados do teste lógico.
Ver anotações
In [20]: teste = df_selic['valor'] < 0.01
print(type(teste))
teste[:5]
Out[20]: selic_0 True

selic_1 True
selic_2 True
selic_3 True
selic_4 True
Name: valor, dtype: bool
No código, entrada 21 a seguir, realizamos mais um teste lógico para ver se a data
da taxa é do ano de 2020. Para isso, utilizamos o método to_datetime() para
converter a string para data e então fazer a comparação.
In [21]: teste2 = df_selic['data'] >= pd.to_datetime('2020-01-01')
print(type(teste2))
teste2[:5]
Out[21]: selic_0 True

selic_1 True
selic_2 True
selic_3 True
selic_4 True
Name: data, dtype: bool
O teste condicional pode ser construído também utilizando operadores lógicos.

Para a operação lógica AND (E), em pandas, usa-se o caracter &. Para fazer a
operação lógica OR (OU), usa-se o caracter |. Cada teste deve estar entre
127.0.0.1:8000 18/26
parênteses, senão ocorre um erro. Observe o código a seguir, na entrada 22 e a

linha seguinte, temos a construção de dois novos testes, o primeiro usando a
operação AND e o segundo usando OR.
0
In [22]: teste3 = (df_selic['valor'] < 0.01) & (df_selic['data'] >=
pd.to_datetime('2020-01-01'))
Ver anotações
teste4 = (df_selic['valor'] < 0.01) | (df_selic['data'] >=
pd.to_datetime('2020-01-01'))
print("Resultado do AND:\n")
print(teste3[:3])
print("Resultado do OR:\n")
print(teste4[:3])
Resultado do AND:
selic_0 True
selic_1 True
selic_2 True
dtype: bool
Resultado do OR:
selic_0 True
selic_1 True
selic_2 True
dtype: bool
Agora que já sabemos criar as condições, basta aplicá-las no DataFrame para criar
o filtro. A construção é feita passando a condição para a propriedade loc. Observe
o código a seguir. Na linha 1 estamos criando a condição do filtro (que é uma
Series booleana) e na entrada 23, passamos como parâmetro para filtrar os
registros. Esse filtro retornou somente 4 registros.
In [23]: filtro1 = df_selic['valor'] < 0.01
df_selic.loc[filtro1]
selic_0 2020-07-17 0.008442 2020-07-19 AUTORA
selic_1 2020-07-16 0.008442 2020-07-19 AUTORA
selic_2 2020-07-15 0.008442 2020-07-19 AUTORA
selic_3 2020-07-14 0.008442 2020-07-19 AUTORA
selic_4 2020-07-13 0.008442 2020-07-19 AUTORA
127.0.0.1:8000 19/26
data valor data_extracao responsavel
selic_5 2020-07-10 0.008442 2020-07-19 AUTORA
selic_6 2020-07-09 0.008442 2020-07-19 AUTORA
selic_7 2020-07-08 0.008442 2020-07-19 AUTORA
selic_8 2020-07-07 0.008442 2020-07-19 AUTORA
selic_9 2020-07-06 0.008442 2020-07-19 AUTORA
0
selic_10 2020-07-03 0.008442 2020-07-19 AUTORA
selic_11 2020-07-02 0.008442 2020-07-19 AUTORA
Ver anotações
selic_12 2020-07-01 0.008442 2020-07-19 AUTORA
selic_13 2020-06-30 0.008442 2020-07-19 AUTORA
selic_14 2020-06-29 0.008442 2020-07-19 AUTORA
selic_15 2020-06-26 0.008442 2020-07-19 AUTORA
selic_16 2020-06-25 0.008442 2020-07-19 AUTORA
selic_17 2020-06-24 0.008442 2020-07-19 AUTORA
selic_18 2020-06-23 0.008442 2020-07-19 AUTORA
selic_19 2020-06-22 0.008442 2020-07-19 AUTORA
selic_20 2020-06-19 0.008442 2020-07-19 AUTORA
selic_21 2020-06-18 0.008442 2020-07-19 AUTORA
selic_7606 1990-03-16 0.000000 2020-07-19 AUTORA
selic_7607 1990-03-15 0.000000 2020-07-19 AUTORA
selic_7608 1990-03-14 0.000000 2020-07-19 AUTORA
Na entrada 23, criamos primeiro a condição, guardamos na variável e depois

aplicamos, mas poderíamos ter passado a condição direta:
df_selic.loc[df_selic['valor'] < 0.01]. Cabe ao desenvolvedor escolher a sintaxe
que se sente mais a vontade. Nesse livro vamos adotar a sintaxe de criar os filtros
e guardar em variáveis por questões didáticas e de legibilidade do código.
Na entrada 24 (linha 1), criamos uma condição para exibir o registro das datas
apenas do mês de janeiro de 2020. Primeiro criamos duas variáveis para
armazenar as datas, na linha 4 criamos o filtro e na linha 6 o aplicamos no DF,
guardando o resultado (que é um DF) em um novo DF. Todo esse filtro poderia ter
sido escrito em uma única linha: df_selic.loc[(df_selic['data'] >=
pd.to_datetime('2020-01-01')) & (df_selic['data'] <= pd.to_datetime('2020-01-
31'))], mas veja como fica mais difícil ler e interpretar o filtro, ainda mais para
quem for dar manutenção no código.
127.0.0.1:8000 20/26
In [24]: data1 = pd.to_datetime('2020-01-01')

data2 = pd.to_datetime('2020-01-31')
filtro_janeiro_2020 = (df_selic['data'] >= data1) &

(df_selic['data'] <= data2)
0
df_janeiro_2020 = df_selic.loc[filtro_janeiro_2020]
df_janeiro_2020.head()
Ver anotações
selic_114 2020-01-31 0.017089 2020-07-19 AUTORA
selic_115 2020-01-30 0.017089 2020-07-19 AUTORA
selic_116 2020-01-29 0.017089 2020-07-19 AUTORA
selic_117 2020-01-28 0.017089 2020-07-19 AUTORA
selic_118 2020-01-27 0.017089 2020-07-19 AUTORA
Vamos criar mais um filtro e um novo DF para que possamos ver a importância dos
filtros. No código a seguir, vamos criar um novo DF contendo as informações do
mês de janeiro do ano de 2019.
In [25]: data1 = pd.to_datetime('2019-01-01')

data2 = pd.to_datetime('2019-01-31')
filtro_janeiro_2019 = (df_selic['data'] >= data1) &

(df_selic['data'] <= data2)
df_janeiro_2019 = df_selic.loc[filtro_janeiro_2019]
df_janeiro_2019.head()
selic_367 2019-01-31 0.02462 2020-07-19 AUTORA
selic_368 2019-01-30 0.02462 2020-07-19 AUTORA
selic_369 2019-01-29 0.02462 2020-07-19 AUTORA
selic_370 2019-01-28 0.02462 2020-07-19 AUTORA
selic_371 2019-01-25 0.02462 2020-07-19 AUTORA
Agora que temos três DFs, um completo e dois com filtros vamos utilizar métodos
da estatística descritiva para extrair informações sobre o valor da taxa selic em
cada DF. Queremos saber, qual o valor máximo e mínino registrado em cada caso
e qual a média.
Ao selecionar uma coluna, temos uma Series, então basta utilizar o método
solicitado, conforme códigos a seguir.
127.0.0.1:8000 21/26
In [26]: print('Mínimo geral = ', df_selic['valor'].min())

print('Mínimo janeiro de 2019 = ', df_janeiro_2019['valor'].min())
print('Mínimo janeiro de 2020 = ',df_janeiro_2020['valor'].min(),
'\n')
print('Máximo geral = ', df_selic['valor'].max())
0
print('Máximo janeiro de 2019 = ', df_janeiro_2019['valor'].max())
print('Máximo janeiro de 2020 = ',df_janeiro_2020['valor'].max(),
Ver anotações
'\n')
print('Média geral = ', df_selic['valor'].mean())

print('Média janeiro de 2019 = ', df_janeiro_2019['valor'].mean())
print('Média janeiro de 2020 = ',df_janeiro_2020['valor'].mean(),
'\n')
Mínimo geral = 0.0

Mínimo janeiro de 2019 = 0.02462
Mínimo janeiro de 2020 = 0.017089
Máximo geral = 3.626

Máximo janeiro de 2019 = 0.02462
Máximo janeiro de 2020 = 0.017089
Média geral = 0.2863543465855944

Média janeiro de 2019 = 0.02461999999999999
Média janeiro de 2020 = 0.017089000000000003
Veja como os filtros permitem começar a tirar respostas para áreas de negócios.
No ano de 2019 tanto a mínima quanto a máxima foram superiores que no ano de
2020. A máxima geral é bem superior a máxima desses meses, assim como a
média geral, que é bem superior, ou seja, nesses meses a taxa média foi inferior a
média geral, sendo que em janeiro de 2020 foi ainda pior.
Todas essas transformações que fizemos podem ser persistidas fisicamente em

um arquivo, por exemplo, csv. Veja o código a seguir, que salva um arquivo
chamado dados_selic.csv, na pasta de trabalho, com os parâmetros padrão:
separado por vírgula, com cabelho, com a inclusão dos índices, dentre outros.
In [27]: df_selic.to_csv('dados_selic.csv')
Que tal utilizar o simulador a seguir e testar as funcionalidades aprendidas?
127.0.0.1:8000 22/26
 
3
  main.py Python3
in ammation-01.csv  
Escolher arquivo Nenhum arquivo selecionado
 Code  Run  Share

Remix 
0
Ver anotações
Poderíamos extrair diversas outras informações dos dados. Todo esse trabalho faz
parte do cotidiado nos engenheiros, cientistas e analistas de dados. Os
engenheiros de dados mais focados na preparação e disponibilização dos dados,
os cientistas focados em responder questões de negócio, inclusive utilizando
modelos de machine learning e deep learning e os analistas, também respondendo
a perguntas de negócios e apresentando resultados. Se você gostou do que
fizemos quem sabe não deva investir mais nessa área?!
SAIBA MAIS
Existem diversos portais que disponibilizam dados, por exempo, o próprio

kaggle, os portais brasileiros https://www.portaldatransparencia.gov.br/ e h
ttps://www.dados.gov.br/dataset, o portal https://archive.ics.uci.edu/ml/dat
asets.php, ou o https://vincentarelbundock.github.io/Rdatasets/datasets.ht
ml. Enfim, são inúmeros os respositórios que podem ser explorados, até
mesmo o git hub.
BANCO DE DADOS COM PANDAS
Para finalizar nossa aula vamos aprender que além dos métodos para acessar
arquivos, a biblioteca pandas possui dois métodos que permitem executar
instruções SQL em banco de dados. Os métodos são:
127.0.0.1:8000 23/26
pandas.read_sql(sql, con, index_col=None, coerce_float=True, params=None,
parse_dates=None, columns=None, chunksize=None)
pandas.read_sql_query(sql, con, index_col=None, coerce_float=True,
0
params=None, parse_dates=None, chunksize=None)
Ver anotações
O mínimo de parâmetros que ambos métodos exigem é a instrução SQL e uma
conexão com um banco de dados (con). A conexão com o banco de dados, deve
ser feita usando uma outra biblioteca, por exemplo, sqlalchemy (suporte para
diversos bancos), pyodbc para SQL Server, cx_Oracle para Oracle, psycopg2 para
Postgresql, dentre outras. Seguindo as recomendações da PEP 249 todas
bibliotecas precisam fornecer um método "connect", o qual recebe a string de
conexão. A síntaxe da string de conexão depende da biblioteca e do banco de
dados.
A seguir apresentamos de maneira didática dois exemplos, o primeiro uma

conexão com um banco postgresql e outro com um banco mysql. Veja que a única
diferença entre eles é a importação da biblioteca específica e a string de conexão.
Dessa forma, ao estabelecer conexão com um banco de dados e armazenar a
instância em uma variável, basta passá-la como parâmetro do método da
biblioteca pandas.
import psycopg2
host = 'XXXXX'
port = 'XXXXX'
database = 'XXXXX'
username = 'XXXXX'
password = 'XXXXX'
conn_str = fr"dbname='{database}' user='{username}' host='{host}'
password='{password}' port='{port}'"
127.0.0.1:8000 24/26
conn = psycopg2.connect(conn_str)
query = "select * from XXX.YYYY"
df = pd.read_sql(query, conn)import mysql.connector
0
Ver anotações
host = 'XXXXX'
port = 'XXXXX'
database = 'XXXXX'
username = 'XXXXX'
password = 'XXXXX'
conn_str = fr"host={host}, user={username}, passwd={password}, database=
{database}"
conn = mysql.connector.connect(host="localhost", user="root", passwd="",
database="bd")
query = "select * from XXX.YYYY"
df = pd.read_sql(query, conn)
Kaggle. Titanic: Machine Learning from Disaster. Disponível em (https://www.kaggl

e.com/c/titanic). Acesso em: 20 jun. 2020.
PyPI. Python Package Index. Disponível em: https://pypi.org/. Acesso em: 17 jun.
2020.
pandas Team. DataFrame. Disponível em: https://pandas.pydata.org/pandas-docs/

stable/reference/api/pandas.DataFrame.html . Acesso em: 17 jun. 2020.
Pandas Team. DataFrame. Disponível em: https://pandas.pydata.org/pandas-docs/

stable/reference/api/pandas.DataFrame.html. Acesso em: 17 jun. 2020.
127.0.0.1:8000 25/26
Pandas Team. pandas documentation. Disponível em: https://pandas.pydata.org/p

andas-docs/stable/index.html. Acesso em: 17 jun. 2020.
Pandas Team. Series. Disponível em: https://pandas.pydata.org/pandas-docs/stabl
0
e/reference/api/pandas.Series.html . Acesso em: 17 jun. 2020.
Ver anotações
127.0.0.1:8000 26/26
INTRODUÇÃO A MANIPULAÇÃO DE DADOS EM PANDAS
0
Ver anotações
TRANSFORMAÇÃO DOS DADOS E EXTRAÇÃO DE INFORMAÇÕES
A biblioteca pandas possui métodos capazes de fazer a leitura dos dados e o carregamento em
um DataFrame, além de recursos como a aplicação de filtros.
DESAFIO
alocado em um projeto para uma empresa de geração de energia. Essa empresa

tem interesse em criar uma solução que acompanhe as exportações de etanol no
Brasil. Esse tipo de informação está disponível no site do governo brasileiro http://
www.dados.gov.br/dataset, em formatos CSV, JSON, dentre outros.
No endereço http://www.dados.gov.br/dataset/importacoes-e-exportacoes-de-etan
0
ol é possível encontrar várias bases de dados (datasets), contendo informações de
importação e exportação de etanol. O cliente está interessado em obter
Ver anotações
informações sobre a Exportação Etano Hidratado (barris equivalentes de petróleo)
2012-2020, cujo endereço é http://www.dados.gov.br/dataset/importacoes-e-expor

tacoes-de-etanol/resource/ca6a2afe-def5-4986-babc-b5e9875d39a5. Para a análise
será necessário fazer o download do arquivo.
O cliente deseja uma solução que extraia as seguintes informações:
Em cada ano, qual o menor e o maior valor arrecadado da exportação?
Considerando o período de 2012 a 2019, qual a média mensal de
arrecadamento com a exportação.
Considerando o período de 2012 a 2019, qual ano teve o menor

arrecadamento? E o menor?
Como parte das informações técnicas sobre o arquivo, foi lhe informado que se
trata de um arquivo delimitado CSV, cujo separador de campos é ponto-e-vírgula e

a codificação do arquivo está em ISO-8859-1. Como podemos obter o arquivo?
Como podemos extrair essas informações usando a linguagem Python? Serão

necessários transformações nos dados para obtermos as informações solicitadas?
RESOLUÇÃO
Para começar a resolver o desafio, precisamos fazer o download do arquivo com
os dados. Podemos acessar o endereço http://www.dados.gov.br/dataset/importac

oes-e-exportacoes-de-etanol/resource/ca6a2afe-def5-4986-babc-b5e9875d39a5 e
clicar no botão "ir para recurso" ou então digitar o endereço http://www.anp.gov.b
r/arquivos/dadosabertos/iee/exportacao-etanol-hidratado-2012-2020-bep.csv que
fará o download do arquivo de modo automático. Após obter o arquivo, basta
copiá-lo para a pasta do projeto.
0
Conforme orientações, o arquivo é delimitado, mas seu separador padrão é o ";" e
a codificação do arquivo foi feita em ISO-8859-1. Portanto, teremos que passar
Ver anotações
esses dois parâmetros para a leitura do arquivo usando a biblioteca pandas, uma
vez que o delimitar padrão da biblioteca é o ",". No código a seguir, estamos
fazendo a importação dos dados. Veja que temos 9 linhas e 8 colunas.
df_etanol = pd.read_csv('exportacao-etanol-hidratado-2012-2020-
bep.csv', sep=';', encoding="ISO-8859-1")
print(df_etanol.info())
df_etanol.head(2)
ANO 9 non-null int64
PRODUTO 9 non-null object
MOVIMENTO COMERCIAL 9 non-null object
UNIDADE 9 non-null object
JAN 9 non-null object
FEV 9 non-null object
MAR 9 non-null object
ABR 9 non-null object
MAI 8 non-null object
JUN 8 non-null object
JUL 8 non-null object
AGO 8 non-null object
SET 8 non-null object
OUT 8 non-null object
NOV 8 non-null object
DEZ 8 non-null object
TOTAL 9 non-null object
dtypes: int64(1), object(16)
None
Out[28]: MOVIMENTO
ANO PRODUTO UNIDADE JAN FEV MAR ABR MAI JUN
COMERCIAL
ETANOL
0 2012 HIDRATADO EXPORTACAO bep 87231,41132 141513,5186 122157,3385 98004,42926 153286,6078 144373,6894
(bep)
ETANOL
1 2013 HIDRATADO EXPORTACAO bep 673419,9767 387331,6487 96929,59201 54390,05046 115092,482 387498,3792
0
(bep)
Ver anotações
Agora que temos os dados, vamos dividir nossa solução em duas etapas: a de
transformação dos dados e a de extração de informações.
ETAPA DE TRANSFORMAÇÕES
Vamos começar removendo as colunas que sabemos que não serão utilizadas,
afinal, quanto menos dados na memória RAM, melhor. Veja no código a seguir a
remoção de três colunas, com o parâmetro inplace=True, fazendo com que a

transformação seja salva no próprio objeto.
In [29]: df_etanol.drop(columns=['PRODUTO', 'MOVIMENTO COMERCIAL',

'UNIDADE'], inplace=True)
df_etanol.head(2)
Out[29]: ANO JAN FEV MAR ABR MAI JUN JUL AGO SET
0 2012 87231,41132 141513,5186 122157,3385 98004,42926 153286,6078 144373,6894 384743,6142 244861,0289 702267,5798
1 2013 673419,9767 387331,6487 96929,59201 54390,05046 115092,482 387498,3792 339162,21 354343,2858 434799,8585
Agora vamos redefinir os índices do DF, usando a coluna ANO. Esse passo será
importante para a fase de extração de informações. Veja que também optamos em
remover a coluna do DF (drop=True).
In [30]: df_etanol.set_index(keys='ANO', drop=True, inplace=True)
df_etanol.head(2)
Out[30]: JAN FEV MAR ABR MAI JUN JUL AGO SET
ANO
2012 87231,41132 141513,5186 122157,3385 98004,42926 153286,6078 144373,6894 384743,6142 244861,0289 702267,5798 7
2013 673419,9767 387331,6487 96929,59201 54390,05046 115092,482 387498,3792 339162,21 354343,2858 434799,8585 6
0
Como os dados são de origem brasileira, a vírgula é usada como separador
Ver anotações
decimal, o que não condiz com o padrão da biblioteca pandas. Precisamos
converter todas as vírgulas em ponto. Para isso vamos utilizar uma estrutura de
repetição que filtra cada coluna, criando uma Series, o que nos habilita a utilizar a
funcionalidade str.replace(',', '.') para a substituição.
In [31]: for mes in 'JAN FEV MAR ABR MAI JUN JUL AGO SET OUT NOV DEZ
TOTAL'.split():
df_etanol[mes] = df_etanol[mes].str.replace(',', '.')
print(df_etanol.dtypes)
df_etanol.head(2)
JAN object
FEV object
MAR object
ABR object
MAI object
JUN object
JUL object
AGO object
SET object
OUT object
NOV object
DEZ object
TOTAL object
dtype: object
ANO
2012 87231.41132 141513.5186 122157.3385 98004.42926 153286.6078 144373.6894 384743.6142 244861.0289 702267.5798 7
2013 673419.9767 387331.6487 96929.59201 54390.05046 115092.482 387498.3792 339162.21 354343.2858 434799.8585
Mesmo trocando a vírgula por ponto, a biblioteca ainda não conseguiu identificar
como ponto flutuante. Portanto, vamos fazer a conversão usando o método

astype(float).
In [32]: df_etanol = df_etanol.astype(float)

print(df_etanol.dtypes)
df_etanol.head(2)
JAN float64
0
FEV float64
MAR float64
Ver anotações
ABR float64
MAI float64
JUN float64
JUL float64
AGO float64
SET float64
OUT float64
NOV float64
DEZ float64
TOTAL float64
dtype: object
ANO
2012 87231.41132 141513.5186 122157.33850 98004.42926 153286.6078 144373.6894 384743.6142 244861.0289 702267.5798
2013 673419.97670 387331.6487 96929.59201 54390.05046 115092.4820 387498.3792 339162.2100 354343.2858 434799.8585
PESQUISE MAIS
Poderíamos ter usado a biblioteca locale para fazer parte desse
trabalho, que tal se aprofundar e pesquisar mais?!
0
ETAPA DE EXTRAÇÃO DE INFORMAÇÕES
Ver anotações
Agora que preparamos os dados, podemos começar a etapa de extração das
informações solicitadas. Vamos começar extraindo o menor e maior valor

arrecadado em cada ano. Como nosso índice é o próprio ano, podemos usar a
função loc para filtrar e então os métodos min() e max(). Para que a extração seja
feita para todos os anos, usamos uma estrutura de repetição.
Nas linhas print(f"Menor valor = {minimo:,.0f}".replace(',', '.')) print(f"Maior

valor = {maximo:,.0f}".replace(',', '.')) do código a seguir, estamos fazendo a
impressão dos valores solicitados. Para que fique mais claro a leitura, formatamos
a exibição. O código minimo:,.0f faz com que seja exibida somente a parte inteira e
o separador de milhar seja feito por vírgula. Em seguida substituimos a vírgula por
ponto que é o padrão brasileiro.
In [33]: # Em cada ano, qual o menor e o maior valor arrecadado da

exportação?
for ano in range(2012, 2021):

ano_info = df_etanol.loc[ano]
minimo = ano_info.min()
maximo = ano_info.max()
print(f"Ano = {ano}")
print(f"Menor valor = {minimo:,.0f}".replace(',', '.'))
print(f"Maior valor = {maximo:,.0f}".replace(',', '.'))
print("--------------")
Ano = 2012
Menor valor = 87.231
Maior valor = 4.078.157
--------------
Ano = 2013
0
--------------
Ver anotações
Ano = 2014
--------------
Ano = 2015
--------------
Ano = 2016
--------------
Ano = 2017
Menor valor = 2.664
--------------
Ano = 2018
Menor valor = 4.249
--------------
Ano = 2019
--------------
Ano = 2020
Maior valor = 298.194
--------------
Agora, vamos implementar o código para extrair a média mensal, considerando o
período de 2012 a 2019. Novamente, podemos usar o loc para filtrar os anos
requisitados e, para cada coluna, extrair a média. Na linha 5 fazemos a extração,
mas veja que está dentro de uma estrutura de repetição, mês a mês. Na linha 6
fazemos a impressão do resultado, também formatando a saída. Veja que o mês

de abril apresenta um rendimento bem inferior aos demais!
In [34]: # Considerando o período de 2012 a 2019, qual a média mensal de

arrecadamento com a exportação
print("Média mensal de rendimentos:")

for mes in 'JAN FEV MAR ABR MAI JUN JUL AGO SET OUT NOV
DEZ'.split():
0
media = df_etanol.loc[2012:2019, mes].mean()
print(f"{mes} = {media:,.0f}".replace(',', '.'))
Ver anotações
Média mensal de rendimentos:
JAN = 248.380
FEV = 210.858
MAR = 135.155
ABR = 58.929
MAI = 106.013
JUN = 244.645
JUL = 295.802
AGO = 276.539
SET = 354.454
OUT = 376.826
NOV = 266.748
DEZ = 319.588
Agora precisamos descobrir qual ano teve a menor e a maior quantia em

exportação, considerando o período de 2012 a 2019. Para isso vamos usar o
método idxmin() para descobrir o mínimo e idxmax() para o máximo.
In [35]: # Considerando o período de 2012 a 2019, qual ano teve o menor

arrecadamento? E o menor?
ano_menor_arrecadacao = df_etanol.loc[2012:2019, 'TOTAL'].idxmin()

ano_maior_arrecadacao = df_etanol.loc[2012:2019, 'TOTAL'].idxmax()
print(f"Ano com menor arrecadação = {ano_menor_arrecadacao}")

print(f"Ano com maior arrecadação = {ano_maior_arrecadacao}")
Ano com menor arrecadação = 2017

Ano com maior arrecadação = 2013
Agora é com você, que tal agora organizar as códigos em funções e deixar a
solução pronta para ser usada pela equipe?!
DESAFIO DA INTERNET

endereço https://www.kaggle.com/datasets, faço seu cadastro e escolha uma base de
dados para treinar e desenvolver seu conhecimento com a biblioteca pandas.
0
Ver anotações
11/22/23, 5:05 PM npf_ldkls202_u4s3_lin_pro
NÃO PODE FALTAR
VISUALIZAÇÃO DE DADOS EM PYTHON
0
Ver anotações
BIBLIOTECAS E FUNÇÕES PARA CRIAÇÃO DE GRÁFICOS
Para a criação de gráficos em Python são utilizadas as bibliotecas matplotib e outras baseadas
na matplotlib, e também funções que permitem criar e personalizar os gráficos.
INTRODUÇÃO A VISUALIZAÇÃO DE DADOS EM PYTHON
Visualização de dados ou DataViz é um dos pilares dos profissionais que trabalham
com dados. Existem profissionais que se especializam e inclusive tiram

certificações para atuar nessa área específica. Após uma análise de dados e
extração de informações é interessante que a entrega de resultados para a área de
negócios seja feita de maneira visual, ou seja, por meio de gráficos. Um gráfico
bem elaborado "fala" por si só e ajuda aos que assistem a entenderem os
resultados.
0
A linguagem Python, conta com uma série de bibliotecas que permitem a criação
Ver anotações
de gráficos, os quais podem ser estáticos (sem iteração) ou dinâmicos, que
apresentam iteração, como por exemplo, responder a eventos de clique do mouse.

Nessa aula, nossa objetivo é apresentar um pouco desse universo de
possibilidades.
MATPLOTLIB
Ao se falar em criação de gráficos em Python, o profissional precisa conhecer a
0
biblioteca matplotlib, pois diversas outras são construídas a partir desta. A criação
Ver anotações
e grande parte da evolução dessa biblioteca se deve a John Hunter, que a
desenvolveu como uma opção ao uso dos softwares gnuplot e MATLAB
(MCGREGGOR, 2015). Com a utilização da linguagem Python na área científica para
trabalhar com dados, após a extração dos resultados, o cientista precisava criar
seus gráficos nos outros softwares mencionados, o que se tornava incoveniente,
motivando a criação da biblioteca em Python.
A instalação da biblioteca pode ser feita via pip install: pip install matplotlib,
lembrando que em ambientes como o projeto Anaconta e o Colab esse recurso já
está disponível. O módulo pyplot possui uma coleção de funções que permitem
criar e personalizar os gráficos (https://matplotlib.org/api/_as_gen/matplotlib.pyplo
t.html). Existem duas sintaxes que são amplamente adotadas para importar essa
biblioteca para o projeto:
import matplotlib.pyplot as plt
from matplotlib import pyplot as plt
Em ambas formas de importação utilizamos o apelido "plt" que é uma convenção

adotada para facilitar o uso das funções. Ao trabalharmos no jupyter notebook
com o kernel do IPython (o kernel do IPython é o backend de execução do Python
para o Jupyter), podemos habilitar uma opção de fazer a impressão do gráfico
"inline", ou seja, no próprio notebook. Essa opção faz parte do "Built-in magic
commands", cuja documentação pode ser acessada no endereço https://ipython.re
adthedocs.io/en/stable/interactive/magics.html. Para habilitar utiliza-se a sintaxe:
%matplotlib inline. Portanto, projetos no jupyter notebook, que utilizem o
matplotlib sempre terão no começo, os comandos a seguir.
In [1]: from matplotlib import pyplot as plt
%matplotlib inline
0
Os gráficos são uma forma visual de "contar" a história dos dados. Em breve
contaremos várias histórias, mas como nosso primeiro gráfico, que tal um pouco
Ver anotações
de arte abstrata? Vamos criar duas listas aleatórias de valores inteiros com o
módulo random e então plotar um gráfico de linhas, com a função plt.plot() do
módulo pyplot. Veja a seguir, após criar duas listas com valores aleatórios, a função
plot() as recebe como parâmetros, utilizando-as para os valores dos eixos
horizontal (x) e vertical (y) e já cria o gráfico. Mágico não? Mas como "ele" sabia que
era para criar um gráfico de linhas? Por que colocou a cor azul? Por que fez desse
tamanho? Todos esses parâmetros e muitos outros, podem ser configurados!
In [2]: import random
dados1 = random.sample(range(100), k=20)

dados2 = random.sample(range(100), k=20)
plt.plot(dados1, dados2) # pyplot gerencia a figura e o eixo
Out[2]: [<matplotlib.lines.Line2D at 0x1cf32995940>]
Existem essencialmente duas maneiras de usar o Matplotlib:
1. Deixar para o pyplot criar e gerenciar automaticamente figuras e eixos, e usar

as funções do pyplot para plotagem.
2. Criar explicitamente figuras e eixos e chamar métodos sobre eles (o "estilo
orientado a objetos (OO)").
No gráfico que criamos, nós utilizamos a opção 1, ou seja, foi o próprio módulo
que criou o ambiente da figura e do eixo. Ao utilizar a segunda opção, podemos
criar uma figura com ou sem eixos, com a função plt.subplots(), que quando
invocada sem parâmetros, cria um layout de figura com 1 linha e 1 coluna.
0
Ver anotações
FIGURA COM EIXO COMO VARIÁVEL
Vamos explorar o estilo orientado a objetos, começando pela criação de eixos de

forma explícita, ou seja com atribuição a uma variável. Vamos criar uma figura com
1 linha 2 duas colunas, ou seja, teremos dois eixos. Pense nos eixos como uma
matriz, na qual cada eixo é uma posição que pode ter uma figura alocada. Vale
ressaltar que sobre um eixo (sobre uma figura), podem ser plotados diversos
gráficos. Para criar essa estrutura usamos a sintaxe: fig, ax = plt.subplots(1, 2),
onde fig e ax são os nomes das variáveis escolhidas. A variável ax, é do tipo array
numpy, ou seja, os eixos nada mais são, que uma matriz de contêiners para se
criar os plots. Como a figura possui dois eixos, temos que especificar em qual
vamos plotar, para isso informamos qual contêiner vamos usar: ax[0] ou ax[1].
Veja o código a seguir. Na linha 6 criamos a figura, com 1 linha 2 colunas e o eixo
que vamos utilizar e ainda definimos o tamanho das figuras por meio do
parâmetro figsize. Nas linhas 8, 9 e 10, imprimimos algumas informações para
entendermos esse mecanismo do pyplot. ax é do tipo 'numpy.ndarray', como já
havíamos mencionado. Ao imprimir o conteúdo de ax[0] e ax[1], podemos ver as

coordenadas alocadas para realizar a impressão da figuras. Das linhas 12 a 18,
imprimimos 3 gráficos sobre o primeiro eixo (que será posicionado uma figura do
lado esquerdo), definimos os rótulos dos eixos, o título do gráfico e pedimos para
exibir a legenda, que é construída a partir do parâmetro "label" na função plot().
Das linhas 20 a 26, criamos novos 3 gráficos, mas agora sobre o segundo eixo (que
será posicionado uma figura do lado direito). Nesse novo conjunto de gráficos,
configuramos a aparência das linhas, com os parâmetros 'r--' (red tracejado), 'b--' Imprimir
(blue tracejado) e 'g--' (green tracejado). Observe o resultado dos gráficos. Ao criar
uma estrutura com 1 linha e 2 colunas, os gráficos ficam posicionados lado a lado,
e se tivéssemos criado com 2 linhas e 1 coluna?
0
In [3]: import numpy as np
Ver anotações
x = range(5)
x = np.array(x) # temos que converter para um array numpy, senão o
plot não consegue fazer operações.
fig, ax = plt.subplots(1, 2, figsize=(12, 5)) # Cria figura com

subplots: 1 linha, 2 colunas e eixos
print("Tipo de ax = ", type(ax))

print("Conteúdo de ax[0] = ", ax[0])
print("Conteúdo de ax[1] = ", ax[1])
ax[0].plot(x, x, label='eq_1') # cria gráfico sobre eixo 0

ax[0].plot(x, x**2, label='eq_2') # cria gráfico sobre eixo 0
ax[0].plot(x, x**3, label='eq_3') # cria gráfico sobre eixo 0
ax[0].set_xlabel('Eixo x')
ax[0].set_ylabel('Eixo y')
ax[0].set_title("Gráfico 1")
ax[0].legend()
ax[1].plot(x, x, 'r--', label='eq_1') # cria gráfico sobre eixo 1

ax[1].plot(x**2, x, 'b--', label='eq_2') # cria gráfico sobre eixo 1
ax[1].plot(x**3, x, 'g--', label='eq_3') # cria gráfico sobre eixo 1
ax[1].set_xlabel('Novo Eixo x')
ax[1].set_ylabel('Novo Eixo y')
ax[1].set_title("Gráfico 2")
ax[1].legend()
Tipo de ax = <class 'numpy.ndarray'>

Conteúdo de ax[0] = AxesSubplot(0.125,0.125;0.352273x0.755)
Conteúdo de ax[1] = AxesSubplot(0.547727,0.125;0.352273x0.755)
Out[3]: <matplotlib.legend.Legend at 0x1cf32a6cb00>
0
Ver anotações
FIGURA SEM EIXO COMO VARIÁVEL
Também podemos criar uma figura, sem atribuir o eixo a uma variável. Nesse caso,
temos que usar a função plt.subplot(n_rows, n_cols2, plot_number), para definir
onde será plotado o gráfico. Veja no código a seguir. Na linha 4 criamos uma figura,
mas agora sem eixo e sem especificar o grid. Na linha 5, estamos adicionando um
subplot com 1 linha, 2 colunas e o primeiro gráfico (121). O primeiro parâmetro do
método subplot() é a quantidade de linhas; o segundo parâmetro é a quantidade
de colunas; o terceiro é número do plot dentro da figura, deve começar em 1 e ir

até a quantidade de plots que se tem. Como o eixo não está atribuído a nenhuma
variável, agora usamos o próprio para acessar a função plot(). Veja que na linha 14
estamos adicionando um subplot de 1 linha, 2 colunas a mesma figura, mas agora

especificando que plotaremos a segunda figura (122).
In [4]: x = range(5)
x = np.array(x) # temos que converter para um array numpy, senão o
plot não consegue fazer operações.
fig = plt.subplots(figsize=(12, 5)) # Cria figura sem eixo

plt.subplot(121) # Adiciona um grid de subplots a figura: 1 linha, 2
0
colunas - Figura 1
plt.plot(x, x, label='eq_1')
Ver anotações
plt.plot(x, x**2, label='eq_2')
plt.plot(x, x**3, label='eq_3')
plt.title("Gráfico 1")
plt.xlabel('Eixo x')
plt.ylabel('Eixo y')
plt.legend()
plt.subplot(122) # Adiciona um grid de subplots a figura: 1 linha, 2

colunas - Figura 2
plt.plot(x, x, 'r--', label='eq_1')
plt.plot(x**2, x, 'b--', label='eq_2')
plt.plot(x**3, x, 'g--', label='eq_3')
plt.title("Gráfico 2")
plt.xlabel('Novo eixo x')
plt.ylabel('Novo eixo y')
plt.legend()
Out[4]: <matplotlib.legend.Legend at 0x1cf32b44c50>
Naturalmente obtivemos o mesmo resultado anterior, pois criamos a mesma
estrutura com uma sintaxe diferente. Ao optar em utilizar eixos como variáveis ou
não, o desenvolvedor deve ficar atento somente as regras de sintaxe e as funções
disponíveis para cada opção. Podemos então resumir que:
plt.subplots() é usado para criar um layout de figura e subplots. (https://matpl
otlib.org/api/_as_gen/matplotlib.pyplot.subplots.html#matplotlib.pyplot.subplot
s).
plt.subplot() é usado para adiconar um subplot em um figura existente. (http
s://matplotlib.org/api/_as_gen/matplotlib.pyplot.subplot.html#matplotlib.pyplo
0
t.subplot).
Ver anotações
Que tal treinar e explorar utilizando o simulador a seguir. Veja os exemplos que a
própria ferramenta utiliza em sua página principal.
BIBLIOTECA PANDAS
As principais estruturas de dados da biblioteca pandas (Series e DataFrame)

possuem o método plot(), construído com base no matplotlib e que permite criar
gráficos a partir dos dados nas estruturas. Vamos começar criando um DataFrame
a partir de um dicionário, com a quantidade de alunos em três turmas distintas.
dados = {
'turma':['A', 'B', 'C'],
'qtde_alunos':[33, 50, 45]
}
df = pd.DataFrame(dados)
df
Out[5]: turma qtde_alunos
0 A 33
1 B 50
2 C 45
A partir de um DataFrame, podemos invocar o método: df.plot(*args,

**kwargs) para criar os gráficos. Os argumentos dessa função, podem variar, mas
existem três que são triviais: os nomes das colunas com os dados para os eixos x e
y, bem como o tipo de gráfico (kind). Veja o código a seguir, os valores da coluna
'turma' serão usados no eixo x, da coluna 'qtde_alunos' no eixo y e o tipo de gráfico

será o de barras (bar). Nas entradas 7 e 8, repetimos a mesma construção,
entretanto mudando o tipo de gráfico para barra na horizontal (barh) e linha (line).
0
In [6]: df.plot(x='turma', y='qtde_alunos', kind='bar')
Ver anotações
Out[6]: <matplotlib.axes._subplots.AxesSubplot at 0x1cf339fe7b8>
In [7]: df.plot(x='turma', y='qtde_alunos', kind='barh')
Out[7]: <matplotlib.axes._subplots.AxesSubplot at 0x1cf32bd2470>
In [8]: df.plot(x='turma', y='qtde_alunos', kind='line')
Out[8]: <matplotlib.axes._subplots.AxesSubplot at 0x1cf33aeb668>
No endereço https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.
DataFrame.plot.html você pode encontrar a lista com todos os tipos de gráficos

possíveis de serem construídos com o método plot() da biblioteca. Para construir
um gráfico do tipo pizza (pie), precisamos definir como indíce os dados que serão
0
usados como legenda. Veja a seguir, fazemos a transformação no DF seguido do
Ver anotações
plot com o tipo pie. Esse tipo de sintaxe é chamado de encadeamento, pois ao
invés de fazermos a transformação, salvar em um novo objeto e depois plotar,
fazemos tudo em uma única linha, sem precisar criar o novo objeto.
In [9]: df.set_index('turma').plot(y='qtde_alunos', kind='pie')
Out[9]: <matplotlib.axes._subplots.AxesSubplot at 0x1cf33b7fda0>
Vale ressaltar que para todos os gráficos criados, a biblioteca oferece uma segunda
opção de sintaxe, que é invocar o tipo de gráfico como método, por exemplo:
df.plot.bar(x='turma', y='qtde_alunos')
df.plot.line(x='turma', y='qtde_alunos')
df.set_index('turma').plot.pie(y='qtde_alunos')
EXEMPLIFICANDO
Vamos utilizar os dados sobre a exportação de etanol hidratado (barris

equivalentes de petróleo) 2012-2020, disponível no endereço: https://www.
anp.gov.br/arquivos/dadosabertos/iee/exportacao-etanol-hidratado-2012-2
020-bep.csv, para analisarmos e extrairmos informações de forma visual.
Para conseguir utilizar o método plot nessa base, teremos que transformar
a vírgula em ponto (padrão numérico) e converter os dados para os tipos

float e int. Veja o código a seguir em que preparamos os dados
0
In [10]: df_etanol = pd.read_csv('exportacao-etanol-hidratado-2012-
2020-bep.csv', sep=';', encoding="ISO-8859-1")
Ver anotações
# Apaga colunas que não usaremos
df_etanol.drop(columns=['PRODUTO', 'MOVIMENTO COMERCIAL',
'UNIDADE'], inplace=True)
# Substitui a vírgula por ponto em cada coluna

for mes in 'JAN FEV MAR ABR MAI JUN JUL AGO SET OUT NOV DEZ
TOTAL'.split():
df_etanol[mes] = df_etanol[mes].str.replace(',', '.')
# Converte os valores para float

df_etanol = df_etanol.astype(float)
# Converte o ano para inteiro

df_etanol['ANO'] = df_etanol['ANO'].astype(int)
df_etanol.head(2)
Out[10]: ANO JAN FEV MAR ABR MAI JUN JUL AG
0 2012 87231.41132 141513.5186 122157.33850 98004.42926 153286.6078 144373.6894 384743.6142 244861.02
1 2013 673419.97670 387331.6487 96929.59201 54390.05046 115092.4820 387498.3792 339162.2100 354343.28
Agora com os dados corretos podemos usar o método de plotagem para
que, de forma visual, possamos identificar o ano que teve a menor e maior
arrecadação para o mês de janeiro. Veja o código a seguir. No eixo x, vamos
usar a informação de ano, e no y todos os valores da coluna 'JAN'; (kind) o
tipo do gráfico será de barras; (figsize) a figura terá um tamanho de 10

polegadas na horizontal por 5 na vertical; (rot) a legenda no eixo x não deve
ser rotacionada; (fontsize) o tamanho das fontes na figura deve ser 12 pt;
(legend) não queremos legenda nesse gráfico. Pelo gráfico, podemos
identificar com facilidade que o ano que teve menor arrecadação nesse
mês, foi 2017 e o maior 2013. Também plotamos o mesmo gráfico, mas em
linhas, veja como é possível explicar os dados agora sobre outra
perspectiva: o comportamento da variação da arrecadação ao longo do

tempo.
0
In [11]: df_etanol.plot(x='ANO',
y='JAN',
Ver anotações
kind='bar',
figsize=(10, 5),
rot=0,
fontsize=12,
legend=False)
df_etanol.plot(x='ANO',
y='JAN',
kind='line',
figsize=(10, 5),
rot=0,
fontsize=12,
legend=False)
Out[11]: <matplotlib.axes._subplots.AxesSubplot at 0x1cf34c166a0>
Queremos criar um gráfico, que nos possibilite comparar a arrecadação
entre os meses de janeiro e fevereiro. Veja no código a seguir. Estamos

selecionando três colunas do nosso DF e encadeando o método plot(),
agora passando como parâmetro somente o valor x, o tipo, o tamanho, a
0
rotação da legenda e o tamanho da fonte. Os valores para o eixo y, serão
Ver anotações
usados das colunas. Com essa construção se torna possível avaliar,
visualmente, o desempenho nos meses. Veja que em determinados anos, a
discrepância entre eles é consideravel.
In [12]: df_etanol[['ANO', 'JAN', 'FEV']].plot(x='ANO', kind='bar',

figsize=(10, 5), rot=0, fontsize=12)
Out[12]: <matplotlib.axes._subplots.AxesSubplot at 0x1cf34c708d0>
BIBLIOTECA SEABORN
Seaborn é outra biblioteca Python, também baseada na matplotlib, que foi
desenvolvida especificamente para criação de gráficos. Seaborn pode ser instalado

via pip install: pip install seaborn, e para utilizar no projeto existe uma convenção
para sintaxe: import seaborn as sns. A biblioteca conta com um repositório de
datasets que podem ser usados para explorar as funcionalidades e estão

disponíveis no endereço: https://github.com/mwaskom/seaborn-data. Vamos
carregar os dados sobre gorjetas (tips) para nosso estudo. Veja no código a seguir,
utilizamos a função load_dataset(), cujo retorno é um DataFrame pandas, para
carregar a base de dados. A seguir imprimimos as informações básicas que foram
carregadas. Temos 244 linhas e 7 colunas, cujos dados são do tipo ponto flutuante,
categóricos e um inteiro.
0
In [13]: import seaborn as sns
Ver anotações
# Configurando o visual do gráfico. Leia mais em
https://seaborn.pydata.org/generated/seaborn.set.html#seaborn.set
sns.set(style="whitegrid") # opções: darkgrid, whitegrid, dark,
white, ticks
df_tips = sns.load_dataset('tips')
print(df_tips.info())
df_tips.head()
total_bill 244 non-null float64
tip 244 non-null float64
sex 244 non-null category
smoker 244 non-null category
day 244 non-null category
time 244 non-null category
size 244 non-null int64
dtypes: category(4), float64(2), int64(1)
memory usage: 7.2 KB
None
Out[13]: total_bill tip sex smoker day time size
0 16.99 1.01 Female No Sun Dinner 2
1 10.34 1.66 Male No Sun Dinner 3
4 24.59 3.61 Female No Sun Dinner 4
O tipo de dados que uma coluna possui é muito importante para a biblioteca
seborn, uma vez que as funções usadas para construir os gráficos são dividas em
grupos: relacional, categóricos, distribuição, regressão, matriz e grids (https://seab
orn.pydata.org/api.html).
FUNÇÃO BARPLOT()
Dentro do grupo de funções para gráficos de variáveis categóricas, temos o

barplot(), que permite criar gráficos de barras, mas por que usaríamos essa função
e não a da biblioteca pandas? A resposta está nas opções de parâmetros que cada
0
biblioteca suporta. Veja o construtor da função barplot: seaborn.barplot(x=None,
Ver anotações
y=None, hue=None, data=None, order=None, hue_order=None, estimator=function
mean, ci=95, n_boot=1000, units=None, seed=None, orient=None, color=None,
palette=None, saturation=0.75, errcolor='.26', errwidth=None, capsize=None,
dodge=True, ax=None, **kwargs). Esse construtor possui uma série de parâmetros
estatísticos, que dão muita flexibilidade e poder aos cientista de dados, vamos falar
sobre o parâmetro "estimator", que por default é a função média. Isso significa que
cada barra do gráfico, exibirá a média dos valores de uma determinada coluna, o
que pode não fazer sentido, uma vez que queremos exibir a quantidade dos
valores (len) ou a soma (sum).
Para entender como esse parâmetro pode "afetar" a construção do gráfico, veja o
código a seguir. Usamos o matplotlib para construir uma figura e um eixo com três
posições. Nosso primeiro gráfico de barras (linha 3), utiliza o estimator padrão, que
sabemos que é a média. O segundo (linha 4), utiliza a função de soma como
estimator e o terceiro (linha 5), a função len, para contar. Veja no resultado como
os gráficos são diferentes. No primeiro, nos conta que a o valor médio da conta
entre homens e mulheres é próximo, embora os homens gastem um pouco mais.

Já o segundo gráfico, nos mostra que os homens gastam "muito mais", será que é
verdade? A soma da conta dos homens, de fato é superior a das mulheres, mas
será que não existem muito mais homens do que mulheres na base? O terceiro
gráfico nos conta isso, quantos homens e mulheres possuem na base.
In [14]: fig, ax = plt.subplots(1, 3, figsize=(15, 5))
sns.barplot(data=df_tips, x='sex', y='total_bill', ax=ax[0])

sns.barplot(data=df_tips, x='sex', y='total_bill', ax=ax[1],
estimator=sum)
sns.barplot(data=df_tips, x='sex', y='total_bill', ax=ax[2],
estimator=len)
Out[14]: <matplotlib.axes._subplots.AxesSubplot at 0x1cf35b313c8>
0
Ver anotações
Construir gráficos não é somente plotar imagens bonitas, existem muitos conceitos
estatísticos envolvidos e a biblioteca seaborn fornece mecanismos para que essas
informações estejam presentes nos resultados visuais.
A biblioteca seaborn integra totalmente com a matplotlib. Vamos criar um gráfico

que nos mostre o valor médio diário de venda. Veja o código a seguir, a criação do
gráfico está na linha 3, mas configuramos seu tamanho na linha 1, e das linhas 5 a
8, configuramos os rótulos e os tamanhos.
In [15]: plt.figure(figsize=(10, 5))
ax = sns.barplot(x="day", y="total_bill", data=df_tips)
ax.axes.set_title("Venda média diária", fontsize=14)

ax.set_xlabel("Dia", fontsize=14)
ax.set_ylabel("Venda média ", fontsize=14)
ax.tick_params(labelsize=14)
FUNÇÃO COUNTPLOT()
Conseguimos plotar a contagem de uma variável categórica, com a função barplot

e o estimator len, entretanto, a biblioteca seaborn possui uma função específica
para esse tipo de gráfico: seaborn.countplot(x=None, y=None, hue=None, data=None,
order=None, hue_order=None, orient=None, color=None, palette=None,
0
saturation=0.75, dodge=True, ax=None, **kwargs).
Ver anotações
Esse método não aceita que sejam passados valores de x e y ao mesmo tempo,
pois a contagem será feita sobre uma variável categórica, portanto devemos
especificar x ou y, a diferença será na orientação do gráfico. Se informamos x,
teremos uma gráfico na vertical, se y, na horizontal.

sns.countplot(data=df_tips, x="day")
Out[16]: <matplotlib.axes._subplots.AxesSubplot at 0x1cf35ad2e80>
Vamos plotar mais um gráfico de contagem para mostrar o poder de um único

parâmetro. O parâmetro hue é usado como entrada de dados, pois irá discriminar
no gráfico a variável atribuída ao parâmetro. Para entendermos, vamos plotar a
quantidade de pessoas por dia, mas discriminado por genêro, quantos homens e
mulheres estiveram presentes em cada dia? Veja no código a seguir, a única
diferença é o parâmetro.

sns.countplot(data=df_tips, x="day", hue="sex")
Out[17]: <matplotlib.axes._subplots.AxesSubplot at 0x1cf35ba9240>
0
Ver anotações
FUNÇÃO SCARTTERPLOT()
Os gráficos do grupo relacional, permitem avaliar, de forma visual a relação entre

duas variáveis: x, y. A função possui a seguinte sintaxe: seaborn.scatterplot(x=None,
y=None, hue=None, style=None, size=None, data=None, palette=None,
hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None,
markers=True, style_order=None, x_bins=None, y_bins=None, units=None,
estimator=None, ci=95, n_boot=1000, alpha='auto', x_jitter=None, y_jitter=None,
legend='brief', ax=None, **kwargs).
Vamos construir um gráfico que permita avaliar se existe uma relação entre o valor
da conta e da gorjeta. Será que quem gastou mais também deu mais gorjeta? Veja
o código a seguir, invocamos a função passando o valor da conta como parâmetro
para x e a gorjeta para y. Agora vamos avaliar o resultado. Cada "bolinha"
representa uma conta paga e uma gorjeta, por exemplo, a bolinha mais a direita,
podemos interpretar que para uma conta de aproximadamente 50 e poucos
doláres foi dada uma gorjeta de 10. Olhando para o gráfico, parece quanto maior o
valor da conta, maior foi o valor da gorjeta. Esse comportamento é chamado de
relação linear, pois conseguimos traçar uma reta entre os pontos, descrevendo seu
comportamento através de uma função linear.

sns.scatterplot(data=df_tips, x="total_bill", y="tip")
Out[18]: <matplotlib.axes._subplots.AxesSubplot at 0x1cf35c7e908>
0
Ver anotações
O gráfico scatterplot é muito utilizado por cientistas de dados que estão buscando
por padrões nos dados. O padrão observado no gráfico, que mostra a relação
entre o valor da conta e da gorjeta, pode ser um forte indício que, caso o cientista
precise escolher um algoritmo de aprendizado de máquina para prever a
quantidade de gorjeta que um cliente dará, ele poderá uma regressão linear.
O universo dos dados é cada vez mais requisitado nas empresas, se você gostou
do que aprendemos, não deixe de investir mais tempo em estudo e treinamento,
pois há muito o que se aprender!
IPython Development Team. Built-in magic commands. Disponível em: https://ipyth

on.readthedocs.io/en/stable/interactive/magics.html. Acesso em: 17 jun. 2020.
Matplotlib development team. matplotlib.pyplot. Disponível em: (https://matplotlib.

org/api/_as_gen/matplotlib.pyplot.html) Acesso em: 27 jun. 2020.
Michael Waskom. seaborn. Disponível em: (https://seaborn.pydata.org/api.html)

Acesso em: 27 jun. 2020.
Pandas Team. pandas.DataFrame.plot. Disponível em: https://pandas.pydata.org/p

andas-docs/stable/reference/api/pandas.DataFrame.plot.html. Acesso em: 27 jun.
2020.
Secretaria de Tecnologia da Informação, Ministério do Planejamento,
Desenvolvimento e Gestão. Conjuntos de dados. Disponível em: https://www.dado

s.gov.br/dataset. Acesso em: 27 jun. 2020.
0
Ver anotações
VISUALIZAÇÃO DE DADOS EM PYTHON
0
Ver anotações
ANÁLISE E APRESENTAÇÃO DE DADOS
As bibliotecas pandas, matplotlib e seaborn podem ser utilizadas para o carregamento dos
dados e a geração dos gráficos.
DESAFIO
alocado em um projeto para uma empresa de telecomunicações. Essa empresa

tem interesse em habilitar um novo serviço, mas antes precisa entender qual a
https://www.colaboraread.com.br/integracaoAlgetec/index?usuarioEmail=brennernunes78%40gmail.com&usuarioNome=BRENNER+NUNES+GRANJEIRO&disciplinaDescricao=&atividadeId=3684107&atividadeDes… 1/8
disponibilidade dos satélites autorizados a operar no Brasil. Para a primeira sprint
(período de 15 dias de trabalho), você foi encarregado de apresentar, uma análise

preliminar da situação dos satélites.
0
Nessa primeira entrega, você deve apresentar a comparação da quantidade de
satélites que são brasileiros, dos que são estrangeiros. Dentre os satélites
Ver anotações
brasileiros, você deve discriminar a quantidade de cada operadora comercial, bem
como a quantidade de satélites operando em cada banda. As mesmas análises

devem ser feitas para os satélites que pertencem a outros países.
Onde esses dados podem ser encontrados? Qual a melhor forma de apresentar os
resultados, basta levar os números? Qual biblioteca pode ser usada para resolver o
desafio?
RESOLUÇÃO
Um dos grandes desafios nessa primeira entrega é encontrar uma fonte confiável
de dados.
No endereço https://www.dados.gov.br/dataset, existe uma categoria específica

para esse tipo de informação: Agência Nacional de Telecomunicações - Anatel.
Dentro dessa categoria encontramos um arquivo delimitado (csv) com a relação de

satélites autorizados a operar no Brasil: https://www.dados.gov.br/dataset/relacao-
de-satelites-geoestacionarios-autorizados-a-operar-no-brasil, basta clicar no
recurso e fazer download para a pasta do projeto.
Agora que identificamos uma fonte confiável podemos usar as bibliotecas pandas,
matplotlib e seaborn para carregar os dados e gerar gráficos que contemplem as
informações solicitadas.

import matplotlib.pyplot as plt
import seaborn as sns
Vamos carregar os dados em um DataFrame pandas, chamado df_satelites. Os

dados possuem como delimitador ";", logo é preciso informar ao método read_csv
esse parâmetro. Também é preciso garantir que linhas duplicadas sejam
removidas (linha 2) e para ter os índices variando de 0 até N, vamos resetar (linha
0
3).
Ver anotações
Como resultado temos um DF com 68 linhas e 7 colunas.
In [20]: df_satelites = pd.read_csv('satelites_operando_comercialmente.csv',

sep=';')
df_satelites.drop_duplicates(inplace=True)
df_satelites.reset_index(drop=True, inplace=True)
print(df_satelites.info())
df_satelites.head()
Satelite operando 68 non-null object
Órbita 68 non-null object
Bandas 68 non-null object
Status do Satélite 68 non-null object
Pos. Orbital 68 non-null object
Direito 68 non-null object
Operadora Comercial 68 non-null object
dtypes: object(7)
None
Out[20]: Satelite Status do Pos.

Órbita Bandas Direito Operadora Comercial
operando Satélite Orbital
Satélite
EUTELSAT 65 C (AP30B), Ku (AP30B), operação
0 Geoestacionário 65ºO Brasileiro EUTELSAT DO BRASIL LTDA
West A Ka comercial
(GEO)
Satélite
HISPASAT operação
1 Geoestacionário Ku (AP30/30A) 74ºO Brasileiro HISPAMAR SATELITES S.A.
74W-1 comercial
(GEO)
Satélite
operação
2 AL YAH 3 Geoestacionário Ka 20ºO Brasileiro YAH TELECOMUNICAÇÕES LTDA
comercial
(GEO)
Satélite
operação TELECOMUNICACOES
3 SGDC Geoestacionário Ka 75ºO Brasileiro
comercial BRASILEIRAS SA TELEBRAS
(GEO)
Satélite
C (não planejada), Ku operação
4 SES-14 Geoestacionário 47,5ºO Brasileiro SES DTH DO BRASIL LTDA
(não planejada), Ka comercial
(GEO)
Agora vamos criar um gráfico que faz a contagem e visualmente, faz a comparação
entre a quantidade de satélites brasileiros e estrangeiros. Podemos usar o
countplot(), passando como parâmetros o DF e a coluna 'Direito', como variável

categórica a ser contada. Também podemos usar os recursos da biblioteca
0
matplotlib para configurar o tamanho da figura e dos textos nos eixos.
Ver anotações
In [21]: # Quantos satélites são brasileiros e quantos são estrangeiro?
plt.figure(figsize=(5,3))
plt.tick_params(labelsize=12)
sns.countplot(data=df_satelites, x='Direito')
Out[21]: <matplotlib.axes._subplots.AxesSubplot at 0x1cf35cfdbe0>
Agora vamos extrair as informações sobre os satélites brasileiros. Para facilitar,

vamos criar um novo DataFrame aplicando um filtro. Veja na linha 13, que o DF
df_satelites_brasileiros, será um filtro do DF df_satelites onde somente os
brasileiros estarão presentes. Agora, podemos usar o countplot no
df_satelites_brasileiros para contar quantos satélites cada operadora comercial no

Brasil possui (linha 8). Como o nome das operadoras é longo, vamos pedir para
exibir na vertical, por isso configuramos a rotação do "xticks" na linha 6. Na linha 7
configuramos o tamanho dos textos nos eixos.
In [22]: # quantos satétiles cada operadora brasileira possui operando?
df_satelites_brasileiros = df_satelites.loc[df_satelites['Direito']
== 'Brasileiro']
plt.xticks(rotation=90)
sns.countplot(data=df_satelites_brasileiros, x='Operadora
Comercial')
Out[22]: <matplotlib.axes._subplots.AxesSubplot at 0x1cf36eb4e10>
0
Ver anotações
Para saber quantos satélites brasileiros estão operando em cada banda, vamos
usar o countplot, passando como parâmetro o df_satelites_brasileiros e a coluna
'Bandas'. Novamente foi necessário configurar o texto nos eixos.
In [23]: # Quantos satélites brasileiros estão operando em cada banda?
sns.countplot(data=df_satelites_brasileiros, x='Bandas')
Out[23]: <matplotlib.axes._subplots.AxesSubplot at 0x1cf33aeb588>
0
Ver anotações
Agora vamos repetir os mesmos processos para os satélites estrangeiros,
começando pela criação de um DataFrame que contenha somente as informações
sobre eles (linha 3). Esse primeiro gráfico mostra quantos satélites cada operadora
estrangeira possui em operação.
In [24]: # Quantos satétiles cada operadora estrangeira possui operando?
df_satelites_estrangeiros = df_satelites.loc[df_satelites['Direito']
== 'Estrangeiro']
sns.countplot(data=df_satelites_estrangeiros, x='Operadora
Comercial')
Out[24]: <matplotlib.axes._subplots.AxesSubplot at 0x1cf36f5ab70>
0
Ver anotações
Agora vamos plotar quantos satélites estrangeiros estão operando em cada banda.
In [25]: # Quantos satélites brasileiros estão operando em cada banda?
sns.countplot(data=df_satelites_estrangeiros, x='Bandas')
Out[25]: <matplotlib.axes._subplots.AxesSubplot at 0x1cf36f4da20>
0
Ver anotações
Com essas informações o cliente começará a ter argumentos para a escolha de
uma operadora e banda que deseja contratar. Que tal personalizar um pouco mais
o tamanho das legendas, criar títulos para os gráficos?
DESAFIO DA INTERNET

endereço https://www.kaggle.com/datasets, faço seu cadastro e escolha uma base
de dados para treinar e desenvolver seu conhecimento sobre visualização de

dados.

Introducao Analise de Dados

Enviado por

Direitos autorais:

Formatos disponíveis

Introducao Analise de Dados

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Introducao Analise de Dados

Enviado por

Direitos autorais:

Formatos disponíveis

20/08/2020 npf_ldkls202_u4s1_lin_pro

NÃO PODE FALTAR

INTRODUÇÃO A BIBLIOTECA PANDAS

Deseja ouvir este material?

Áudio disponível no material digital.

INTRODUÇÃO A BIBLIOTECA PANDAS

Dentre as diversas bibliotecas disponíveis no repositório PyPI, pandas é um pacote

dados estruturados (tabelas) e de séries temporais (https://pandas.pydata.org/doc

s/getting_started/overview.html). Esse pacote começou a ser desenvolvido em

projeto pandas é patrocinado pela NumFOCUS (https://pandas.pydata.org/about/).

Além disso, ele tem o objetivo mais amplo de se tornar a ferramenta de

análise/manipulação de dados de código aberto, mais poderosa e ﬂexível

momento em que esse material está sendo produzido, a biblioteca encontra-se na

versão 1.0.4 e teve sua última atualização disponibilizada no dia 29 de maio de

diferentes tipos de dados. Um DataFrame é conjunto de Series, ou como a

Series possui somente "uma coluna" de informação e seus rótulos (índices). Um

Figura 4.2 - Series (A) e DataFrame (B)

Fonte: elaborada pela autora.

Para ﬁnalizar nossa introdução ao paradigma OO, vamos falar do polimorﬁsmo.

Começaremos aprendendo a criar Series e DataFrames, a partir de estruturas de

trabalhar com fontes externas de dados. Após criarmos as estruturas do pandas,

informações gerais da estrutura e selecionar colunas especíﬁcas.

sobre a biblioteca pandas. Recomendamos a cheat sheet oﬁcial da

biblioteca, disponível no endereço https://pandas.pydata.org/Pandas_Cheat

funcionalidades, vamos utilizar a sintaxe pd.funcionalidade.

In [1]: import pandas as pd

Para construir um objeto do tipo Series, precisamos utilizar o método Series() do

pacote pandas. O método possui o seguinte construtor: pandas.Series(data=None,

index=None, dtype=None, name=None, copy=False, fastpath=False). Veja que todos os

parâmetros possuem valores padrões (default) o que permite instanciar um objeto

de diferentes formas. Para endender cada parâmetro, a melhor fonte de

informações é a documentação oﬁcial: https://pandas.pydata.org/pandas-docs/sta

Dentre todos os parâmetros esperados, somente um é obrigatório para se criar

valor (inteiro, string, ﬂoat), uma lista de valores, ou um dicionário, vejamos os

In [2]: pd.Series(data=5) # Cria uma Series com o valor a

In [3]: lista_nomes = 'Howard Ian Peter Jonah Kellie'.split()

pd.Series(dados) # Cria uma Series com um dicionário

Out[4]: nome1 Howard

int64, nesse caso, já que temos somente um valor inteiro no objeto.

representar texto ou valores numéricos e não numéricos combinados.

Na entrada 4, criamos uma Series a partir de um dicionário, a grande diferença

Outra forma de construir a Series é passando os dados e os rótulos que desejamos

In [5]: cpfs = '111.111.111-11 222.222.222-22 333.333.333-33 444.444.444-44

Out[5]: 111.111.111-11 Howard

Rotular as Series (e como veremos os DataFrames), é interessante para facilitar a

uma variável chamada series_dados. Na linha 3, com o atributo loc, localizamos a

In [6]: series_dados = pd.Series(lista_nomes, index=cpfs)

EXTRAINDO INFORMAÇÕES DE UMA SERIES

diferentes estruturas possuem diferentes atributos e métodos. Com as estruturas

números e um valor nulo (None). As informações extraídas das linhas 3 a 7, são

In [7]: series_dados = pd.Series([10.2, -1, None, 15, 23.4])

print('Quantidade de linhas = ', series_dados.shape) # Retorna uma

print('Qual o menor valor?', series_dados.min()) # Extrai o menor

print('\nResumo:\n', series_dados.describe()) # Exibe um resumo

Quantidade de linhas = (5,)

Para construir um objeto do tipo DataFrame, precisamos utilizar o método

copy=False). Veja que todos os parâmetros possuem valores padrões (default) o

que permite instanciar um objeto de diferentes formas. Para endender cada

parâmetro, a melhor fonte de informações é a documentação oﬁcial: https://panda

Dentre todos os parâmetros esperados, somente um é obrigatório para se criar