Introdução ao NumPy e Pandas com Exemplos Práticos e Visualização de Dados
O NumPy e o pandas são bibliotecas essenciais para análise de dados em Python, e a biblioteca matplotlib complementa essa análise com poderosas ferramentas de visualização. Neste artigo, vamos explorar o uso do NumPy, pandas e matplotlib com 25 exemplos práticos, incluindo leitura e escrita de arquivos.
O que é NumPy?
O NumPy é uma biblioteca fundamental para a computação científica em Python. Ele oferece suporte para arrays multidimensionais e funções matemáticas avançadas.
O que é Pandas?
O pandas é uma biblioteca para manipulação e análise de dados, ideal para trabalhar com dados tabulares.
O que é Matplotlib?
O matplotlib é uma biblioteca de visualização de dados que permite criar gráficos estáticos, animados e interativos em Python.
Exemplos Práticos
1. Instalando as Bibliotecas
Para começar, você precisa instalar as bibliotecas necessárias. Use o pip:
pip install numpy pandas matplotlib
2. Criando Arrays com NumPy
Exemplo 1: Criando um array 1D
import numpy as np
arr = np.arange(5)
print(arr)
Exemplo 2: Criando um array 2D
import numpy as np
matrix = np.array([[1, 2, 3], [4, 5, 6]])
print(matrix)
Exemplo 3: Operações elementares
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
squared = np.power(arr, 2)
print(squared)
Exemplo 4: Estatísticas básicas
import numpy as np
data = np.array([10, 20, 30, 40, 50])
mean = np.mean(data)
std_dev = np.std(data)
print(f"Mean: {mean}, Std Dev: {std_dev}")
Exemplo 5: Transpondo uma matriz
import numpy as np
matrix = np.array([[1, 2, 3], [4, 5, 6]])
transposed = np.transpose(matrix)
print(transposed)
3. Trabalhando com DataFrames no pandas
Exemplo 6: Criando um DataFrame
import pandas as pd
data = {
'Name': ['Alice', 'Bob', 'Charlie'],
'Age': [25, 30, 35],
'City': ['New York', 'Los Angeles', 'Chicago']
}
df = pd.DataFrame(data)
print(df)
Exemplo 7: Ler dados de um arquivo CSV
import pandas as pd
df = pd.read_csv('data.csv')
print(df.head())
Exemplo 8: Filtrando dados
import pandas as pd
df = pd.DataFrame({
'Name': ['Alice', 'Bob', 'Charlie'],
'Age': [25, 30, 35]
})
filtered_df = df[df['Age'] > 30]
print(filtered_df)
Exemplo 9: Agrupando dados
import pandas as pd
df = pd.DataFrame({
'Name': ['Alice', 'Bob', 'Charlie', 'David'],
'Age': [25, 30, 35, 40],
'City': ['New York', 'Los Angeles', 'New York', 'Chicago']
})
grouped = df.groupby('City')['Age'].mean()
print(grouped)
Exemplo 10: Preenchendo valores faltantes
import pandas as pd
import numpy as np
df = pd.DataFrame({
'Name': ['Alice', 'Bob', 'Charlie'],
'Age': [25, np.nan, 35]
})
df_filled = df.fillna(df['Age'].mean())
print(df_filled)
Exemplo 11: Removendo valores faltantes
import pandas as pd
df = pd.DataFrame({
'Name': ['Alice', 'Bob', 'Charlie'],
'Age': [25, None, 35]
})
df_dropped = df.dropna()
print(df_dropped)
Exemplo 12: Ordenando dados
import pandas as pd
df = pd.DataFrame({
'Name': ['Alice', 'Bob', 'Charlie'],
'Age': [25, 30, 35]
})
df_sorted = df.sort_values(by='Age')
print(df_sorted)
Exemplo 13: Adicionando uma nova coluna
import pandas as pd
df = pd.DataFrame({
'Name': ['Alice', 'Bob', 'Charlie'],
'Age': [25, 30, 35]
})
df['Country'] = ['USA', 'USA', 'USA']
print(df)
Exemplo 14: Calculando a soma acumulada
import pandas as pd
df = pd.DataFrame({
'Value': [1, 2, 3, 4, 5]
})
df['Cumulative Sum'] = df['Value'].cumsum()
print(df)
4. Visualizando Dados com Matplotlib
Exemplo 15: Criando um gráfico de linha
import matplotlib.pyplot as plt
import pandas as pd
df = pd.DataFrame({
'Year': [2018, 2019, 2020, 2021],
'Sales': [100, 150, 200, 250]
})
plt.plot(df['Year'], df['Sales'])
plt.xlabel('Year')
plt.ylabel('Sales')
plt.title('Sales Over Time')
plt.show()
Exemplo 16: Criando um gráfico de dispersão
import matplotlib.pyplot as plt
import pandas as pd
df = pd.DataFrame({
'X': [1, 2, 3, 4, 5],
'Y': [2, 3, 5, 7, 11]
})
plt.scatter(df['X'], df['Y'])
plt.xlabel('X')
plt.ylabel('Y')
plt.title('Scatter Plot')
plt.show()
Exemplo 17: Criando um histograma
import matplotlib.pyplot as plt
import numpy as np
data = np.random.randn(1000)
plt.hist(data, bins=30, edgecolor='k')
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.title('Histogram')
plt.show()
Exemplo 18: Criando um gráfico de barras
import matplotlib.pyplot as plt
import pandas as pd
df = pd.DataFrame({
'Category': ['A', 'B', 'C', 'D'],
'Values': [4, 7, 1, 8]
})
plt.bar(df['Category'], df['Values'])
plt.xlabel('Category')
plt.ylabel('Values')
plt.title('Bar Chart')
plt.show()
Exemplo 19: Criando um gráfico de pizza
import matplotlib.pyplot as plt
sizes = [30, 25, 20, 25]
labels = ['A', 'B', 'C', 'D']
plt.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=140)
plt.title('Pie Chart')
plt.show()
Exemplo 20: Salvando gráficos em arquivos
import matplotlib.pyplot as plt
import pandas as pd
df = pd.DataFrame({
'Year': [2018, 2019, 2020, 2021],
'Sales': [100, 150, 200, 250]
})
plt.plot(df['Year'], df['Sales'])
plt.xlabel('Year')
plt.ylabel('Sales')
plt.title('Sales Over Time')
plt.savefig('sales_over_time.png')
5. Leitura e Escrita de Arquivos
Exemplo 21: Lendo um arquivo Excel
import pandas as pd
df = pd.read_excel('data.xlsx')
print(df.head())
Exemplo 22: Escrevendo um DataFrame para um arquivo CSV
import pandas as pd
df = pd.DataFrame({
'Name': ['Alice', 'Bob', 'Charlie'],
'Age': [25, 30, 35]
})
df.to_csv('output.csv', index=False)
Exemplo 23: Escrevendo um DataFrame para um arquivo Excel
import pandas as pd
df = pd.DataFrame({
'Name': ['Alice', 'Bob', 'Charlie'],
'Age': [25, 30, 35]
})
df.to_excel('output.xlsx', index=False)
Exemplo 24: Lendo um arquivo JSON
import pandas as pd
df = pd.read_json('data.json')
print(df.head())
Exemplo 25: Escrevendo um DataFrame para um arquivo JSON
pythonCopy codeimport pandas as pd
df = pd.DataFrame({
'Name': ['Alice', 'Bob', 'Charlie'],
'Age': [25, 30, 35]
})
df.to_json('output.json', orient='records', lines
edvaldo b. guimarães filho 
Leave a comment