edvaldo b. guimarães filho

Simulação de Temperatura nas Capitais Brasileiras

Simulação de Temperatura nas Capitais Brasileiras

Introdução

Neste artigo, vamos simular dados de temperatura para as principais capitais brasileiras nos últimos 10 anos utilizando as bibliotecas pandas e numpy do Python. Vamos demonstrar como criar gráficos de linha para visualizar a distribuição da temperatura ao longo dos anos e dos meses. Adicionalmente, vamos calcular a média e o desvio padrão de variáveis importantes como temperatura por cidade e ano/mês, utilizando funções e dicionários de dados para organizar e manipular os dados de forma mais eficiente.

Simulação de Dados

Primeiro, vamos simular os dados de temperatura:

import pandas as pd
import numpy as np

# Simular dados de temperatura para as principais capitais brasileiras nos últimos 10 anos
capitais = ['São Paulo', 'Rio de Janeiro', 'Belo Horizonte', 'Brasília', 'Salvador', 'Fortaleza', 'Curitiba', 'Manaus', 'Recife', 'Porto Alegre']
anos = pd.date_range(start='2012-01-01', end='2022-12-31', freq='D')

# Função para gerar temperaturas aleatórias
def gerar_temperaturas(capitais, anos):
    np.random.seed(42)
    dados = []
    for cidade in capitais:
        temperaturas = np.random.normal(loc=25, scale=5, size=len(anos))
        for data, temp in zip(anos, temperaturas):
            dados.append([cidade, data, temp])
    return pd.DataFrame(dados, columns=['Cidade', 'Data', 'Temperatura'])

# Gerar o DataFrame com os dados simulados
df = gerar_temperaturas(capitais, anos)

Funções para Manipulação de Dados

As funções são blocos de código reutilizáveis que realizam tarefas específicas. Elas ajudam a organizar o código, tornando-o mais legível e fácil de manter. Vamos definir algumas funções para manipular os dados de forma mais eficiente:

def converter_data(df, coluna_data):
    df[coluna_data] = pd.to_datetime(df[coluna_data])
    return df

def adicionar_coluna_ano(df, coluna_data):
    df['ANO'] = df[coluna_data].dt.year
    return df

def adicionar_coluna_mes(df, coluna_data):
    df['MES'] = df[coluna_data].dt.month
    return df

Aplicando as Funções

Vamos aplicar as funções definidas para converter a coluna de data, adicionar a coluna de ano e a coluna de mês:

df = converter_data(df, 'Data')
df = adicionar_coluna_ano(df, 'Data')
df = adicionar_coluna_mes(df, 'Data')

Uso de Dicionários de Dados

Os dicionários de dados são uma ferramenta poderosa para organizar e manipular dados de forma eficiente. Eles permitem armazenar e acessar informações de maneira estruturada e rápida. Vamos criar um dicionário de dados para armazenar as colunas do DataFrame e suas descrições:

dicionario_dados = {
    'Cidade': 'Nome da cidade',
    'Data': 'Data da medição',
    'Temperatura': 'Temperatura medida em °C',
    'ANO': 'Ano da medição extraído da coluna Data',
    'MES': 'Mês da medição extraído da coluna Data'
}

# Exibir o dicionário de dados
for coluna, descricao in dicionario_dados.items():
    print(f"{coluna}: {descricao}")

Visualizando Dados com Gráficos de Linha

Gráfico de Linha – Distribuição da Temperatura ao longo dos Anos para cada Cidade

Vamos criar um gráfico de linha para mostrar a distribuição da temperatura ao longo dos anos para cada cidade:

import matplotlib.pyplot as plt

def grafico_linha_anos(df):
    plt.figure(figsize=(15, 5))
    for cidade in df['Cidade'].unique():
        plt.plot(df[df['Cidade'] == cidade]['Data'], 
                 df[df['Cidade'] == cidade]['Temperatura'], 
                 label=cidade)
    plt.xlabel('Ano')
    plt.ylabel('Temperatura (°C)')
    plt.title('Distribuição da Temperatura ao longo dos Anos para cada Cidade')
    plt.legend(loc='upper right')
    plt.tight_layout()
    plt.show()

grafico_linha_anos(df)

!Gráfico de Linha – Distribuição da Temperatura ao longo dos Anos para cada Cidade

Gráfico de Linha – Distribuição da Temperatura ao longo dos Meses para cada Cidade

Vamos criar um gráfico de linha para mostrar a distribuição da temperatura ao longo dos meses para cada cidade:

def grafico_linha_meses(df):
    plt.figure(figsize=(15, 5))
    for cidade in df['Cidade'].unique():
        plt.plot(df[df['Cidade'] == cidade]['MES'], 
                 df[df['Cidade'] == cidade]['Temperatura'], 
                 label=cidade)
    plt.xlabel('Mês')
    plt.ylabel('Temperatura (°C)')
    plt.title('Distribuição da Temperatura ao longo dos Meses para cada Cidade')
    plt.legend(loc='upper right')
    plt.tight_layout()
    plt.show()

grafico_linha_meses(df)

!Gráfico de Linha – Distribuição da Temperatura ao longo dos Meses para cada Cidade

Calculando Estatísticas

Média e Desvio Padrão da Temperatura por Cidade e Ano

Para calcular a média e o desvio padrão da temperatura por cidade e ano, podemos usar:

def calcular_estatisticas(df, grupo_por, coluna):
    estatisticas = df.groupby(grupo_por)[coluna].agg(['mean', 'std']).reset_index()
    return estatisticas

estatisticas_ano = calcular_estatisticas(df, ['Cidade', 'ANO'], 'Temperatura')
print("\nEstatísticas da Temperatura por Cidade e Ano:")
print(estatisticas_ano)

Média e Desvio Padrão da Temperatura por Cidade e Mês

Para calcular a média e o desvio padrão da temperatura por cidade e mês, podemos usar:

estatisticas_mes = calcular_estatisticas(df, ['Cidade', 'MES'], 'Temperatura')
print("\nEstatísticas da Temperatura por Cidade e Mês:")
print(estatisticas_mes)

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

Simular dados de temperatura para as principais capitais brasileiras nos últimos 10 anos

capitais = [‘São Paulo’, ‘Rio de Janeiro’, ‘Belo Horizonte’, ‘Brasília’, ‘Salvador’, ‘Fortaleza’, ‘Curitiba’, ‘Manaus’, ‘Recife’, ‘Porto Alegre’]
anos = pd.date_range(start=’2012-01-01′, end=’2022-12-31′, freq=’D’)

Função para gerar temperaturas aleatórias

def gerar_temperaturas(capitais, anos):
np.random.seed(42)
dados = []
for cidade in capitais:
temperaturas = np.random.normal(loc=25, scale=5, size=len(anos))
for data, temp in zip(anos, temperaturas):
dados.append([cidade, data, temp])
return pd.DataFrame(dados, columns=[‘Cidade’, ‘Data’, ‘Temperatura’])

Gerar o DataFrame com os dados simulados

df = gerar_temperaturas(capitais, anos)

Funções para Manipulação de Dados

def converter_data(df, coluna_data):
df[coluna_data] = pd.to_datetime(df[coluna_data])
return df

def adicionar_coluna_ano(df, coluna_data):
df[‘ANO’] = df[coluna_data].dt.year
return df

def adicionar_coluna_mes(df, coluna_data):
df[‘MES’] = df[coluna_data].dt.month
return df

Aplicar as funções definidas

df = converter_data(df, ‘Data’)
df = adicionar_coluna_ano(df, ‘Data’)
df = adicionar_coluna_mes(df, ‘Data’)

Uso de Dicionários de Dados

dicionario_dados = {
‘Cidade’: ‘Nome da cidade’,
‘Data’: ‘Data da medição’,
‘Temperatura’: ‘Temperatura medida em °C’,
‘ANO’: ‘Ano da medição extraído da coluna Data’,
‘MES’: ‘Mês da medição extraído da coluna Data’
}

Exibir o dicionário de dados

for coluna, descricao in dicionario_dados.items():
print(f”{coluna}: {descricao}”)

Visualizando Dados com Gráficos de Linha

Gráfico de Linha – Distribuição da Temperatura ao longo dos Anos para cada Cidade

def grafico_linha_anos(df):
plt.figure(figsize=(15, 5))
for cidade in df[‘Cidade’].unique():
plt.plot(df[df[‘Cidade’] == cidade][‘Data’],
df[df[‘Cidade’] == cidade][‘Temperatura’],
label=cidade)
plt.xlabel(‘Ano’)
plt.ylabel(‘Temperatura (°C)’)
plt.title(‘Distribuição da Temperatura ao longo dos Anos para cada Cidade’)
plt.legend(loc=’upper right’)
plt.tight_layout()
plt.show()

grafico_linha_anos(df)

Gráfico de Linha – Distribuição da Temperatura ao longo dos Meses para cada Cidade

def grafico_linha_meses(df):
plt.figure(figsize=(15, 5))
for cidade in df[‘Cidade’].unique():
plt.plot(df[df[‘Cidade’] == cidade][‘MES’],
df[df[‘Cidade’] == cidade][‘Temperatura’],
label=cidade)
plt.xlabel(‘Mês’)
plt.ylabel(‘Temperatura (°C)’)
plt.title(‘Distribuição da Temperatura ao longo dos Meses para cada Cidade’)
plt.legend(loc=’upper right’)
plt.tight_layout()
plt.show()

grafico_linha_meses(df)

Calculando Estatísticas

Média e Desvio Padrão da Temperatura por Cidade e Ano

def calcular_estatisticas(df, grupo_por, coluna):
estatisticas = df.groupby(grupo_por)[coluna].agg([‘mean’, ‘std’]).reset_index()
return estatisticas

estatisticas_ano = calcular_estatisticas(df, [‘Cidade’, ‘ANO’], ‘Temperatura’)
print(“\nEstatísticas da Temperatura por Cidade e Ano:”)
print(estatisticas_ano)

estatisticas_mes = calcular_estatisticas(df, [‘Cidade’, ‘MES’], ‘Temperatura’)
print(“\nEstatísticas da Temperatura por Cidade e Mês:”)
print(estatisticas_mes)

Conclusão

Neste artigo, demonstramos como simular dados de temperatura para as principais capitais brasileiras nos últimos 10 anos utilizando as bibliotecas pandas e numpy do Python. Mostramos como criar gráficos de linha para visualizar a distribuição da temperatura ao longo dos anos e dos meses. Adicionalmente, calculamos a média e o desvio padrão de variáveis importantes como temperatura por cidade e ano/mês, utilizando funções e dicionários de dados para organizar e manipular os dados de forma mais eficiente.

Links Úteis

Código

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# Simular dados de temperatura para as principais capitais brasileiras nos últimos 10 anos
capitais = ['São Paulo', 'Rio de Janeiro', 'Belo Horizonte', 'Brasília', 'Salvador', 'Fortaleza', 'Curitiba', 'Manaus', 'Recife', 'Porto Alegre']
anos = pd.date_range(start='2012-01-01', end='2022-12-31', freq='D')

# Função para gerar temperaturas aleatórias
def gerar_temperaturas(capitais, anos):
    np.random.seed(42)
    dados = []
    for cidade in capitais:
        temperaturas = np.random.normal(loc=25, scale=5, size=len(anos))
        for data, temp in zip(anos, temperaturas):
            dados.append([cidade, data, temp])
    return pd.DataFrame(dados, columns=['Cidade', 'Data', 'Temperatura'])

# Gerar o DataFrame com os dados simulados
df = gerar_temperaturas(capitais, anos)

# Funções para Manipulação de Dados
def converter_data(df, coluna_data):
    df[coluna_data] = pd.to_datetime(df[coluna_data])
    return df

def adicionar_coluna_ano(df, coluna_data):
    df['ANO'] = df[coluna_data].dt.year
    return df

def adicionar_coluna_mes(df, coluna_data):
    df['MES'] = df[coluna_data].dt.month
    return df

# Aplicar as funções definidas
df = converter_data(df, 'Data')
df = adicionar_coluna_ano(df, 'Data')
df = adicionar_coluna_mes(df, 'Data')

# Uso de Dicionários de Dados
dicionario_dados = {
    'Cidade': 'Nome da cidade',
    'Data': 'Data da medição',
    'Temperatura': 'Temperatura medida em °C',
    'ANO': 'Ano da medição extraído da coluna Data',
    'MES': 'Mês da medição extraído da coluna Data'
}

# Exibir o dicionário de dados
for coluna, descricao in dicionario_dados.items():
    print(f"{coluna}: {descricao}")

# Visualizando Dados com Gráficos de Linha

# Gráfico de Linha - Distribuição da Temperatura ao longo dos Anos para cada Cidade
def grafico_linha_anos(df):
    plt.figure(figsize=(15, 5))
    for cidade in df['Cidade'].unique():
        plt.plot(df[df['Cidade'] == cidade]['Data'], 
                 df[df['Cidade'] == cidade]['Temperatura'], 
                 label=cidade)
    plt.xlabel('Ano')
    plt.ylabel('Temperatura (°C)')
    plt.title('Distribuição da Temperatura ao longo dos Anos para cada Cidade')
    plt.legend(loc='upper right')
    plt.tight_layout()
    plt.show()

grafico_linha_anos(df)

# Gráfico de Linha - Distribuição da Temperatura ao longo dos Meses para cada Cidade
def grafico_linha_meses(df):
    plt.figure(figsize=(15, 5))
    for cidade in df['Cidade'].unique():
        plt.plot(df[df['Cidade'] == cidade]['MES'], 
                 df[df['Cidade'] == cidade]['Temperatura'], 
                 label=cidade)
    plt.xlabel('Mês')
    plt.ylabel('Temperatura (°C)')
    plt.title('Distribuição da Temperatura ao longo dos Meses para cada Cidade')
    plt.legend(loc='upper right')
    plt.tight_layout()
    plt.show()

grafico_linha_meses(df)

# Calculando Estatísticas

# Média e Desvio Padrão da Temperatura por Cidade e Ano
def calcular_estatisticas(df, grupo_por, coluna):
    estatisticas = df.groupby(grupo_por)[coluna].agg(['mean', 'std']).reset_index()
    return estatisticas

estatisticas_ano = calcular_estatisticas(df, ['Cidade', 'ANO'], 'Temperatura')
print("\nEstatísticas da Temperatura por Cidade e Ano:")
print(estatisticas_ano)

estatisticas_mes = calcular_estatisticas(df, ['Cidade', 'MES'], 'Temperatura')
print("\nEstatísticas da Temperatura por Cidade e Mês:")
print(estatisticas_mes)



### Links Úteis

- [Documentação Oficial do Python](https://docs.python.org/3/)
- [Documentação Oficial do Pandas](https://pandas.pydata.org/pandas-docs/stable/)
- [Documentação Oficial do Numpy](https://numpy.org/doc/)
- [Documentação Oficial do Matplotlib](https://matplotlib.org/stable/contents.html)
- [W3Schools - Python](https://www.w3schools.com/python/)

Conclusão

Neste artigo, demonstramos como simular dados de temperatura para as principais capitais brasileiras nos últimos 10 anos utilizando as bibliotecas pandas e numpy do Python. Mostramos como criar gráficos de linha para visualizar a distribuição da temperatura ao longo dos anos e dos meses. Adicionalmente, calculamos a média e o desvio padrão de variáveis importantes como temperatura por cidade e ano/mês, utilizando funções e dicionários de dados para organizar e manipular os dados de forma mais eficiente.

Edvaldo Guimrães Filho Avatar

Published by

Edvaldo Guimrães Filho
With over 30 years of professional experience as a System and Business Analyst, Project Manager, and Technical Marketing and Sales Support Leader, including 20 years specializing in SharePoint and 5 years in Business AI Transformation, I have worked across various industries and markets. I have had the privilege of collaborating with top 500 Brazilian companies such as DASA, Siemens, Telefónica, Heineken, K2, Comgas/Raízen/Shell, Cognizant, Coty, Hypermarcas, Banco Itaú, Cobrape, Natura, Stefanini, Braskem, Nestlé, Avanade, TIM, Infoserver, SysMap, Vivo, Apsen, Siemens, EDS, Duracell, KPMG, Petrobras, CESP, TV Record, Método Engenharia, and MSD (Merck Sharp & Dohme). Today, I manage, project, and develop solutions and integrations using the following technological platforms: SharePoint, Microsoft 365, Power Platform, Power BI, C#, SQL, Python, JavaScript, React, IoT, C/C++, CAD, and 3D Printing.
Categories: ,
Tags:

Leave a comment