Pyton-jupyter-notebook

Projeto de aprendizado Pyton para Engenheiro de Dados

LISTAS

Definição de Listas: É um objeto representado por uma sequência de outros objetos. Estes objetos são separados por vírgulas e iniciados e terminados pelos colchetes [ ] Existem algumas formas de criação de listas e eu vou mostrar a maioria delas em alguns exemplos.

A criação de lista e bem simples, basta adicionar o nome da lista com o sinal de = e o cochete []

1. criando listas

Exemplo 1

listaGithub = [1,2,3,4]

Como sabemos se isso que criamos é uma lista? Para ter certeza basta comprovar com o TYPE e o nome da lista dentro de parênteses.

Exemplo 2

listaGithub2 = list((1, 2, 3))

Exemplo 3

listaGithub3 = list([1, 2, 3])

Exemplo 4 (Nesse exemplo ele transformou os caracteres em sequência)

listaGithub4 = list("123")

Exemplo 5

listaGithub5 = ['a', 2, 4, 'C']

Exemplo 6

listaGithub6 = [1, [2, 3], 'w']

Exemplo 7

listaGithub7 = [1, (2, 3)]

2. Juntando listas

lista1 + lista2

Exemplo 1

listaGithub + listaGithub6

podemos repetir os valores da lista

exemplo 2

listaGithub2*3

3. Verificar se um objeto pertence à lista

"1"

4. Métodos

apagando elementos da lista

exemplo ( se não adicionar nada no parêntese ele vai apagar o último elemento )

listaGithub7.pop()

Exemplo 2 (ponto + tab + remove)

listaGithub.remove('1')

Exemplo 3 (ordenado)

primeiro vamos criar uma nova lista

lst9 = [3, 9, 1, 0, 3, 10, 4, 6]

ordenar

lst9.sort()

exemplo 4 (reverse)

lst9.sort(reverse=True)

DICIONÁRIOS

Definição de Dicionário: É um objeto que representa a coleção de um ou mais objetos. Cada objeto tem sua chave e seu valor. Assim, para acessar um valor de determinado objeto, basta chamramos sua chave. Os dicionários são iniciados e terminados por chaves { }

1. Criando dicionários

dict1 = {'chave1': 'valor1', 'chave2': 'valor2'}

dict2 = dict(a = 1, b=2, c=3, d= 'a')

dict3 = dict([('a', 1), ('b', 2), ('c', 3)])

dict4 = {'chave1': ['valor1', 2, 3], 'chave2': [2, 'idade', 'nome']}

dict5 = {'id': [1, 2, 3], 'user': {'nome': ['Caio', 'Rodrigo', 'Rafael'], 'idade': [29, 30, 29]}}

dict6 = dict(zip(['chave1', 'chave2', 'chave3'], ['valor1', 'valor2', 'valor3']))

dict7 = {'nomes': ('Caio', 'Rafael'), 'idade': (29, 30)}

2. Acessando valores do dicionário

Neste caso, como eu faço para acessar o valor da chave1? Então, eu só chamar o nome do dicionário e abrir colchetes, no caso digo o nome da nossa chave.

dict1['chave1']

Outros exemplos

dict1.get('chave2')

dict1.get(list(dict1)[1])

for chave in dict1.keys(): print(chave, dict1[chave])

for chave, valor in dict1.items(): print(chave, valor)

3. Juntando dicionários

dict1.update(dict2)

Posso adicionar uma nova chave no dict1

dict1["NOVA CHAVE"] = 1000

DATAFRAMES - CRIANDO

Diferentemente das listas e dicionários, o Dataframe precisa que a gente importe uma biblioteca. Essa biblioteca e o Pandas, ela e muito utilizada para manipulação de dados, criação de tabelas, leitura de CSV, transformação de dados e carregamento, etc. Ou seja, Pandas é uma forte ferramenta de análise e manipulação de dados. O pandas está simplesmente embutido dentro da linguagem Pyton. A gente consegue criar sem precisar dar nenhum importe.

1. Importando o Pandas

import pandas as pd (as pd é um apelido para chamar o pandas)

2. Criando DataFrames (pandas.tab)

exemplo 1 df1 = pd.DataFrame()

exemplo 2

dict1 = {'identificacao': [1, 2, 3, 4, 5], 'nome': ['Caio', 'Rodrigo', 'Rafael', 'Mariane', 'Nathane']}

df2 = pd.DataFrame(data = dict1)

exemplo 3 (mudando o índice)

df3 = pd.DataFrame(data = dict1, index = [29, 1, 0, 2222, 88])

exemplo 4 (com series)

serie1 = pd.Series([1, 2, 3])

serie2 = pd.Series(['a', 'b', 'c'])

df4 = pd.DataFrame({'coluna1': serie1, 'coluna2': serie2})

exemplo 5 (numpy)

import numpy as np

array1 = np.array([[1, 2, 3], ['São Paulo', 'Rio de Janeiro', 'Campinas'], ['SP', 'RJ', 'SP']])

df5 = pd.DataFrame(data = array1.transpose(), index = ['linha1', 'linha2', 'linha3'], columns = ['identificacao', 'cidade', 'estado'])

exemplo 6 (matrix)

matriz1 = np.matrix([[1, 2, 3], ['São Paulo', 'Rio de Janeiro', 'Campinas'], ['SP', 'RJ', 'SP']])

df6 = pd.DataFrame(data = matriz1.transpose(), index = ['linha1', 'linha2', 'linha3'], columns = ['identificacao', 'cidade', 'estado'])

DATAFRAMES - SELECIONANDO

1. Adicionando uma coluna com valores

exemplo 1

df3.identificacao = df3.identificacao.astype(str) (somando o valor da indentificação em mais 5 e fazendo uma nova coluna com o resultado)

exemplo 2

df3['index'] = 0 Adicionando uma nova coluna com valores 0

exemplo 3

df3[['nome', 'index']] procurando por colunas

exemplo 4

df3[(df3.nome.str.contains('R')) | (df3.identificacao == 5)] Procurando nome que tenha R

exemplo 5 (localização pelo nome dos indices ou colunas)

df3.loc[0]

exemplo 6

df3.iloc[0]

exemplo 7

df3.iloc[0:2] procurando por quantidade de linhas selecionadas

exemplo 8 (retornando todas as linhas de uma coluna)

df3.loc[:, 'nome']

exemplo 9 (mudando valores)

df3.loc[2222, 'nome'] = 'Jeremias

ALGUNS ATRIBUTOS DO DATAFRAME

exemplo 1 ( dtypes = informa qual são as colunas, tipos e valores)

df3.dtypes

exemplo 2 (mudando colunas para string)

df3.identificacao = df3.identificacao.astype(str)

exemplo 3 (lista com todas as colunas)

df3.columns

exemplo 4 ( Shape = característica do dataframe: quantidade de linhas e colunas)

df3.shape

exemplo 5 (valores do dataframe)

df3.values

Métodeos

1. combine_first

df3.teste1.combine_first(df3['identificacao_mais_5'])

2. copy

df1000 = df3.copy()

3. count

df1000.count()

4. drop

df3.drop(columns = ['index_MODIFICADO')

5. drop_duplicates

´df7 = pd.concat([df1000, df1000])´

6. dropna

df8 = df7.copy() df8.dropna(inplace=True)

7. fillna

df7.fillna('NULO', inplace=True)

8. head

df7.head(2)

9. tail

df7.tail(2)

10. groupby

df10 = pd.concat([df1000, df1000]) df10.groupby(['nome']).identificacao_mais_5.sum()

11. isin

• Criar um DataFrame de exemplo df = pd.DataFrame({'A': [1, 2, 3, 4], 'B': ['foo', 'bar', 'baz', 'qux']})

• Verificar se os valores da coluna 'B' estão em uma lista específica filtro = df['B'].isin(['foo', 'baz'])

• Aplicar o filtro ao DataFrame resultado = df[filtro]

print(resultado)

12. Operações Matemática

df3.identificacao_mais_5.min() df3.identificacao_mais_5.max() df3.identificacao_mais_5.mean() df3.identificacao_mais_5.median() df3.identificacao_mais_5.sum()

13. notnull

• um DataFrame de exemplo com valores nulos

dados = {'A': [1, 2, None, 4], 'B': [5, None, 7, 8]}

df = pd.DataFrame(dados)

• Verificar se os valores são não nulos

resultado = pd.notnull(df) print(resultado)

14. rename

df3.rename(columns={'nome': 'Nome'}, inplace=True)

df3.rename(index={2222: -1}, inplace=True)

![32](h