Loading repository data…
leonardo-arantes-oliveira / repository
Este projeto consiste em um pipeline de ETL (Extract, Transform, Load) desenvolvido em Python, projetado para simular o fluxo de dados de uma operação de vendas e delivery. O objetivo principal é extrair dados brutos de uma API, aplicar regras de negócio e integridade, e estruturá-los em um banco de dados relacional para análise de KPIs.
A transparent discovery signal based on current public GitHub metadata.
This score does not audit code, security, maintainers, documentation quality, or suitability. Verify the repository and its current documentation before adoption.
📊 Dashboard de Inteligência de Vendas - Delivery (Coco Bambu Style) Este projeto simula um ecossistema de dados para uma operação de delivery de alto volume, como o Coco Bambu. O objetivo é transformar dados brutos de uma API pública em um Dashboard Executivo para suporte à tomada de decisão.
resultado final: dados transformados em métricas de negócio. Aqui, podemos ver o faturamento consolidado e o ticket médio calculado após o cruzamento de três fontes diferentes de dados.
resultado final: os dados da api também são salvos em uma tabela caso necessário.Se for necessário armazenar em um banco de dados,essa tabela de visualização deve ser convertida para uma boa arquitetura MER.Pode-se notar que o a coluna data tem atributos multivaloradas,o que é um erro de F1(Os dados não estão em F1,Forma normal 1).Deixei o erro de propósito para fins educacionais,demonstrando a importância da normalização em arquiteturas MER (Modelo Entidade-Relacionamento) robustas.
Ponto 3 na prática,lógica responsável por tentar contato com a API algumas vezes para consumir esses dados antes de retornar erro ao usuário.
🧠 A Visão do Arquiteto O projeto foi construído seguindo o princípio de Responsabilidade Única (SRP). Cada parte do código tem uma missão clara:
Extractor: O "garimpeiro" que busca os dados brutos.
Transformer: O "artesão" que limpa e cruza informações.
DatabaseManager: O "guardião" que garante a persistência no MySQL.
Pipeline: apenas coordena a execução entre as partes
App (Streamlit): A "vitrine" que traduz números em insights visuais.
🚧 Desafios Técnicos e Superações Durante o desenvolvimento, identifiquei limitações na fonte de dados que poderiam comprometer a qualidade do dashboard. Abaixo, explico como contornei cada uma:
Adaptação de Domínio: não achei uma API que simula exatamente o contexto de restaurantes.a mais proxima que achei foi uma api que simula um e-comerce.então tive que usá-la.Então,Apliquei uma camada de abstração no Transformer para tratar os dados de forma que simulassem métricas reais de delivery (como Ticket Médio por pedido).
Problema do "Dashboard Vazio" (Limitação da API) Limitação: Por padrão, a API retornava apenas 10 a 20 registros, o que tornava os gráficos irrelevantes para uma análise de negócio.
Solução: Implementei um parâmetro de limit=50 dinâmico na URL de extração.
Motivo: Isso forçou a API a entregar o volume máximo de dados disponível, permitindo uma visualização de tendências mais robusta.
Solução: Desenvolvi um método de Merge (JOIN) no Pandas que unifica Carts, Products e Users em uma única tabela mestre.
Selected from shared topics, language and repository description—not editorial ratings.
elen-c-sales /
Este software consiste em uma implementação de um jogo do gênero "endless runner" desenvolvido em Python, utilizando a biblioteca Pygame. O projeto apresenta uma adaptação temática baseada na série "Stranger Things", incorporando elementos visuais e sonoros característicos, como o antagonista Vecna, Demobats e o ambiente do "Mundo Invertido".
60/100 healthNinja1375 /
Este projeto consiste num gerador de senhas seguras escrito em Python.
40/100 healthMotivo: Isso permitiu calcular o Faturamento Total e o Ticket Médio, transformando dados técnicos em métricas de negócio reais.
Solução: Implementei uma lógica de Retries (tentativas) no Extrator com pausas (time.sleep) entre elas.
Motivo: Garante que o pipeline seja resiliente e não quebre por instabilidades temporárias de rede.
🛠️ Tecnologias Utilizadas Pandas: Escolhido pela eficiência no tratamento de grandes volumes de dados e facilidade em operações de merge.
SQLAlchemy: Implementado como camada de abstração (ORM) para garantir que a troca de banco de dados (ex: MySQL para PostgreSQL) seja transparente para o código.
Python 3.13: Versão mais recente para aproveitar melhorias de performance e tipagem. Ambiente: Virtualenv (.venv) para isolamento de dependências
Streamlit: Escolhido por ser simples e prático para aplicar.
🌟 Diferenciais do Projeto Resiliência: Lógica de exponential backoff (tentativas com espera) para lidar com quedas de conexão.
Escalabilidade: Código modularizado que permite adicionar novas fontes de dados apenas criando novos métodos no Extractor.
Data Quality: Implementação de filtros de validação para garantir que registros inconsistentes (ex: quantidades negativas) não cheguem ao dashboard.
🚀 Como Executar Clone o repositório:
Bash git clone https://github.com/leonardo-arantes-oliveira/Api-dashboard-python.git Ative o ambiente virtual:
Bash ..venv\Scripts\activate Instale as dependências:
Bash pip install -r requeriments.txt Inicie o Dashboard:
Bash streamlit run src/app.py
Amadeo-Frontend /
💸 Este projeto consiste em um sistema bancário desenvolvido em Python utilizando Programação Orientada a Objetos (POO). Ele oferece funcionalidades para representar clientes, contas bancárias, realizar transações como saques e depósitos, além de manter um histórico das operações.
45/100 healthMegMinnie /
Este projeto consiste em uma página web, desenvolvida com react e CSS3, onde o usuário pode baixar livros sobre os temas como Linux, java e Python, focados no seu desenvolvimento pessoal. Basta fazer donwload do livro desejado e começar a leitura.
60/100 healthgcaccaos /
Este é o meu trabalho para o projeto 4 da disciplina de Métodos Computacionais em Física do IF-USP no primeiro semestre de 2018. O projeto consiste em simular o modelo de Ising para a magnetização de um material bidimensional com condições periódicas de contorno através do método de Monte Carlo. Este repositório contém os arquivos de código para a simulação, que são notebooks em Python 3 para o Jupyter (estou utilizando principalmente o JupyterLab), e os arquivos para o relatório em LaTeX (escritos através do Texmaker).
16/100 healthVORP2830 /
Este projeto consiste em uma API construída em Flask para balancear times com base em uma lista de jogadores com suas respectivas notas médias.
31/100 health