<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Bruno Bartolomeu on Medium]]></title>
        <description><![CDATA[Stories by Bruno Bartolomeu on Medium]]></description>
        <link>https://medium.com/@Bruno_Bartolomeu?source=rss-a5f6528c9bf4------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*dR8njTh4o4HXui3QUUhrBw.jpeg</url>
            <title>Stories by Bruno Bartolomeu on Medium</title>
            <link>https://medium.com/@Bruno_Bartolomeu?source=rss-a5f6528c9bf4------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 13:02:04 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@Bruno_Bartolomeu/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Primeiros passos utilizando Python para análise de dados]]></title>
            <link>https://medium.com/localizalabs/primeiros-passos-em-data-science-utilizando-python-p-an%C3%A1lise-de-dados-f3ac2e988c50?source=rss-a5f6528c9bf4------2</link>
            <guid isPermaLink="false">https://medium.com/p/f3ac2e988c50</guid>
            <category><![CDATA[python]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[análise-de-dados]]></category>
            <category><![CDATA[analytics]]></category>
            <category><![CDATA[insights]]></category>
            <dc:creator><![CDATA[Bruno Bartolomeu]]></dc:creator>
            <pubDate>Wed, 20 Jul 2022 10:30:31 GMT</pubDate>
            <atom:updated>2022-07-20T12:58:37.082Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8UBE23_ThZf6bVICZTEczA.png" /></figure><p>Quem já se deparou com um problema de análise de dados que uma ferramenta de mercado não solucionou completamente ou de forma eficiente, levanta a mão aí! \o/.</p><p>No mundo da análise de dados, se torna cada vez mais necessário sair da sua zona de conforto e buscar outras ferramentas que sejam úteis para o universo de um analista ou cientista de dados.</p><p>Felizmente, nesse cenário a linguagem Python é uma boa opção.</p><p>Se seu perfil tem uma inclinação para codificar, este é o momento para colocar a mão na massa, de uma maneira simples, acredite. Codificar nunca foi tão fácil. Se já está se convencendo a dar uma chance para Python, confira as vantagens desta escolha: <strong>A linguagem Python é de alto nível, código aberto, comunidade online muito ativa, fácil de aprender, imperativa, interpretada de scripts, orientada a objetos, funcional, de forte tipagem e dinâmica.</strong></p><p>Programar em Python é como escrever uma carta para o computador (uma carta em inglês, vale ressaltar).</p><p>Vamos conhecer de forma breve a história dessa linguagem.</p><figure><img alt="Símbolo da linguagem Python" src="https://cdn-images-1.medium.com/max/224/1*heYLWMZ8T5sJhGi2Y6K0bQ.png" /></figure><p>Ela foi criada por Guido van Rossum no ano de 1991, com o intuito de possibilitar uma produtividade e legibilidade. Em resumo, sua finalidade era produzir código bom e fácil de manter de maneira rápida. Em sua origem, ela tinha função de linguagem de um propósito geral, com o passar do tempo e grande interação da comunidade, foram acrescentadas bibliotecas dedicadas para análise de dados e modelagem preditiva. Para quem vai começar a sua jornada de análise de dados agora e optar por utilizar esta linguagem deve começar pelas seguintes “bibliotecas”.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/265/1*gMzBqQwV2EUX9TXIV96Tkg.png" /></figure><p><strong>1 NumPy</strong></p><p>Esta biblioteca basicamente contém todas as funções essenciais de álgebra linear, capacidade de integração com outras ferramentas, funções para manipulação de imagens, sendo principalmente utilizada para cálculos de arrays.</p><p><strong>2 Pandas</strong></p><p>Ela é muito utilizada para a fase de realização da preparação e operação dos dados em alta performance. Esta biblioteca trabalha com duas estruturas principais: Series e Dataframes. Series diz respeito a um array unidimensional ou uma simples lista, enquanto Dataframes trabalham com estrutura bidimensional de dados, assemelhando-se a uma planilha de Excel. Pandas é simplesmente incrível. Adicionada há pouco tempo, foi um dos principais motivos da atração dos cientistas de dados para Python.</p><p><strong>3 Scikit Learn</strong></p><p>Esta biblioteca é voltada para a utilização de Machine Learning, sendo desenvolvida a partir das bibliotecas NumPy, SciPy e MatplotLib, contendo uma enorme variedade de algoritmos eficientes para esse segmento da inteligência artificial e modelagem estatística.</p><p><strong>4 MatplotLib</strong></p><p>Esta por sua vez é amplamente utilizada para visualização de dados. Ela gera gráficos de duas dimensões, sendo o eixo x e y, desde histogramas a gráficos de calor. Ela está por trás dos gráficos gerados pela Pandas.</p><p><strong>5 Seaborn</strong></p><p>Ela funciona em cima do matplotlib melhorando a aparência dos gráficos, deixando o visual mais agradável.</p><p><strong>FERRAMENTAS P/ ANÁLISE DE DADOS</strong></p><ul><li>Colab Notebook</li><li>Jupyter Notebook</li></ul><p>Links abaixo para download e início de prática.</p><ul><li><a href="https://jupyter.org/">Project Jupyter</a></li><li><a href="https://colab.research.google.com/">Google Colab</a></li></ul><p><strong>COMANDOS BÁSICOS</strong></p><p><strong>DF ou Data Frame: Trata-se de uma estrutura de dados de 2 dimensões (colunas e linhas) que transforma os dados tratados em uma bela tabela.</strong></p><p>df.read() — Leitura da base de dados.</p><p>df.head() — Visualização dos dados de forma geral.</p><p>df.describe() — Descrição detalhada da base de dados.</p><p>df.rename() — Utilizado para renomear uma coluna.</p><p>df.groupby() — Agrupa os dados para permitir execução de operações para cada grupo criado</p><p>df.dropna() — Excluir valores como “Nan”(not a number — valores não tratados servido apenas como leitura) na base de dados importada.</p><p><em>Imagens ilustrativas abaixo da análise de um dataset realizada no Colab Notebook usando Python.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Kg4BZIsSyRRHGRFNka8yJQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*i1A1A0n3a4SwQVMs1ZAz6w.png" /></figure><p><strong>INDICAÇÕES E REFERÊNCIAS:</strong></p><p>Aqui vão algumas indicações e referências sobre o assunto.</p><p>Livros:</p><p>“ Python para análise de dados ”-Editora: Novatec/Autor: Wes McKinney</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/218/1*aMUFbXObkD527GhH90A1fg.png" /></figure><p>“ Data Science do Zero ”-Editora: Alta Books/Autor: Joel Grus</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/214/1*K-tMj9a9bfst27VLgTh0eQ.png" /></figure><p>Espero que tenham gostado!</p><p>Dúvidas ou sugestões, estou à disposição! Até a próxima! =)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/285/1*I2_1LZKlG0PZoIeYdX9Rtg.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f3ac2e988c50" width="1" height="1" alt=""><hr><p><a href="https://medium.com/localizalabs/primeiros-passos-em-data-science-utilizando-python-p-an%C3%A1lise-de-dados-f3ac2e988c50">Primeiros passos utilizando Python para análise de dados</a> was originally published in <a href="https://medium.com/localizalabs">#LocalizaLabs</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>