<?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 Vinícius Figueiredo on Medium]]></title>
        <description><![CDATA[Stories by Vinícius Figueiredo on Medium]]></description>
        <link>https://medium.com/@vinciusaguiar_14084?source=rss-fba229043a07------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/2*g1HMbzZIBjchmV3KZznc9w.png</url>
            <title>Stories by Vinícius Figueiredo on Medium</title>
            <link>https://medium.com/@vinciusaguiar_14084?source=rss-fba229043a07------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 19:28:50 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@vinciusaguiar_14084/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[Seus primeiros passos como Data Scientist: Introdução ao Pandas!]]></title>
            <link>https://medium.com/data-hackers/uma-introdu%C3%A7%C3%A3o-simples-ao-pandas-1e15eea37fa1?source=rss-fba229043a07------2</link>
            <guid isPermaLink="false">https://medium.com/p/1e15eea37fa1</guid>
            <category><![CDATA[jupyter]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[pandas]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[tutorial]]></category>
            <dc:creator><![CDATA[Vinícius Figueiredo]]></dc:creator>
            <pubDate>Wed, 30 May 2018 17:01:01 GMT</pubDate>
            <atom:updated>2018-06-12T00:18:43.074Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*BXbb3fOtJ_lgVgio" /><figcaption>Photo by <a href="https://unsplash.com/@chesterho?utm_source=medium&amp;utm_medium=referral">Chester Ho</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p><em>Além desses animaizinhos simpáticos</em>, <a href="https://pandas.pydata.org/"><strong>Pandas</strong></a><strong> </strong>também é uma biblioteca <strong>Python. </strong>Ela fornece ferramentas de análise de dados e estruturas de dados de alta performance e <strong><em>fáceis </em></strong><em>de usar</em>.</p><p><em>Por ser a principal e mais completa biblioteca para estes objetivos, </em><strong><em>Pandas </em></strong><em>é fundamental para Análise de Dados.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/582/1*71Typ4wtCLNeetb81EgZ7Q.png" /></figure><h3>Disclaimer</h3><p>Esse guia foi escrito como uma alternativa em português às introduções já existentes e à <a href="http://pandas.pydata.org/pandas-docs/stable/10min.html">introdução de 10 minutos apresentada na documentação oficial</a>, e tem por objetivo fornecer de forma <strong>enxuta e simplificada</strong> uma apresentação básica às principais ferramentas fornecidas pelo <strong>pandas</strong>, cobrindo:</p><ul><li><strong>Manipulação,</strong></li><li><strong>Leitura,</strong></li><li><strong>Visualização</strong> <strong>de dados</strong>.</li></ul><p>A introdução pressupõe apenas conhecimento básico em <strong>Python</strong>.</p><p>Como o <strong>Medium</strong> não disponibiliza highlight de sintaxe para gente, há <strong>duas</strong> outras excelentes opções de acessar esta introdução:</p><ol><li>Você pode acessar o <a href="https://mybinder.org/v2/gh/mvinoba/notebooks-for-binder/master?filepath=postagem.ipynb">MyBinder deste arquivo</a>, que cria um ambiente interativo Jupyter rodando Python com todas as dependências necessárias automaticamente, onde você pode testar e executar por si mesmo as linhas de código deste tutorial direto do seu navegador sem precisar configurar nada.</li><li>Você pode acessar o <a href="http://nbviewer.jupyter.org/github/mvinoba/notebooks-for-binder/blob/master/postagem.ipynb">notebook viewer</a> deste arquivo, que fornece syntax highlighting e formatação mais padronizada com o que se está acostumado num notebook Jupyter.</li></ol><h3><strong>Mãos à obra!</strong></h3><p>Vamos começar com as importações, usaremos além do pandas, o <a href="http://www.numpy.org/"><strong>numpy</strong></a>, biblioteca para <strong>computação científica</strong> e o <a href="https://matplotlib.org/index.html"><strong>matplotlib</strong></a>, biblioteca principal para <strong>visualização de dados</strong>, entretanto, como veremos mais adiante, o próprio pandas nos fornece facilidades em relação à visualização de dados, com métodos construídos com base no matplotlib, também importamos esta biblioteca para, além de poder modificar esteticamente nossos gráficos, facilitar a exibição dos gráficos. A linha %matplotlib inline faz parte da mágica do Jupyter e você não deve rodá-la caso esteja em outra IDE/Ambiente.</p><pre><strong>import</strong> <strong>pandas</strong> <strong>as</strong> <strong>pd</strong><br><strong>import</strong> <strong>numpy</strong> <strong>as</strong> <strong>np</strong><br><strong>import</strong> <strong>matplotlib.pyplot</strong> <strong>as</strong> <strong>plt</strong><br><br>%<strong>matplotlib</strong> inline</pre><p>Existem dois tipos principais de estruturas de dados no pandas:</p><h4>Series</h4><p>Uma Series é como um array unidimensional, uma lista de valores. Toda Series possui um índice, o index, que dá rótulos a cada elemento da lista. Abaixo criamos uma Series notas, o index desta Series é a coluna à esquerda, que vai de 0 a 4 neste caso, que o pandas criou automaticamente, já que não especificamos uma lista de rótulos.</p><pre>notas = pd.Series([2,7,5,10,6])<br>notas</pre><pre>0     2<br>1     7<br>2     5<br>3    10<br>4     6<br>dtype: int64</pre><p>Já podemos aqui verificar os atributos da nossa Series, comecemos pelos valores e o índice, os dois atributos <em>fundamentais</em> nesta estrutura:</p><pre>notas.values</pre><pre>array([ 2,  7,  5, 10,  6])</pre><pre>notas.index</pre><pre>RangeIndex(start=0, stop=5, step=1)</pre><p>Como ao criar a Series não demos um índice específico o pandas usou os inteiros positivos crescentes como padrão. Pode ser conveniente atribuirmos um índice diferente do padrão, supondo que essas sejam notas de uma turma, poderíamos atribuir nomes ao index:</p><pre>notas = pd.Series([2,7,5,10,6], index=[&quot;Wilfred&quot;, &quot;Abbie&quot;, &quot;Harry&quot;, &quot;Julia&quot;, &quot;Carrie&quot;])<br>notas</pre><pre>Wilfred     2<br>Abbie       7<br>Harry       5<br>Julia      10<br>Carrie      6<br>dtype: int64</pre><p>O index nos ajuda para referenciar um determinado valor, ele nos permite acessar os valores pelo seu rótulo:</p><pre>notas[&quot;Julia&quot;]</pre><pre>10</pre><p>Outra facilidade proporcionada pela estrutura são seus métodos que fornecem informações estatísticas sobre os valores, como <strong>média</strong> .mean() e <strong>desvio padrão</strong> .std(). Encorajo o leitor(a) a investigar e verificar alguns dos métodos e atributos da estrutura usando o TAB para auto-completação na shell do Python, ou simplesmente checar a completíssima <a href="https://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.html#pandas.Series">documentação oficial</a> deste objeto.</p><pre>print(&quot;Média:&quot;, notas.mean())<br>print(&quot;Desvio padrão:&quot;, notas.std())</pre><pre>Média: 6.0<br>Desvio padrão: 2.9154759474226504</pre><p>Geralmente para resumir brevemente as estatísticas dos dados se usa o .describe()</p><pre>notas.describe()</pre><pre>count     5.000000<br>mean      6.000000<br>std       2.915476<br>min       2.000000<br>25%       5.000000<br>50%       6.000000<br>75%       7.000000<br>max      10.000000<br>dtype: float64</pre><p>A estrutura é flexível o suficiente pra aplicarmos algumas expressões matemáticas e funções matemáticas do numpy diretamente:</p><pre>notas**2</pre><pre>Wilfred      4<br>Abbie       49<br>Harry       25<br>Julia      100<br>Carrie      36<br>dtype: int64</pre><pre>np.log(notas)</pre><pre>Wilfred    0.693147<br>Abbie      1.945910<br>Harry      1.609438<br>Julia      2.302585<br>Carrie     1.791759<br>dtype: float64</pre><h4><strong>DataFrame</strong></h4><p>Já um DataFrame é uma estrutura bidimensional de dados, como uma planilha. Abaixo criaremos um DataFrame que possui valores de diferentes tipos, usando um dicionário como entrada dos dados:</p><pre>df = pd.DataFrame({&#39;Aluno&#39; : [&quot;Wilfred&quot;, &quot;Abbie&quot;, &quot;Harry&quot;, &quot;Julia&quot;, &quot;Carrie&quot;],<br>                   &#39;Faltas&#39; : [3,4,2,1,4],<br>                   &#39;Prova&#39; : [2,7,5,10,6],<br>                   &#39;Seminário&#39;: [8.5,7.5,9.0,7.5,8.0]})<br>df</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/253/1*pJjjHNL_P0TgUMfJ0Ihvpw.png" /></figure><p>Os tipos de dados que compõe as colunas podem ser verificados por um método próprio:</p><pre>df.dtypes</pre><pre>Aluno         object<br>Faltas         int64<br>Prova          int64<br>Seminário    float64<br>dtype: object</pre><p>É possível acessar a lista de colunas de forma bem intuitiva:</p><pre>df.columns</pre><pre>Index([&#39;Aluno&#39;, &#39;Faltas&#39;, &#39;Prova&#39;, &#39;Seminário&#39;], dtype=&#39;object&#39;)</pre><p>Os nomes das colunas podem ser usadas pra acessar seus valores:</p><pre>df[&quot;Seminário&quot;]</pre><pre>0    8.5<br>1    7.5<br>2    9.0<br>3    7.5<br>4    8.0<br>Name: Seminário, dtype: float64</pre><p>Para DataFrames, .describe() também é uma boa forma de verificar resumidamente a disposição estatística dos dados numéricos:</p><pre>df.describe()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/261/1*vC8JO_2hnIsh7Xd6MNocwg.png" /></figure><p>Outra tarefa comum aplicada em DataFrames é ordená-los por determinada coluna:</p><pre>df.sort_values(by=&quot;Seminário&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/244/1*JZTxzzOExUXbq8c8-qxw2g.png" /></figure><p>Note que simplesmente usar o método sort_values não modifica o nosso DataFrame original:</p><pre>df</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/254/1*3MEDp9wsOcLWMkDVkXL4vw.png" /></figure><p>Muitas vezes é necessário selecionarmos valores específicos de um DataFrame, seja uma linha ou uma célula específica, e isso pode ser feito de diversas formas. A documentação oficial contém <a href="https://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing">vasta informação</a> para esse tipo de tarefa, aqui nos concentraremos nas formas mais comuns de selecionarmos dados.</p><p>Para selecionar pelo index ou rótulo usamos o atributo .loc:</p><pre>df.loc[3]</pre><pre>Aluno        Julia<br>Faltas           1<br>Prova           10<br>Seminário      7.5<br>Name: 3, dtype: object</pre><p>Para selecionar de acordo com critérios condicionais, se usa o que se chama de <strong>Boolean Indexing</strong>.</p><p>Suponha que queiramos selecionar apenas as linhas em que o valor da coluna <em>Seminário </em>seja acima de 8.0, podemos realizar esta tarefa passando a condição diretamente como índice:</p><pre>df[df[&quot;Seminário&quot;] &gt; 8.0]</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/263/1*Ys-JgLSQKFmiVq9fBBa_mw.png" /></figure><p>Este tipo de indexação também possibilita checar condições de múltiplas colunas. Diferentemente do que estamos habituados em Python, aqui se usam operadores bitwise, ou seja, &amp;, |, ~ ao invés de and, or, not, respectivamente. Suponha que além de df[&quot;Seminário&quot;] &gt; 8.0 queiramos que o valor da coluna Prova não seja menor que 3:</p><pre>df[(df[&quot;Seminário&quot;] &gt; 8.0) &amp; (df[&quot;Prova&quot;] &gt; 3)]</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/244/1*2aPlzDWZn3k6OYMMfDKlXQ.png" /></figure><p>Por enquanto é isso para manipulação de Series e DataFrames, conforme a seção de leitura de dados for se estendendo irei aprensentar alguns outros métodos dessas estruturas que poderão ser interessantes no contexto.</p><h4>Leitura de Dados</h4><p>Na seção anterior vimos como manipular dados que foram criados durante esta apresentação, acontece que, na maioria das vezes, queremos analisar dados que já estão prontos. O pandas nos fornece uma série de funcionalidades de leitura de dados, pros mais diversos formatos estruturais de dados, experimente a auto-completação de pd.read_&lt;TAB&gt;, entre eles estão:</p><ol><li>pd.read_csv, para ler arquivos .csv, formato comum de armazenar dados de tabelas</li><li>pd.read_xlsx, para ler arquivos Excel .xlsx, é necessário instalar uma biblioteca adicional pra esta funcionalidade.</li><li>pd.read_html, para ler tabelas diretamente de um website</li></ol><p>Usaremos para analisar dados externos nesta introdução o .read_csv, pois é neste formato que se encontram nossos dados. CSV, ou comma-separated values é um formato muito comum de dados abertos, trata-se, como a sigla sugere, de valores divididos por vírgula, apesar de o caracter separador poder ser o ponto-e-vírgula ou outro.</p><p>O arquivo dados.csv está na mesma pasta do nosso script, então podemos passar como argumento do .read_csv apenas o seu nome. Outro argumento interessante da função é o sep, que por padrão é a vírgula, mas que pode ser definido como outro caractere caso seu dado esteja usando outro separador.</p><p>Estes dados que usaremos como exemplo são dados sobre preços de apartamentos em 7 bairros da cidade do Rio de Janeiro: Botafogo, Copacabana, Gávea, Grajaú, Ipanema, Leblon, Tijuca. Os dados podem ser encontrados <a href="https://raw.githubusercontent.com/mvinoba/notebooks-for-binder/master/dados.csv">aqu</a>i <em>(Basta baixar diretamente ou copiar o texto pro seu editor preferido e salvar como dados.csv)</em>.</p><pre>df = pd.read_csv(&quot;dados.csv&quot;)<br>df</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/281/1*jduZH3sPi_EjJeQJll6sIQ.png" /></figure><p>Como esperado, o DataFrame tem muitas linhas de dados, pra visualizar sucintamente as primeiras linhas de um DataFrame existe o método .head()</p><pre>df.head()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/478/1*rEml79mnUos_LtX-vVQHMA.png" /></figure><p>Por padrão .head() exibe as 5 primeiras linhas, mas isso pode ser alterado:</p><pre>df.head(n=10)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/486/1*VPLsIOaMOdnL98PS7l9XRw.png" /></figure><p>Similarmente existe o .tail(), que exibe por padrão as últimas 5 linhas do DataFrame:</p><pre>df.tail()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/484/1*KMchOxF1ztEQGGCRQFKYDw.png" /></figure><h4>Manipulação de Dados</h4><p>Além de confiar em mim, quando mencionei os bairros que continham no nosso conjunto de dados, você pode verificar a informação usando um método que lista os valores únicos numa coluna:</p><pre>df[&quot;bairro&quot;].unique()</pre><pre>array([&#39;Botafogo&#39;, &#39;Copacabana&#39;, &#39;Gávea&#39;, &#39;Grajaú&#39;, &#39;Ipanema&#39;, &#39;Leblon&#39;,<br>       &#39;Tijuca&#39;], dtype=object)</pre><p>Também parece interessante verificarmos a hegemoneidade da nossa amostra em relação aos bairros. Pra tarefas de contar valores podemos sempre aproveitar de outro método disponível, o .value_counts(), também veremos um pouco mais abaixo como visualizar estes valores em forma de gráfico de barras.</p><pre>df[&quot;bairro&quot;].value_counts()</pre><pre>Copacabana    346<br>Tijuca        341<br>Botafogo      307<br>Ipanema       281<br>Leblon        280<br>Grajaú        237<br>Gávea         205<br>Name: bairro, dtype: int64</pre><p>Os valores contados também podem ser normalizados para expressar porcentagens:</p><pre>df[&quot;bairro&quot;].value_counts(normalize=<strong>True</strong>)</pre><pre>Copacabana    0.173260<br>Tijuca        0.170756<br>Botafogo      0.153731<br>Ipanema       0.140711<br>Leblon        0.140210<br>Grajaú        0.118678<br>Gávea         0.102654<br>Name: bairro, dtype: float64</pre><p>Agrupar os dados se baseando em certos critérios é outro processo que o pandas facilita bastante com o .groupby(). Esse método pode ser usado para resolver os mais <strong>amplos </strong>dos problemas, aqui abordarei apenas o agrupamento simples, a divisão de um DataFrame em grupos.</p><p>Abaixo agrupamos o nosso DataFrame pelos valores da coluna &quot;bairro&quot;, e em seguida aplicamos o .mean() para termos um objeto GroupBy com informação das médias agrupadas pelos valores da coluna bairros.</p><pre>df.groupby(&quot;bairro&quot;).mean()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/644/1*_-cjZRxXqvrMAGmT6J7Bfw.png" /></figure><p>Para extrairmos dados de uma coluna deste objeto basta acessá-lo convencionalmente, para obtermos os valores da média do preço do metro quadrado em ordem crescente, por exemplo:</p><pre>df.groupby(&quot;bairro&quot;).mean()[&quot;pm2&quot;].sort_values()</pre><pre>bairro<br>Grajaú         6145.624473<br>Tijuca         7149.804985<br>Copacabana    11965.298699<br>Botafogo      12034.486189<br>Gávea         16511.582780<br>Ipanema       19738.407794<br>Leblon        20761.351036<br>Name: pm2, dtype: float64</pre><p>É comum queremos aplicar uma função qualquer aos dados, ou à parte deles, neste caso o pandas fornece o método .apply. Por exemplo, para deixar os nomes dos bairros como apenas as suas três primeiras letras:</p><pre><strong>def</strong> truncar(bairro):<br>    <strong>return</strong> bairro[:3]</pre><pre>df[&quot;bairro&quot;].apply(truncar)</pre><pre>0       Bot<br>1       Bot<br>2       Bot<br>3       Bot<br>4       Bot<br>5       Bot<br>6       Bot<br>7       Bot<br>8       Bot<br>9       Bot<br>10      Bot<br><br>       ... <br>1987    Tij<br>1988    Tij<br>1989    Tij<br>1990    Tij<br>1991    Tij<br>1992    Tij<br>1993    Tij<br>1994    Tij<br>1995    Tij<br>1996    Tij<br>Name: bairro, Length: 1997, dtype: object</pre><p>Ou de um jeito mais prático, usando uma função lambda:</p><pre>df[&quot;bairro&quot;].apply(<strong>lambda</strong> x: x[:3])</pre><pre>0       Bot<br>1       Bot<br>2       Bot<br>3       Bot<br>4       Bot<br>5       Bot<br>6       Bot<br>7       Bot<br>8       Bot<br>9       Bot<br>10      Bot<br><br>       ... <br>1986    Tij<br>1987    Tij<br>1988    Tij<br>1989    Tij<br>1990    Tij<br>1991    Tij<br>1992    Tij<br>1993    Tij<br>1994    Tij<br>1995    Tij<br>1996    Tij<br>Name: bairro, Length: 1997, dtype: object</pre><p>Uma das tarefas na qual o pandas é reconhecidamente poderoso é a habilidade de tratar dados incompletos. Por muitos motivos pode haver incompletude no dataset, o np.nan é um valor especial definido no <strong>Numpy</strong>, sigla para <strong>Not a Number</strong>, o pandas preenche células sem valores em um DataFrame lido com np.nan.</p><p>Vamos criar um novo dataframe usando as 5 primeiras linhas do nosso original, usando o já visto .head(). Abaixo é usado o .replace para substituir um valor específico por um NaN.</p><pre>df2 = df.head()<br>df2 = df2.replace({&quot;pm2&quot;: {12031.25: np.nan}})<br>df2</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/473/1*FI63YsNzQ1l2e8O6UZ9s1w.png" /></figure><p>O pandas simplifica a remoção de quaiquer linhas ou colunas que possuem um np.nan, por padrão o .dropna() retorna as linhas que não contém um NaN:</p><pre>df2.dropna()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/478/1*6dXjIY9cwxi4IdW77pBoHA.png" /></figure><p>Preencher todos os valores NaN por um outro específico também é bastante simples:</p><pre>df2.fillna(99)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/481/1*X6bu3GSxNcI5Ms8MdRfLbg.png" /></figure><p>Acaba sendo muitas vezes conveniente termos um método que indica quais valores de um dataframe são NaN e quais não são:</p><pre>df2.isna()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/438/1*cU7sIWM9DBHuEpnnIlADrA.png" /></figure><h4>Visualização de Dados</h4><p>Partiremos agora para visualização de dados com o pandas. Os métodos de visualização do pandas são construídos com base no matplotlib para exploração rápida dos dados. Para se ter mais liberdade no conteúdo e possibilidades de visualização se recomenda usar diretamente o matplotlib ou ainda, para visualização estatística, o seaborn. Nesta introdução tratarei apenas dos métodos de visualização incluídos no pandas, que por outro lado, oferece uma sintaxe bastante simples para realizar a tarefa.</p><p>Comecemos verificando que tanto Series como DataFrame possuem um método .plot() que também é um atributo e pode ser encadeado para gerar visualização de diversos tipos, como histograma, área, pizza e dispersão, com respectivamente .hist(), .area(), .pie() e .scatter(), além de vários <a href="https://pandas.pydata.org/pandas-docs/stable/api.html#api-dataframe-plotting">outros</a>.</p><p>Vamos verificar a distribuição dos preços usando o encadeamento .plot.hist(), o eixo x, que é o preço, está numa escala de *10^7, como mostrado na imagem:</p><pre>df[&quot;preco&quot;].plot.hist()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/414/1*MYGTZPtB9nPOd5YJhjYHgQ.png" /></figure><p>Por padrão esse método usa 10 bins, ou seja, divide os dados em 10 partes, mas é claro que podemos especificar um valor para a plotagem. Abaixo, além de especificar a quantidade de bins, também especifiquei a cor das bordas como preta, que por padrão é transparente.</p><pre>df[&quot;preco&quot;].plot.hist(bins=30, edgecolor=&#39;black&#39;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/418/1*cblpIfqOI1DHnsAImSum4A.png" /></figure><p>Podemos usar os valores de contagem de cada bairro como exemplo de dado para um plot tanto de barras verticais quando de barras horizontais, para verificar visualmente esses dados:</p><pre>df[&quot;bairro&quot;].value_counts().plot.bar()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/394/1*89s-t-O4GwLlc8MRden1ng.png" /></figure><pre>df[&quot;bairro&quot;].value_counts().plot.barh()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/422/1*obyrImoaTKQimaestHIF9g.png" /></figure><p>Os métodos são flexíveis o suficiente para aceitarem argumentos como um título para a imagem:</p><pre>df[&quot;bairro&quot;].value_counts().plot.barh(title=&quot;Número de apartamentos&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/433/1*KYW3unFyNr0u1bg6e0eH7w.png" /></figure><p>Um gráfico de dispersão usando um DataFrame pode ser usado especificando-se quais colunas usar como dados no eixo x e y:</p><pre>df.plot.scatter(x=&#39;preco&#39;, y=&#39;area&#39;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/412/1*_wMpiCLrlAClvsSgzbnwEw.png" /></figure><p>Para fins estéticos, o matplotlib fornece uma série de styles diferentes que podem ser usados, um deles é o ggplot</p><pre>plt.style.use(&#39;ggplot&#39;)</pre><p>Agora este estilo será usado em todas as imagens geradas após essa linha</p><pre>df.plot.scatter(x=&#39;pm2&#39;, y=&#39;area&#39;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/402/1*N7UzOyO5OnzXSzDOvdO-Dw.png" /></figure><p>A lista de estilos disponíveis pode ser vista através de um método próprio</p><pre>plt.style.available</pre><pre>[&#39;bmh&#39;,<br> &#39;Solarize_Light2&#39;,<br> &#39;seaborn-talk&#39;,<br> &#39;seaborn-bright&#39;,<br> &#39;seaborn-white&#39;,<br> &#39;seaborn-pastel&#39;,<br> &#39;seaborn-ticks&#39;,<br> &#39;seaborn-dark-palette&#39;,<br> &#39;seaborn&#39;,<br> &#39;tableau-colorblind10&#39;,<br> &#39;seaborn-deep&#39;,<br> &#39;classic&#39;,<br> &#39;seaborn-dark&#39;,<br> &#39;grayscale&#39;,<br> &#39;seaborn-paper&#39;,<br> &#39;fivethirtyeight&#39;,<br> &#39;seaborn-muted&#39;,<br> &#39;_classic_test&#39;,<br> &#39;seaborn-poster&#39;,<br> &#39;seaborn-notebook&#39;,<br> &#39;seaborn-darkgrid&#39;,<br> &#39;seaborn-colorblind&#39;,<br> &#39;dark_background&#39;,<br> &#39;seaborn-whitegrid&#39;,<br> &#39;ggplot&#39;,<br> &#39;fast&#39;]</pre><p>A coluna de quartos diz quantos quartos tem um determinado apartamento, também se pode ver a contagem e distribuição usando outros métodos de plotagem oferecidos pelo pandas:</p><pre>df[&quot;quartos&quot;].value_counts().plot.pie()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/347/1*6ft09vISeO0KkzcGQ4E9ww.png" /></figure><p>Uma coisa a se notar do gráfico de scatter é a poluição causada pela enorme quantidade de dados agrupadas num dos cantos do gráfico, além de podermos diminuir o tamanho dos pontos passando o argumento s ao método .scatter podemos também usar um método do pandas que cria uma amostragem aleatória dos dados.</p><p>O .sample pode receber tanto um argumento frac, que determina uma fração dos itens que o método retornará (no caso abaixo, 10%), ou n, que determina um valor absoluto de itens.</p><pre>df.plot.scatter(x=&#39;preco&#39;, y=&#39;area&#39;, s=.5)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/409/1*A4qPUberN95atvPdsvF72Q.png" /></figure><pre>df.sample(frac=.1).plot.scatter(x=&#39;preco&#39;, y=&#39;area&#39;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/411/1*bFWddRDPEjOpOoIlkLT0nw.png" /></figure><p>Finalmente, a tarefa de salvar seu DataFrame externamente para um formato específico é feita com a mesma simplicidade que a leitura de dados é feita no pandas, pode-se usar, por exemplo, o método to_csv, e o arquivo será criado com os dados do DataFrame:</p><pre>df = pd.DataFrame({&#39;Aluno&#39; : [&quot;Wilfred&quot;, &quot;Abbie&quot;, &quot;Harry&quot;, &quot;Julia&quot;, &quot;Carrie&quot;],<br>                   &#39;Faltas&#39; : [3,4,2,1,4],<br>                   &#39;Prova&#39; : [2,7,5,10,6],<br>                   &#39;Seminário&#39;: [8.5,7.5,9.0,7.5,8.0]})<br>df.to_csv(&quot;aulas.csv&quot;)</pre><pre>pd.read_csv(&quot;aulas.csv&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/334/1*KqH6anQf3HhAtDnq-6uBdg.png" /></figure><p>Com o que foi abordado nesta introdução você já deve estar apto a fazer exploração e manipulação básica de dados com o <strong>pandas</strong>, para aprofundar mais aqui vão algumas referências:</p><ul><li><a href="http://pandas.pydata.org/pandas-docs/stable/index.html">Documentação oficial</a></li><li><a href="https://github.com/donnemartin/data-science-ipython-notebooks#pandas">Coletânea de notebooks Jupyter que abordam profundamente várias ferramentas e casos de uso do Pandas</a></li><li><a href="https://github.com/guipsamora/pandas_exercises">Exercícios de Pandas com soluções, separados por temas</a></li></ul><p>Curtiu esse post? Não deixe de compartilhar com seus amigos! Também não se esqueça de se inscrever na nossa <strong>newsletter </strong>no <a href="http://www.datahackers.com.br!/"><strong>www.datahackers.com.br</strong>!</a> Abraço e até a próxima! o/</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1e15eea37fa1" width="1" height="1" alt=""><hr><p><a href="https://medium.com/data-hackers/uma-introdu%C3%A7%C3%A3o-simples-ao-pandas-1e15eea37fa1">Seus primeiros passos como Data Scientist: Introdução ao Pandas!</a> was originally published in <a href="https://medium.com/data-hackers">Data Hackers</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>