<?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 Wllyssys Alves on Medium]]></title>
        <description><![CDATA[Stories by Wllyssys Alves on Medium]]></description>
        <link>https://medium.com/@wllyssys.alves?source=rss-531eff4ffe87------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*Es3aKvttV3LWIxQQl-t7ig.jpeg</url>
            <title>Stories by Wllyssys Alves on Medium</title>
            <link>https://medium.com/@wllyssys.alves?source=rss-531eff4ffe87------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 15:52:29 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@wllyssys.alves/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[Visual Complexity: Mapping Patterns of Information]]></title>
            <link>https://medium.com/@wllyssys.alves/visual-complexity-mapping-patterns-of-information-2043b70a2472?source=rss-531eff4ffe87------2</link>
            <guid isPermaLink="false">https://medium.com/p/2043b70a2472</guid>
            <category><![CDATA[data-visualization]]></category>
            <dc:creator><![CDATA[Wllyssys Alves]]></dc:creator>
            <pubDate>Tue, 18 Mar 2025 23:34:31 GMT</pubDate>
            <atom:updated>2025-03-18T23:34:31.554Z</atom:updated>
            <content:encoded><![CDATA[<p>O livro Visual Complexity: Mapping Patterns of Information, escrito por Manuel Lima, explora o campo da visualização de dados e da representação gráfica de informações complexas. Publicado em 2011, o livro é uma referência importante para designers, cientistas de dados e profissionais que trabalham com visualização de informação.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/604/1*Sy_G13AN5ctmrPW-Wn6hgQ.jpeg" /></figure><p>A obra aborda como a complexidade de sistemas e redes pode ser representada visualmente de maneira clara e eficaz. Lima examina uma variedade de exemplos históricos e contemporâneos de mapas, diagramas e gráficos que ilustram padrões de informação em diferentes contextos, como redes sociais, biologia, tecnologia e arte.</p><p>Alguns dos principais temas do livro incluem:</p><p>1. **História da Visualização de Dados**: Lima traça a evolução da representação visual de informações, desde mapas antigos até visualizações digitais modernas.<br> <br>2. **Tipos de Redes e Estruturas**: O livro explora diferentes tipos de redes (hierárquicas, descentralizadas, etc.) e como elas podem ser mapeadas visualmente.</p><p>3. **Design e Estética**: Lima discute a importância do design na criação de visualizações que são não apenas informativas, mas também esteticamente atraentes.</p><p>4. **Aplicações Práticas**: O autor apresenta estudos de caso e exemplos reais de como a visualização de dados é usada em diversas áreas, como ciência, negócios e arte.</p><p>5. **Ferramentas e Técnicas**: O livro também aborda ferramentas e métodos utilizados para criar visualizações de dados complexos.</p><p>Em resumo, **&quot;Visual Complexity&quot;** é uma obra que combina teoria, prática e inspiração, mostrando como a visualização de dados pode ajudar a entender e comunicar informações complexas de maneira eficaz. É uma leitura valiosa para quem se interessa por design de informação, ciência de dados e comunicação visual.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2043b70a2472" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[CARGO: A06 - ANALISTA DO MPU / DESENVOLVIMENTO DE SISTEMAS]]></title>
            <link>https://medium.com/@wllyssys.alves/cargo-a06-analista-do-mpu-desenvolvimento-de-sistemas-bf2867a351a8?source=rss-531eff4ffe87------2</link>
            <guid isPermaLink="false">https://medium.com/p/bf2867a351a8</guid>
            <dc:creator><![CDATA[Wllyssys Alves]]></dc:creator>
            <pubDate>Mon, 17 Mar 2025 11:34:59 GMT</pubDate>
            <atom:updated>2025-03-17T11:34:59.651Z</atom:updated>
            <content:encoded><![CDATA[<p>CARGO: A06 - ANALISTA DO MPU / DESENVOLVIMENTO DE SISTEMAS</p><p>#### CONHECIMENTOS ESPECÍFICOS</p><p>1. **Governança de Tecnologia da Informação**<br> - Conceitos<br> - Planejamento Estratégico de Tecnologia da Informação<br> - Plano Diretor de Tecnologia da Informação: Implantação, Estrutura e Acompanhamento<br> - Governança de Dados<br> - DAMA/DMBOK 2ª edição</p><p>2. **Gerenciamento de Processos de Negócio (BPM CBOK v.4.0)**<br> - Conceitos<br> - Modelagem de Processos<br> - Análise de Processos<br> - Desenho de Processos<br> - Gerenciamento de Desempenho de Processos<br> - Transformação de Processos<br> - Tecnologias de BPM<br> - Tipologia dos Processos<br> - Hierarquia do Processo: Macroprocesso, Processo, Subprocesso, Atividades e Tarefa<br> - Reengenharia de Processos<br> - Abordagens de Melhoria de Processos<br> - Notação BPMN<br> - Ferramentas e Tecnologias de Gerenciamento de Processos<br> - Automação de Processos<br> - BPMS</p><p>3. **Gerenciamento de Indicadores, Metas e Resultados**<br> - Metodologia de Indicadores: Balanced Scorecard (BSC); Objective and Key Results (OKR); Key Performance Indicator (KPI)<br> - Metodologia de Ponto de Função e Story Points<br> - Software Non-Functional Assessment Process (SNAP)</p><p>4. **Engenharia de Requisitos**<br> - Tipificação<br> - Especificação<br> - Elicitação<br> - Análise<br> - Validação<br> - Gerenciamento</p><p>5. **COBIT 2019 Framework**</p><p>6. **Gestão de Projetos (PMBOK 7ª Edição)**<br> - Gerenciamento de Projetos<br> - Conceitos<br> - Áreas de Conhecimento<br> - Projetos, Programas, Portfólio<br> - Tipos de Abordagem: Tradicional, Híbrida e Ágil</p><p>7. **Biblioteca ITIL Versão 4**</p><p>8. **UML 2.5.1**</p><p>9. **Processos de Software**<br> - Atividades<br> - Reutilização<br> - Prototipação<br> - Processo Unificado<br> - Rational Unified Process (RUP)<br> - Processo Incremental<br> - Processos e Métodos Ágeis: Extreme Programming (XP), SCRUM, Kanban<br> - DevSecOps</p><p>10. **Engenharia de Software**<br> - Ciclo de Vida de Sistemas<br> - Modelos, Metodologias, Técnicas e Ferramentas de Análise e Projeto de Sistemas (Paradigma Estruturado e Paradigma Orientado a Objetos)<br> - Desenho de Arquitetura de Soluções</p><p>11. **Usabilidade de Software**<br> - User Experience (UX)<br> - Design de User Interface (UI)<br> - Métodos para Avaliação de Usabilidade<br> - WCAG (World Content Accessibility Guide)<br> - eMAG (Modelo de Acessibilidade em Governo Eletrônico)</p><p>12. **Testes de Software**<br> - Planejamento<br> - Estratégias, Métodos e Técnicas<br> - Testes Automatizados<br> - Test Driven Development (TDD)<br> - Abordagem Domain-Driven Design (DDD)</p><p>13. **Qualidade de Software**<br> - Processos<br> - Atributos<br> - Medições<br> - Métricas de Qualidade<br> - CMMI v3 e MPS.BR</p><p>14. **Gerência de Configuração**<br> - Controle de Versão<br> - Controle de Mudança<br> - Integração e Entrega Contínua (CI/CD)<br> - Protocolo Git<br> - Protocolo Subversion (SVN)<br> - Conhecimento das Ferramentas: Git, Gitlab, Jenkins, Apache NiFi, Jira e Confluence<br> - Gestão de Pipelines no Gitlab CI/CD</p><p>15. **Gerenciamento de Contêineres**<br> - Docker<br> - Kubernetes<br> - Rancher</p><p>16. **Arquitetura de Software**<br> - Padrões Arquiteturais: SOLID, REST, SOAP, MVC, Três Camadas (Three-Tier), Multicamadas (Multi-Tier), Arquitetura Orientada a Serviços (SOA), Microsserviços, Webservices, Application Programming Interface (API), Interoperabilidade de Sistemas, Orientação a Eventos, Cliente-Servidor, Pipes-and-Filters e P2P<br> - Arquitetura Hexagonal e Clean Architecture</p><p>17. **Recomendações W3C**<br> - HTML5, CSS3, UX, Ajax<br> - Frameworks: ExtJS, Angular, Angular JS, Ionic e React</p><p>18. **Linguagens de Programação, Frameworks e Toolkits**<br> - JavaScript, TypeScript, Java, JEE, Angular, jQuery, Vue, Bootstrap, npm, Maven, React.JS, ReactNative, Spring, SpringBoot, Spring Cloud, Laravel, Django, Hibernate, JPA, JDBC, JBossSeam, Junit, GraphQL, Python (NumPy, Pandas, SciPy, Matplotlib), PHP, Swagger, Oracle APEX</p><p>19. **Padrões**<br> - XML, UDDI, WSDL, SOAP e JSON</p><p>20. **Ferramentas de Wireframe**<br> - Balsamiq, Figma e Pencil</p><p>21. **Servidores de Armazenamento de Objetos**<br> - Conceito<br> - Conhecimento das Plataformas: Jackrabbit (JCR), MinIO, Elastic Stack, Apache Kafka e RabbitMQ</p><p>22. **Servidores Web**<br> - Nginx e Apache</p><p>23. **Servidores de Aplicação Java Platform Enterprise Edition (JEE)**<br> - Oracle WebLogic Server, JBoss, Tomcat, Node.js e Wildfly</p><p>24. **Robotic Process Automation (RPA)**</p><p>25. **Computação em Nuvem**<br> - Fundamentos<br> - Características<br> - Modelos de Serviços<br> - Modelos de Implantação</p><p>26. **Desenvolvimento para Dispositivos Móveis**<br> - Android e IOS</p><p>27. **Banco de Dados**<br> - Modelagem de Dados (Conceitual, Lógica e Física)<br> - Projeto e Modelagem de Banco de Dados Relacional<br> - Modelo e Diagrama Entidade Relacionamento<br> - Notação Crow&#39;s Foot (Pé de Galinha)<br> - Normalização das Estruturas de Dados<br> - Integridade Referencial<br> - Metadados<br> - Álgebra Relacional<br> - Linguagem de Consulta Estruturada (SQL)<br> - Linguagens de Definição (DDL), Manipulação (DML), Controle (DCL) e Transação (DTL) de Dados em SGBDs Relacionais<br> - SGBDs: Oracle, MySQL e PostgreSQL<br> - Linguagens Procedurais de SGBDs: Oracle, MySQL e PostgreSQL<br> - PL/SQL: Conceitos e Comandos<br> - Conhecimento da Ferramenta SQL Navigator</p><p>28. **Soluções de Suporte à Decisão**<br> - Conceitos, Fundamentos, Características, Técnicas<br> - Business Intelligence (BI)<br> - Data Warehouse, Data Mart, ODS, Data Mining, Data Lake, ETL, OLAP e Repositório de Metadados<br> - Modelagem Multidimensional: Básica e Avançada<br> - Metodologia CRISP-DM<br> - Conhecimento das Ferramentas: QlikView, Power BI e Microstrategy<br> - Conhecimento das Ferramentas: Flyway e Pentaho<br> - Conhecimento das Ferramentas: Powercenter e Powerdesigner<br> - Data Lakes e Soluções para Big Data<br> - Técnicas de Integração e Ingestão de Dados (ETL/ELT, Transferência de Arquivos e Integração via Base de Dados)<br> - Bancos de Dados NoSQL: MongoDB, GraphDB</p><p>29. **Inteligência Artificial**<br> - Conceitos e Tecnologias de IA<br> - Engenharia de Prompts<br> - Aprendizado de Máquina<br> - Deep Learning<br> - Chatbots<br> - Large Language Models (LLMs)<br> - Retrieval-Augmented Generation (RAG)</p><p>30. **Segurança da Informação**<br> - Políticas de Segurança da Informação<br> - Princípios de Desenvolvimento Seguro de Aplicações<br> - Confiabilidade, Integridade e Disponibilidade<br> - Normas: ABNT NBR ISO/IEC 27001-2022 e ABNT NBR ISO/IEC 27002-2022<br> - Serviços de Autenticação: SSO Single Sign-On, Keycloak, OpenID Connect (OIDC), Protocolo OAuth2 (RFC 6749)<br> - Lei nº 13.709/2018 e suas alterações (Lei Geral de Proteção de Dados Pessoais – LGPD)<br> - Tratamento de Dados Pessoais no Poder Público, conforme orientação da ANPD<br> - Guia do Framework de Privacidade e Segurança da Informação da Secretaria de Governo Digital<br> - Princípios de Privacy by Design</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bf2867a351a8" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Emendas Pix no Ceará]]></title>
            <link>https://medium.com/@wllyssys.alves/emendas-pix-no-cear%C3%A1-b8c0c00dfcd1?source=rss-531eff4ffe87------2</link>
            <guid isPermaLink="false">https://medium.com/p/b8c0c00dfcd1</guid>
            <category><![CDATA[dataviz]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[emendas-parlamentares]]></category>
            <category><![CDATA[ciencia-de-dados]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Wllyssys Alves]]></dc:creator>
            <pubDate>Fri, 22 Nov 2024 23:49:21 GMT</pubDate>
            <atom:updated>2024-11-22T23:49:21.613Z</atom:updated>
            <content:encoded><![CDATA[<p>Uma análise exploratória com Python</p><p>Iremos analisar os dados de Emendas Parlamentares enviadas entre os anos de 2022 e 2024 para o estado do Ceará e seus municípios. Nosso foco será nas <a href="https://portaldatransparencia.gov.br/entenda-a-gestao-publica/emendas-parlamentares">Emendas Individuais — Transferências Especiais</a> que ficaram conhecidas por Emendas Pix. Estes dados estão disponíveis no <a href="https://portaldatransparencia.gov.br/emendas">Painel de Emendas Parlamentares</a> do Portal da Transparência.</p><p>Bibliotecas utilizadas:</p><pre>import numpy as np<br>import pandas as pd<br># gráficos e visualizações<br>import matplotlib.pylab as plt<br>import plotly.io as pio<br>import plotly.express as px<br>import plotly.offline as py<br># formatar valores como moeda<br>from babel.numbers import format_currency</pre><p><strong>Importando os dados e identificando sua estrutura.</strong> É importante sabermos a quantidade de linhas e colunas e quais os tipos de dados. Estas informações nos ajudarão a selecionar as colunas e linhas de nosso interesse, identificar se serão necessárias transformações nestes dados, entre outras modificações. Temos 18 colunas com 2849 linhas.</p><pre>df = pd.read_csv(&#39;emendas.csv&#39;, sep=&#39;;&#39;)<br>df.info()</pre><pre>RangeIndex: 2849 entries, 0 to 2848<br>Data columns (total 18 columns):<br> #   Column                                Non-Null Count  Dtype  <br>---  ------                                --------------  -----  <br> 0   Ano                                   2849 non-null   int64  <br> 1   Tipo de Emenda                        2849 non-null   object <br> 2   Autor da emenda                       2849 non-null   object <br> 3   Número da emenda                      2849 non-null   int64  <br> 4   Localidade do gasto (Regionalização)  2849 non-null   object <br> .<br> .<br> .<br> 13  Valor pago                            2849 non-null   object <br> 14  Valor Restos a Pagar Inscritos        2849 non-null   object <br> 15  Valor Restos a Pagar Cancelados       2849 non-null   object <br> 16  Valor Restos a Pagar Pagos            2849 non-null   object </pre><p><strong>Selecionando colunas, renomeando e transformando.</strong> As colunas que nos interessam são <em>Autor da emenda , Localidade do gasto (Regionalização), Valor pago, Valor Restos a Pagar Pagos</em>. Vamos renomeá-las para trabalhar mais facilmente. As colunas de valor estão como texto e serão convertidas para número sem separador de milhares e separador decimal como ponto. Precisamos também <strong>identificar qual foi o valor pag</strong>o na emenda parlamentar. Para simplificar nossa análise vamos considerar que uma emenda foi paga quanto <strong>vlr_pago &gt; 0 </strong>ou<strong> vlr_restos &gt; 0</strong>. Sendo assim, vamos criar uma coluna, <strong>vlr</strong>, a partir da soma de <strong>vlr_pago </strong>e <strong>vlr_restos</strong>.</p><pre># selecionando e renomeando<br>df = df.loc[:, [&#39;Autor da emenda&#39;,&#39;Localidade do gasto (Regionalização)&#39;,&#39;Valor pago&#39;,&#39;Valor Restos a Pagar Pagos&#39;]]<br>df.columns = [&#39;autor&#39;,&#39;local&#39;,&#39;vlr_pago&#39;,&#39;vlr_restos&#39;]<br><br># convertendo<br># quero aplicar em todas as colunas que comecem com esse prefixo<br>prefix = &#39;vlr_&#39;<br><br># retira o ponto e depois troca vírgula por ponto<br>def convert_to_float(x):<br>    return float(x.replace(&quot;.&quot;,&quot;&quot;).replace(&quot;,&quot;,&quot;.&quot;))<br><br># lista das colunas com o prefixo indicado<br>colunas = [col for col in df if col.startswith(prefix)]<br><br># aplicando a função<br>for coluna in colunas:<br>    df[coluna] = df[coluna].map(lambda x: convert_to_float(x))<br><br># valor pago<br>df[&#39;vlr&#39;] = df[&#39;vlr_pago&#39;]+df[&#39;vlr_restos&#39;]</pre><p><strong>Selecionando os dados de interesse.</strong> Nossa análise precisa dos dados que combinem duas condições: emendas que foram pagas, e que tenham como destino o estado do Ceará ou seus municípios. Para o primeiro critério selecionamos <strong>vlr &gt; 0</strong>. Para o segundo, observamos que emendas destinadas aos estados se apresentam seguinte forma: CEARÁ (UF), PIAUÍ (UF) etc. E quando para municípios na forma: PATY DO ALFERES — RJ, MORADA NOVA — CE etc.</p><pre># colunas e filtro por valor<br>df = df[[&#39;autor&#39;,&#39;local&#39;,&#39;vlr&#39;]]<br>df = df[df[&#39;vlr&#39;]&gt;0]<br><br># dataframes para estado e municípios<br>def separar_dados_ce(df):<br>    df_estado = df.loc[df[&#39;local&#39;]==&#39;CEARÁ (UF)&#39;]<br>    df_cidades = df.loc[df[&#39;local&#39;].str.contains(&#39;- CE&#39;)]<br>    return df_estado.reset_index(drop=True), df_cidades.reset_index(drop=True)<br><br>df_ce, df_cidades = separar_dados_ce(df)</pre><h3>Emendas para o estado</h3><p>Sobre os dados do estado, vamos agrupar por autor para verificar quantas emendas e o total enviado.</p><pre># Agregando os valores<br>df_ce_agg = (<br>    df_ce.copy().groupby(&#39;autor&#39;)<br>    .agg({&#39;autor&#39;:&#39;count&#39;, &#39;vlr&#39;: &#39;sum&#39;})<br>    .rename(columns={&#39;autor&#39;:&#39;Emendas&#39;, &#39;vlr&#39;:&#39;Valor&#39;})<br>    .reset_index()<br>)<br>df_ce_agg.rename(columns={&#39;autor&#39;:&#39;Autor&#39;}, inplace=True)<br>df_ce_agg.sort_values(by=&#39;Valor&#39;, ascending=False, inplace=True)<br><br>maior_valor = format_currency(df_ce_agg[&#39;Valor&#39;].max(), currency=&quot;BRL&quot;, locale=&quot;pt_BR&quot;) <br>menor_valor = format_currency(df_ce_agg[&#39;Valor&#39;].min(), currency=&quot;BRL&quot;, locale=&quot;pt_BR&quot;) <br><br>titulo = f&quot;&quot;&quot;Quantidede de políticos que enviaram emendas {df_ce_agg.shape[0]} <br>Maior valor: {maior_valor} <br>Menor valor: {menor_valor}&quot;&quot;&quot;<br>print(titulo)<br><br># formatando os valores<br>df_ce_agg.head().style \<br>.format(precision=2, thousands=&quot;.&quot;, decimal=&quot;,&quot;) </pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/461/1*ieFLuIZPhenbJtkwY7qnSg.png" /><figcaption>Resultado da agregação</figcaption></figure><p>Para facilitar a visualização dessa informação, vou gerar um treemap e apresentar os valores em milhões.</p><pre># dividindo os valores por milhão e formatando<br>df_ce_agg[&#39;Valor_Milhao&#39;] = df_ce_agg[&#39;Valor&#39;]/1000000<br>df_ce_agg[&quot;Valor_Milhao&quot;] = df_ce_agg[&quot;Valor_Milhao&quot;].map(&quot;{:,.2f}M&quot;.format)<br><br># treemap com os valores por autor<br>fig1 = px.treemap(<br>    df_ce_agg<br>    , path=[px.Constant(&quot;Ceará&quot;), &quot;Autor&quot;]<br>    , values=&quot;Valor&quot;<br>    , color=&quot;Valor&quot;<br>    , color_continuous_scale=&#39;viridis&#39;<br>    , title=&quot;Emendas para o estado do Ceará&quot;<br>)<br><br># texto dentro do conjuntos<br>fig1.update_traces(<br>    text=df_ce_agg[&#39;Valor_Milhao&#39;]<br>    , textinfo=&quot;label+text+percent root&quot;<br>    , root_color=&quot;lightgrey&quot;<br>    , selector=dict(type=&#39;treemap&#39;)<br>    , opacity=0.75<br>)<br>fig1.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Gqxl_6QL7lkm6yglDyckGw.png" /><figcaption>Treemap com o valor enviado por cada autor</figcaption></figure><h3>Emendas para municípios</h3><p>Para as cidades que receberam emendas, vou retirar a marcação do estado do nome da cidade. Quero ver o nome destas cidades, mas como são muitas, vou distribuí-las em várias colunas de um DataFrame.</p><pre># limpando o nome das cidades<br>df_cidades[&#39;local&#39;] = df_cidades[&quot;local&quot;].apply(lambda x: x.replace(&quot; - CE&quot;, &quot;&quot;))<br><br># cidades sem repetição ordenadas<br>def cidades_emendas(df_ce):<br>    locais = sorted(df_ce[&#39;local&#39;].unique())<br>    locais = pd.DataFrame({&#39;cidade&#39;:locais})<br>    return locais<br><br># espalhar a lista de cidades num dataframe<br>def espalhar_cidades(series):<br>    # Quantidade de colunas<br>    n = 5<br><br>    # quantidade de linhas necessárias<br>    num_rows = int(np.ceil(len(series) / n))<br><br>    # completando a Series com NaN<br>    padded_series = np.pad(series, (0, num_rows * n - len(series)), constant_values=&#39;&#39;)<br><br>    # formatando o DataFrame<br>    reshaped_array = padded_series.reshape(num_rows, n)<br>    return pd.DataFrame(reshaped_array)<br><br><br>locais = cidades_emendas(df_cidades)<br>print(f&quot;Quantidade de cidades que receberam emendas {locais.shape[0]}&quot;)<br><br>espalhar_cidades(locais[&#39;cidade&#39;])</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/822/1*GtdLsGOfi8q09tZLs2888g.png" /><figcaption>Lista das cidades recebedoras</figcaption></figure><p>E também quero ver os dados num treemap.</p><pre># dividindo os valores por milhão e formatando<br>cidades_emendas_df[&#39;Valor_Milhao&#39;] = cidades_emendas_df[&#39;Valor&#39;]/1000000<br>cidades_emendas_df[&quot;Valor_Milhao&quot;] = cidades_emendas_df[&quot;Valor_Milhao&quot;].map(&quot;{:,.2f}M&quot;.format)<br><br>fig2 = px.treemap(<br>    cidades_emendas_df<br>    , path=[px.Constant(&quot;Cidades&quot;),&quot;Cidade&quot;]<br>    , values=&quot;Valor&quot;<br>    , color=&quot;Valor&quot;<br>    , color_continuous_scale=&#39;viridis&#39;<br>    , title=&quot;Cidades do Ceará recebedoras de emendas&quot;<br>)<br><br>fig2.update_traces(<br>    text=cidades_emendas_df[&#39;Valor_Milhao&#39;],<br>    textinfo=&quot;label+text&quot;, <br>    selector=dict(type=&#39;treemap&#39;), <br>    opacity=0.75<br>)<br>fig2.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zfFDI6HtaKqExmRh73F1Ug.png" /><figcaption>Cidades e valores recebidos</figcaption></figure><p>Nesta primeira parte vimos a importação dos dados, transformações em algumas colunas para posterior seleção dos dados, depois começamos a investigar valores enviados para o estado e para as cidades mediante gráficos que mostram a alocação destes recursos.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b8c0c00dfcd1" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>