Python Data Science Numpy

Este repositório apresenta um portfólio de Python aplicados à Ciência de Dados, com ênfase especial na biblioteca NumPy (Numerical Python). O material guia o usuário desde os conceitos básicos da linguagem até a manipulação avançada de arrays multidimensionais, que são a base para computação científica e análise de dados em Python.

📖 Tabela de Conteúdos

1. Introdução ao Python

   • Configuração do ambiente (Anaconda, Google Colab)
   • Primeiro contato com dados usando NumPy (np.loadtxt)
   • Realizando a primeira operação vetorizada

2. Características Básicas da Linguagem

   • Operações matemáticas e expressões
   • Variáveis, tipos de dados (int, float, bool, str, None)
   • Conversão de tipos e formatação de strings (f-strings)

3. Trabalhando com Listas

   • Criação, seleção, fatiamento e concatenação
   • Principais métodos (.sort(), .append(), .pop(), .copy())

4. Estruturas de Repetição e Condicionais

   • Laços for e loops aninhados
   • List Comprehensions
   • Estruturas if, elif, else

5. NumPy

   • Criação de Arrays:
     • A partir de listas Python (np.array)
     • A partir de arquivos externos (np.loadtxt)
     • Comparativo de desempenho: NumPy vs. Listas
   • Operações com Arrays:
     • Operações vetorizadas (array com escalar, array com array)
     • Operações em arrays de duas dimensões
   • Seleção em Arrays:
     • Indexação e fatiamento (slicing)
     • Indexação com arrays booleanos (filtros)
   • Atributos e Métodos:
     • Atributos: .shape, .ndim, .size, .dtype, .T
     • Métodos: .tolist(), .reshape(), .resize()
   • Estatísticas com Arrays:
     • Cálculo de média (np.mean), desvio padrão (np.std) e soma (np.sum)
     • Uso do parâmetro axis para operações em eixos específicos

---

4. Fundamentos do Python

As seções iniciais constroem uma base sólida em Python, cobrindo desde a sintaxe e tipos de dados até estruturas de controle como laços e condicionais. Estes são pré-requisitos essenciais para qualquer pessoa que queira trabalhar com Data Science.

5. NumPy

Esta é a seção principal do notebook, onde você mergulhará no poder da computação numérica com NumPy. Os principais aprendizados incluem:

• Performance Superior: Uma demonstração prática (%timeit) que prova por que os arrays NumPy são ordens de magnitude mais rápidos que as listas Python para operações numéricas.
• Criação e Manipulação de Arrays: Aprenda a criar arrays multidimensionais a partir de diversas fontes e a inspecionar suas propriedades com atributos como .shape, .ndim e .dtype.
• Poder da Vetorização: Entenda como realizar operações matemáticas complexas em arrays inteiros sem a necessidade de escrever laços for explícitos, resultando em um código mais limpo, legível e performático.
• Seleção de Dados Avançada: Domine técnicas de fatiamento e indexação booleana para filtrar e selecionar dados de forma eficiente e intuitiva.
• Transformação de Dados: Utilize métodos como .reshape() e .T (transposição) para moldar seus dados no formato necessário para análises e algoritmos de machine learning.
• Análise Estatística: Calcule estatísticas descritivas fundamentais (média, desvio padrão, soma) de forma simples e eficiente, controlando o eixo da operação.

🚀 Como Executar

Para executar este notebook em sua máquina local, siga os passos abaixo.

Pré-requisitos

• Python 3.7 ou superior
• Jupyter Notebook ou JupyterLab (geralmente incluído em distribuições como Anaconda)

Passos

1. Clone o repositório:

   git clone https://github.com/sergiocalazans/python-data-science-numpy.git

2. Navegue até o diretório clonado:

   cd python-data-science-numpy

3. Instale a biblioteca NumPy (se ainda não tiver):

   pip install numpy

4. Inicie o Jupyter Notebook ou JupyterLab:

   jupyter notebook
   # ou
   jupyter lab

Alternativamente, você pode abrir os notebooks diretamente no Google Colab clicando no badge abaixo, sem necessidade de instalação local.