{ "cells": [ { "cell_type": "markdown", "metadata": {}, "source": [ "# Data Science Academy - Python Fundamentos - Capítulo 3\n", "\n", "## Download: http://github.com/dsacademybr" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "## Exercícios - Métodos e Funções" ] }, { "cell_type": "code", "execution_count": 1, "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "2\n", "4\n", "6\n", "8\n", "10\n", "12\n", "14\n", "16\n", "18\n", "20\n" ] } ], "source": [ "# Exercício 1 - Crie uma função que imprima a sequência de números pares entre 1 e 20 (a função não recebe parâmetro) e \n", "# depois faça uma chamada à função para listar os números\n", "def listaPar():\n", " for i in range(2, 21, 2): \n", " print(i)\n", " \n", "listaPar() " ] }, { "cell_type": "code", "execution_count": 2, "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "RUMO À ANÁLISE DE DADOS\n" ] } ], "source": [ "# Exercício 2 - Crie uam função que receba uma string como argumento e retorne a mesma string em letras maiúsculas.\n", "# Faça uma chamada à função, passando como parâmetro uma string\n", "def listaString(texto):\n", " print(texto.upper())\n", " return\n", "\n", "listaString('Rumo à Análise de Dados')" ] }, { "cell_type": "code", "execution_count": 3, "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "None\n", "None\n", "[1, 2, 3, 4, 5, 6]\n" ] } ], "source": [ "# Exercício 3 - Crie uma função que receba como parâmetro uma lista de 4 elementos, adicione 2 elementos a lista e \n", "# imprima a lista\n", "def novaLista(lista):\n", " print(lista.append(5))\n", " print(lista.append(6))\n", " \n", "lista1 = [1, 2, 3, 4] \n", "novaLista(lista1)\n", "print(lista1)" ] }, { "cell_type": "code", "execution_count": 4, "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "100\n", "A\n", "B\n", "C\n" ] } ], "source": [ "# Exercício 4 - Crie uma função que receba um argumento formal e uma possível lista de elementos. Faça duas chamadas \n", "# à função, com apenas 1 elemento e na segunda chamada com 4 elementos\n", "def printNum( arg1, *lista ):\n", " print (arg1)\n", " for i in lista:\n", " print (i)\n", " return;\n", "\n", "# Chamada à função\n", "printNum( 100 )\n", "printNum( 'A', 'B', 'C' )" ] }, { "cell_type": "code", "execution_count": 5, "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "A soma é : 750\n" ] } ], "source": [ "# Exercício 5 - Crie uma função anônima e atribua seu retorno a uma variável chamada soma. A expressão vai receber 2 \n", "# números como parâmetro e retornar a soma deles\n", "soma = lambda arg1, arg2: arg1 + arg2\n", "print (\"A soma é : \", soma( 452, 298 ))" ] }, { "cell_type": "code", "execution_count": 6, "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "Dentro da função o total é: 30\n", "Fora da função o total é: 0\n" ] } ], "source": [ "# Exercício 6 - Execute o código abaixo e certifique-se que compreende a diferença entre variável global e local\n", "\n", "total = 0\n", "def soma( arg1, arg2 ):\n", " total = arg1 + arg2; \n", " print (\"Dentro da função o total é: \", total)\n", " return total;\n", "\n", "\n", "soma( 10, 20 );\n", "print (\"Fora da função o total é: \", total)" ] }, { "cell_type": "code", "execution_count": 7, "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "[102.56, 97.7, 99.14, 100.03999999999999]\n" ] } ], "source": [ "# Exercício 7 - Abaixo você encontra uma lista com temperaturas em graus Celsius\n", "# Crie uma função anônima que converta cada temperatura para Fahrenheit\n", "# Dica: para conseguir realizar este exercício, você deve criar sua função lambda, dentro de uma função \n", "# (que será estudada no próximo capítulo). Isso permite aplicar sua função a cada elemento da lista\n", "# Como descobrir a fórmula matemática que converte de Celsius para Fahrenheit? Pesquise!!!\n", "Celsius = [39.2, 36.5, 37.3, 37.8]\n", "Fahrenheit = map(lambda x: (float(9)/5)*x + 32, Celsius)\n", "print (list(Fahrenheit))" ] }, { "cell_type": "code", "execution_count": 8, "metadata": {}, "outputs": [ { "data": { "text/plain": [ "['__class__',\n", " '__contains__',\n", " '__delattr__',\n", " '__delitem__',\n", " '__dir__',\n", " '__doc__',\n", " '__eq__',\n", " '__format__',\n", " '__ge__',\n", " '__getattribute__',\n", " '__getitem__',\n", " '__gt__',\n", " '__hash__',\n", " '__init__',\n", " '__init_subclass__',\n", " '__iter__',\n", " '__le__',\n", " '__len__',\n", " '__lt__',\n", " '__ne__',\n", " '__new__',\n", " '__reduce__',\n", " '__reduce_ex__',\n", " '__repr__',\n", " '__setattr__',\n", " '__setitem__',\n", " '__sizeof__',\n", " '__str__',\n", " '__subclasshook__',\n", " 'clear',\n", " 'copy',\n", " 'fromkeys',\n", " 'get',\n", " 'items',\n", " 'keys',\n", " 'pop',\n", " 'popitem',\n", " 'setdefault',\n", " 'update',\n", " 'values']" ] }, "execution_count": 8, "metadata": {}, "output_type": "execute_result" } ], "source": [ "# Exercício 8\n", "# Crie um dicionário e liste todos os métodos e atributos do dicionário\n", "dic = {'k1': 'Natal', 'k2': 'Recife'}\n", "dir(dic)" ] }, { "cell_type": "code", "execution_count": 9, "metadata": {}, "outputs": [ { "data": { "text/plain": [ "['Categorical',\n", " 'CategoricalIndex',\n", " 'DataFrame',\n", " 'DateOffset',\n", " 'DatetimeIndex',\n", " 'ExcelFile',\n", " 'ExcelWriter',\n", " 'Expr',\n", " 'Float64Index',\n", " 'Grouper',\n", " 'HDFStore',\n", " 'Index',\n", " 'IndexSlice',\n", " 'Int64Index',\n", " 'Interval',\n", " 'IntervalIndex',\n", " 'MultiIndex',\n", " 'NaT',\n", " 'Panel',\n", " 'Panel4D',\n", " 'Period',\n", " 'PeriodIndex',\n", " 'RangeIndex',\n", " 'Series',\n", " 'SparseArray',\n", " 'SparseDataFrame',\n", " 'SparseList',\n", " 'SparseSeries',\n", " 'Term',\n", " 'TimeGrouper',\n", " 'Timedelta',\n", " 'TimedeltaIndex',\n", " 'Timestamp',\n", " 'UInt64Index',\n", " 'WidePanel',\n", " '_DeprecatedModule',\n", " '__builtins__',\n", " '__cached__',\n", " '__doc__',\n", " '__docformat__',\n", " '__file__',\n", " '__loader__',\n", " '__name__',\n", " '__package__',\n", " '__path__',\n", " '__spec__',\n", " '__version__',\n", " '_hashtable',\n", " '_lib',\n", " '_libs',\n", " '_np_version_under1p10',\n", " '_np_version_under1p11',\n", " '_np_version_under1p12',\n", " '_np_version_under1p13',\n", " '_np_version_under1p14',\n", " '_np_version_under1p8',\n", " '_np_version_under1p9',\n", " '_tslib',\n", " '_version',\n", " 'api',\n", " 'bdate_range',\n", " 'compat',\n", " 'concat',\n", " 'core',\n", " 'crosstab',\n", " 'cut',\n", " 'date_range',\n", " 'datetime',\n", " 'datetools',\n", " 'describe_option',\n", " 'errors',\n", " 'eval',\n", " 'ewma',\n", " 'ewmcorr',\n", " 'ewmcov',\n", " 'ewmstd',\n", " 'ewmvar',\n", " 'ewmvol',\n", " 'expanding_apply',\n", " 'expanding_corr',\n", " 'expanding_count',\n", " 'expanding_cov',\n", " 'expanding_kurt',\n", " 'expanding_max',\n", " 'expanding_mean',\n", " 'expanding_median',\n", " 'expanding_min',\n", " 'expanding_quantile',\n", " 'expanding_skew',\n", " 'expanding_std',\n", " 'expanding_sum',\n", " 'expanding_var',\n", " 'factorize',\n", " 'get_dummies',\n", " 'get_option',\n", " 'get_store',\n", " 'groupby',\n", " 'infer_freq',\n", " 'interval_range',\n", " 'io',\n", " 'isnull',\n", " 'json',\n", " 'lib',\n", " 'lreshape',\n", " 'match',\n", " 'melt',\n", " 'merge',\n", " 'merge_asof',\n", " 'merge_ordered',\n", " 'notnull',\n", " 'np',\n", " 'offsets',\n", " 'option_context',\n", " 'options',\n", " 'ordered_merge',\n", " 'pandas',\n", " 'parser',\n", " 'period_range',\n", " 'pivot',\n", " 'pivot_table',\n", " 'plot_params',\n", " 'plotting',\n", " 'pnow',\n", " 'qcut',\n", " 'read_clipboard',\n", " 'read_csv',\n", " 'read_excel',\n", " 'read_feather',\n", " 'read_fwf',\n", " 'read_gbq',\n", " 'read_hdf',\n", " 'read_html',\n", " 'read_json',\n", " 'read_msgpack',\n", " 'read_pickle',\n", " 'read_sas',\n", " 'read_sql',\n", " 'read_sql_query',\n", " 'read_sql_table',\n", " 'read_stata',\n", " 'read_table',\n", " 'reset_option',\n", " 'rolling_apply',\n", " 'rolling_corr',\n", " 'rolling_count',\n", " 'rolling_cov',\n", " 'rolling_kurt',\n", " 'rolling_max',\n", " 'rolling_mean',\n", " 'rolling_median',\n", " 'rolling_min',\n", " 'rolling_quantile',\n", " 'rolling_skew',\n", " 'rolling_std',\n", " 'rolling_sum',\n", " 'rolling_var',\n", " 'rolling_window',\n", " 'scatter_matrix',\n", " 'set_eng_float_format',\n", " 'set_option',\n", " 'show_versions',\n", " 'stats',\n", " 'test',\n", " 'testing',\n", " 'timedelta_range',\n", " 'to_datetime',\n", " 'to_msgpack',\n", " 'to_numeric',\n", " 'to_pickle',\n", " 'to_timedelta',\n", " 'tools',\n", " 'tseries',\n", " 'tslib',\n", " 'unique',\n", " 'util',\n", " 'value_counts',\n", " 'wide_to_long']" ] }, "execution_count": 9, "metadata": {}, "output_type": "execute_result" } ], "source": [ "# Exercício 9\n", "# Abaixo você encontra a importação do Pandas, um dos principais pacotes Python para análise de dados.\n", "# Analise atentamente todos os métodos disponíveis. Um deles você vai usar no próximo exercício.\n", "import pandas as pd\n", "dir(pd)" ] }, { "cell_type": "code", "execution_count": 10, "metadata": {}, "outputs": [ { "data": { "text/html": [ "
\n", "\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
admitgregparank
count5.0000005.0000005.0000005.000000
mean0.600000616.0000003.4800003.000000
std0.547723185.1485890.4213071.224745
min0.000000380.0000002.9300001.000000
25%0.000000520.0000003.1900003.000000
50%1.000000640.0000003.6100003.000000
75%1.000000660.0000003.6700004.000000
max1.000000880.0000004.0000004.000000
\n", "
" ], "text/plain": [ " admit gre gpa rank\n", "count 5.000000 5.000000 5.000000 5.000000\n", "mean 0.600000 616.000000 3.480000 3.000000\n", "std 0.547723 185.148589 0.421307 1.224745\n", "min 0.000000 380.000000 2.930000 1.000000\n", "25% 0.000000 520.000000 3.190000 3.000000\n", "50% 1.000000 640.000000 3.610000 3.000000\n", "75% 1.000000 660.000000 3.670000 4.000000\n", "max 1.000000 880.000000 4.000000 4.000000" ] }, "execution_count": 10, "metadata": {}, "output_type": "execute_result" } ], "source": [ "# ************* Desafio ************* (pesquise na documentação Python)\n", "\n", "# Exercício 10 - Crie uma função que receba o arquivo abaixo como argumento e retorne um resumo estatístico descritivo \n", "# do arquivo. Dica, use Pandas e um de seus métodos, describe()\n", "# Arquivo: \"binary.csv\"\n", "import pandas as pd\n", "file_name = \"binary.csv\"\n", "\n", "def retornaArq(file_name):\n", " df = pd.read_csv(file_name)\n", " return df.describe()\n", " \n", "retornaArq(file_name) " ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "# Fim" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Obrigado - Data Science Academy - facebook.com/dsacademybr" ] } ], "metadata": { "kernelspec": { "display_name": "Python 3", "language": "python", "name": "python3" }, "language_info": { "codemirror_mode": { "name": "ipython", "version": 3 }, "file_extension": ".py", "mimetype": "text/x-python", "name": "python", "nbconvert_exporter": "python", "pygments_lexer": "ipython3", "version": "3.6.5" } }, "nbformat": 4, "nbformat_minor": 1 }