--- contributors: - ["e99n09", "https://github.com/e99n09"] translators: - ["waltercjunior", "https://github.com/waltercjunior"] filename: pythonstatcomp-pt.py --- Este é um tutorial sobre como fazer algumas tarefas típicas de programação estatística usando Python. É destinado basicamente à pessoas familizarizadas com Python e experientes com programação estatística em linguagens como R, Stata, SAS, SPSS ou MATLAB. ```python # 0. Preparando-se ==== """ Para começar, instale o seguinte : jupyther, numpy, scipy, pandas, matplotlib, seaborn, requests. Certifique-se de executar este tutorial utilizando o Jupyther notebook para que você utilize os gráficos embarcados e ter uma fácil consulta à documentação. O comando para abrir é simplesmente '`jupyter notebook`, quando abrir então clique em 'New -> Python'. """ # 1. Aquisição de dados ==== """ A única razão das pessoas optarem por Python no lugar de R é que pretendem interagir com o ambiente web, copiando páginas diretamente ou solicitando dados utilizando uma API. Você pode fazer estas coisas em R, mas no contexto de um projeto já usando Python, há uma vantagem em se ater uma linguágem única. """ import requests # para requisições HTTP (web scraping, APIs) import os # web scraping r = requests.get("https://github.com/adambard/learnxinyminutes-docs") r.status_code # se retornou código 200, a requisição foi bem sucedida r.text # código fonte bruto da página print(r.text) # formatado bonitinho # salve a o código fonte d apágina em um arquivo: os.getcwd() # verifique qual é o diretório de trabalho with open("learnxinyminutes.html", "wb") as f: f.write(r.text.encode("UTF-8")) # Baixar um arquivo csv fp = "https://raw.githubusercontent.com/adambard/learnxinyminutes-docs/master/" fn = "pets.csv" r = requests.get(fp + fn) print(r.text) with open(fn, "wb") as f: f.write(r.text.encode("UTF-8")) """ para mais informações sobre o módulo de solicitações, incluindo API's, veja em http://docs.python-requests.org/en/latest/user/quickstart/ """ # 2. Lendo um arquivo formato CSV ==== """ Um pacote de pandas da Wes McKinney lhe dá um objeto 'DataFrame' em Python. Se você já usou R, já deve estar familiarizado com a ideia de "data.frame". """ import pandas as pd import numpy as np import scipy as sp pets = pd.read_csv(fn) pets # name age weight species # 0 fluffy 3 14 cat # 1 vesuvius 6 23 fish # 2 rex 5 34 dog """ Usuários R: observe que o Python, como a maioria das linguagens de programação influenciada pelo C, a indexação começa de 0. Em R, começa a indexar em 1 devido à influência do Fortran. """ # duas maneiras diferentes de imprimir uma coluna pets.age pets["age"] pets.head(2) # imprima as 2 primeiras linhas pets.tail(1) # imprima a última linha pets.name[1] # 'vesuvius' pets.species[0] # 'cat' pets["weight"][2] # 34 # Em R, você esperaria obter 3 linhas fazendo isso, mas aqui você obtem 2: pets.age[0:2] # 0 3 # 1 6 sum(pets.age) * 2 # 28 max(pets.weight) - min(pets.weight) # 20 """ Se você está fazendo alguma álgebra linear séria e processamento de números você pode desejar apenas arrays, não DataFrames. DataFrames são ideais para combinar colunas de diferentes tipos de dados. """ # 3. Gráficos ==== import matplotlib as mpl import matplotlib.pyplot as plt %matplotlib inline # Para fazer a visualiação de dados em Python, use matplotlib plt.hist(pets.age); plt.boxplot(pets.weight); plt.scatter(pets.age, pets.weight) plt.xlabel("age") plt.ylabel("weight"); # seaborn utiliza a biblioteca do matplotlib e torna os enredos mais bonitos import seaborn as sns plt.scatter(pets.age, pets.weight) plt.xlabel("age") plt.ylabel("weight"); # também existem algumas funções de plotagem específicas do seaborn # observe como o seaborn automaticamenteo o eixto x neste gráfico de barras sns.barplot(pets["age"]) # Veteranos em R ainda podem usar o ggplot from ggplot import * ggplot(aes(x="age",y="weight"), data=pets) + geom_point() + labs(title="pets") # fonte: https://pypi.python.org/pypi/ggplot # há até um d3.js veja em: https://github.com/mikedewar/d3py # 4. Limpeza de dados simples e análise exploratória ==== """ Aqui está um exemplo mais complicado que demonstra dados básicos fluxo de trabalho de limpeza levando à criação de algumas parcelas e a execução de uma regressão linear. O conjunto de dados foi transcrito da Wikipedia à mão. Contém todos os sagrados imperadores romanos e os marcos importantes em suas vidas (birth, death, coronation, etc.). O objetivo da análise será explorar se um relacionamento existe entre o ano de nascimento (birth year) e a expectativa de vida (lifespam) do imperador. Fonte de dados: https://en.wikipedia.org/wiki/Holy_Roman_Emperor """ # carregue alguns dados dos sagrados imperadores romanos url = "https://raw.githubusercontent.com/adambard/learnxinyminutes-docs/master/hre.csv" r = requests.get(url) fp = "hre.csv" with open(fp, "wb") as f: f.write(r.text.encode("UTF-8")) hre = pd.read_csv(fp) hre.head() """ Ix Dynasty Name Birth Death 0 NaN Carolingian Charles I 2 April 742 28 January 814 1 NaN Carolingian Louis I 778 20 June 840 2 NaN Carolingian Lothair I 795 29 September 855 3 NaN Carolingian Louis II 825 12 August 875 4 NaN Carolingian Charles II 13 June 823 6 October 877 Coronation 1 Coronation 2 Ceased to be Emperor 0 25 December 800 NaN 28 January 814 1 11 September 813 5 October 816 20 June 840 2 5 April 823 NaN 29 September 855 3 Easter 850 18 May 872 12 August 875 4 29 December 875 NaN 6 October 877 """ # limpar as colunas Birth e Death import re # módulo para expressões regulares rx = re.compile(r'\d+$') # conincidir com os códigos finais """ Esta função aplia a expressão reguar a uma coluna de entrada (here Birth, Death), nivela a lista resultante, converte-a em uma lista de objetos, e finalmente converte o tipo do objeto da lista de String para inteiro. para mais informações sobre o que as diferentes partes do código fazer, veja em: - https://docs.python.org/2/howto/regex.html - http://stackoverflow.com/questions/11860476/how-to-unlist-a-python-list - http://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.html """ from functools import reduce def extractYear(v): return(pd.Series(reduce(lambda x, y: x + y, map(rx.findall, v), [])).astype(int)) hre["BirthY"] = extractYear(hre.Birth) hre["DeathY"] = extractYear(hre.Death) # faça uma coluna infomrnado a idade estimada ("EstAge") hre["EstAge"] = hre.DeathY.astype(int) - hre.BirthY.astype(int) # gráfico de dispersão simples, sem linha de tendência, cor representa dinastia sns.lmplot("BirthY", "EstAge", data=hre, hue="Dynasty", fit_reg=False) # use o scipy para executar uma regrassão linear from scipy import stats (slope, intercept, rval, pval, stderr) = stats.linregress(hre.BirthY, hre.EstAge) # código fonte: http://wiki.scipy.org/Cookbook/LinearRegression # varifique o declive (slope) slope # 0.0057672618839073328 # varifique o valor R^2: rval**2 # 0.020363950027333586 # varifique o valor p-value pval # 0.34971812581498452 # use o seaborn para fazer um gráfico de dispersão e traçar a linha de tendência de regrassão linear sns.lmplot("BirthY", "EstAge", data=hre) """ Para mais informações sobre o seaborn, veja - http://web.stanford.edu/~mwaskom/software/seaborn/ - https://github.com/mwaskom/seaborn Para mais informações sobre o SciPy, veja - http://wiki.scipy.org/SciPy - http://wiki.scipy.org/Cookbook/ Para ver uma versão da análise dos sagrados imperadores romanos usando R, consulte - http://github.com/e99n09/R-notes/blob/master/holy_roman_emperors_dates.R """ ``` Se você quiser saber mais, obtenha o Python para análise de dados de Wes McKinney. É um excelente recurso e usei-o como referência ao escrever este tutorial. Você também pode encontrar muitos tutoriais interativos de IPython sobre assuntos específicos de seus interesses, como Cam Davidson-Pilon's [Programação Probabilística e Métodos Bayesianos para Hackers](http://camdavidsonpilon.github.io/Probabilistic-Programming-and-Bayesian-Methods-for-Hackers/). Mais alguns módulos para pesquisar: - análise de texto e processamento de linguagem natural: [nltk](http://www.nltk.org) - análise de rede social: [igraph](http://igraph.org/python/)