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

Introdução ao Python
- Configuração do ambiente (Anaconda, Google Colab)
- Primeiro contato com dados usando NumPy (np.loadtxt)
- Realizando a primeira operação vetorizada
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)
Trabalhando com Listas
- Criação, seleção, fatiamento e concatenação
- Principais métodos (.sort(), .append(), .pop(), .copy())
Estruturas de Repetição e Condicionais
- Laços for e loops aninhados
- List Comprehensions
- Estruturas if, elif, else
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

Clone o repositório:

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

Navegue até o diretório clonado:
```
cd python-data-science-numpy
```
Instale a biblioteca NumPy (se ainda não tiver):
```
pip install numpy
```
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.