Manual Básico de Python

 

Vamos aprender programação Python?

Python é uma linguagem de programação de alto nível, versátil e fácil de aprender, utilizada em diversas áreas como desenvolvimento web, ciência de dados, inteligência artificial e automação. É conhecida pela sua sintaxe clara e legibilidade, o que a torna uma ótima opção tanto para iniciantes quanto para desenvolvedores experientes. 

Características:

Linguagem interpretada:

Python é executada por um interpretador, linha por linha, o que facilita o desenvolvimento e depuração. 

Tipagem dinâmica:

Não é necessário declarar o tipo de dado de uma variável, o que agiliza o processo de codificação. 

Orientada a objetos:

Suporta o paradigma de programação orientada a objetos, permitindo a organização do código em classes e objetos. 

Multiparadigma:

Além da orientação a objetos, Python também suporta programação funcional e imperativa. 

Grande biblioteca padrão:

Python possui uma vasta coleção de módulos e bibliotecas pré-construídas que facilitam diversas tarefas. 

Comunidade ativa:

Uma comunidade grande e ativa oferece suporte, recursos e bibliotecas para diversos propósitos. 

Aplicações:

Desenvolvimento web:

Python é utilizado em frameworks como Django e Flask para criar aplicações web, APIs e sites. 

Ciência de dados e machine learning:

Bibliotecas como NumPy, Pandas, Scikit-learn, TensorFlow e Keras tornam Python uma escolha popular para análise de dados, aprendizado de máquina e inteligência artificial. 

Automação:

Python pode ser usado para automatizar tarefas repetitivas, como manipulação de arquivos, raspagem de dados e envio de e-mails. 

Outras áreas:

Python também é utilizado em jogos, desenvolvimento de desktop, scripting, educação e muito mais. 

Manual básico da linguagem Python 

Este manual cobre os conceitos básicos para começar a programar em Python.  

1. Instalação do Python  

Windows/macOS/Linux  

1. Baixe o Python em [python.org](https://www.python.org/downloads/)  

2. Execute o instalador e marque "Add Python to PATH" (importante!)  

3. Verifique a instalação digitando no terminal (CMD/PowerShell/Terminal):  

   ```bash

   python --version

   ```

   (Se aparecer `Python 3.x.x`, está instalado corretamente.)  

2. Primeiro Programa em Python 

Abra um editor de código (VS Code, Sublime Text, IDLE) e escreva:  

```python

print("Olá, Mundo!")

```  

Salve como `ola_mundo.py` e execute no terminal:  

```bash

python ola_mundo.py

```  

Saída:  

```

Olá, Mundo!

```  

3. Variáveis e Tipos de Dados  

Python tem tipos básicos como:  

| Tipo | Exemplo | Descrição |

|-----------|-------------------|-------------------------------|

| `int` | `idade = 25` | Números inteiros |

| `float` | `preco = 19.99` | Números decimais |

| `str` | `nome = "Ana"` | Texto (string) |

| `bool` | `ativo = True` | Verdadeiro (`True`) ou falso (`False`) |

| `list` | `lista = [1, 2, 3]` | Lista de itens |

| `dict` | `dados = {"nome": "João"}` | Dicionário (chave-valor) |

Exemplo:  

```python

nome = "Carlos"

idade = 30

altura = 1.75

estudante = True

print(f"{nome} tem {idade} anos e {altura}m de altura.")

```

Saída:  

```

Carlos tem 30 anos e 1.75m de altura.

```  

4. Operadores Básicos  

Aritméticos  

```python

a = 10

b = 3

print(a + b) # Soma → 13

print(a - b) # Subtração → 7

print(a * b) # Multiplicação → 30

print(a / b) # Divisão → 3.333...

print(a // b) # Divisão inteira → 3

print(a % b) # Resto da divisão → 1

print(a ** b) # Potência → 1000

```  

Comparação  

```python

print(10 > 5) # True

print(10 == 5) # False

print(10 != 5) # True

```  

Lógicos  

```python

print(True and False) # False (E)

print(True or False) # True (OU)

print(not True) # False (NÃO)

```  

5. Estruturas de Controle  

Condicionais (`if`, `elif`, `else`)  

```python

idade = 18

if idade < 12:

    print("Criança")

elif idade < 18:

    print("Adolescente")

else:

    print("Adulto")

```  

Loops (`for`, `while`)  

```python

# Loop for (para listas, strings, etc.)

for i in range(5): # 0, 1, 2, 3, 4

    print(i)

# Loop while (enquanto condição for verdadeira)

contador = 0

while contador < 3:

    print("Contando:", contador)

    contador += 1

```  

6. Funções  

Funções agrupam blocos de código reutilizáveis.  

```python

def saudacao(nome):

    return f"Olá, {nome}!"

mensagem = saudacao("Maria")

print(mensagem) # Saída: "Olá, Maria!"

```  

7. Listas e Dicionários  

Listas (`list`)*l  

```python

frutas = ["maçã", "banana", "laranja"]

frutas.append("uva") # Adiciona item

print(frutas[0]) # Acessa primeiro item → "maçã"

print(len(frutas)) # Tamanho da lista → 4

```  

Dicionários (`dict`)  

```python

pessoa = {

    "nome": "João",

    "idade": 25,

    "casado": False

}

print(pessoa["nome"]) # Acessa valor → "João"

pessoa["idade"] = 26 # Altera valor

```  

8. Trabalhando com Arquivos  

```python

Escrevendo em um arquivo

with open("arquivo.txt", "w") as arquivo:

    arquivo.write("Python é incrível!")

Lendo um arquivo

with open("arquivo.txt", "r") as arquivo:

    conteudo = arquivo.read()

    print(conteudo) # Saída: "Python é incrível!"

```  

9. Próximos Passos 

- Aprenda módulos (`import math, random, os`)  

- Explore bibliotecas como `pandas` (dados), `requests` (HTTP), `tkinter` (interface gráfica)  

- Pratique com projetos: calculadora, jogo da forca, automação de tarefas  

Estudo de Caso: Aplicação Avançada de Python em Análise de Dados e Machine Learning  

1. Introdução  

Python é amplamente utilizado em soluções avançadas, como ciência de dados, automação, inteligência artificial e sistemas escaláveis. Este estudo de caso explora sua aplicação em um projeto real de análise preditiva de vendas, demonstrando como Python pode extrair insights valiosos de grandes volumes de dados.  

Contexto do Problema 

Uma empresa de varejo desejava prever demandas futuras para otimizar estoques e reduzir custos. Utilizando Python, foi desenvolvido um modelo de machine learning baseado em dados históricos de vendas, sazonalidade e variáveis econômicas.  

2. Metodologia  

2.1 Coleta e Pré-processamento de Dados  

- Fonte de dados: Planilhas CSV e API de mercado.  

- Bibliotecas utilizadas:  

  - `pandas` (manipulação de dados)  

  - `numpy` (cálculos numéricos)  

  - `scikit-learn` (pré-processamento)  

```python

import pandas as pd

from sklearn.preprocessing import StandardScaler

# Carregar dados

dados = pd.read_csv("vendas.csv")

# Tratar valores faltantes

dados.fillna(dados.mean(), inplace=True)

# Normalizar dados

scaler = StandardScaler()

dados_normalizados = scaler.fit_transform(dados[["vendas", "estoque"]])

```  

2.2 Análise Exploratória de Dados (EDA)  

- Visualização com `matplotlib` e `seaborn` 

- Identificação de tendências e outliers  

```python

import matplotlib.pyplot as plt

import seaborn as sns

sns.lineplot(x="mês", y="vendas", data=dados)

plt.title("Vendas Mensais (2020-2023)")

plt.show()

```  

2.3 Modelagem Preditiva com Machine Learning  

- Algoritmo escolhido: Regressão Linear (para previsão contínua)  

- Biblioteca: `scikit-learn`  

```python

from sklearn.linear_model import LinearRegression

from sklearn.model_selection import train_test_split

# Dividir dados em treino e teste

X = dados[["estoque", "promoção"]]

y = dados["vendas"]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# Treinar modelo

modelo = LinearRegression()

modelo.fit(X_train, y_train)

# Avaliar desempenho

previsoes = modelo.predict(X_test)

```  

2.4 Implantação do Modelo  

- Automação com `Flask` (criação de API)  

- Dashboard interativo com `Plotly Dash` 

```python

from flask import Flask, request, jsonify

app = Flask(__name__)

@app.route("/prever", methods=["POST"])

def prever_vendas():

    dados = request.get_json()

    previsao = modelo.predict([dados["features"]])

    return jsonify({"previsao": previsao[0]})

if __name__ == "__main__":

    app.run()

```  

3. Resultados 

- Redução de 20% no estoque ocioso 

- Aumento de 15% na eficiência de vendas  

- Sistema escalável para novas filiais  

4. Conclusão  

Python mostrou-se eficiente em todas as etapas, desde a limpeza de dados até a implantação de IA. Sua vasta biblioteca e comunidade ativa permitiram uma solução rápida, econômica e escalável.  

Referências 

- MCKINNEY, Wes. Python para Análise de Dados. São Paulo: Novatec, 2018.  

- RASCHKA, Sebastian; MIRJALILI, Vahid. Python Machine Learning. 3. ed. Porto Alegre: Bookman, 2020.  

- GÉRON, Aurélien. Mãos à Obra: Aprendizado de Máquina com Scikit-Learn, Keras e TensorFlow. Rio de Janeiro: Alta Books, 2019.  

- Documentação oficial Python. Disponível em: [https://docs.python.org/pt-br/3/](https://docs.python.org/pt-br/3/). Acesso em: 10 out. 2023.  

---

Aplicações futuras:  

- Integrar deep learning para análise de sentimentos em redes sociais.  

- Desenvolver chatbots com `NLTK` e `TensorFlow`.