Programação Científica em Python - ProCiPy

Ementa - GMT para Criação de Mapas

Descrição do Curso

Este minicurso tem como objetivo apresentar ao aluno intermediário em programação, os princípios de um banco de dados. Operações simples com tabelas de dados, estatísticas descritivas, relatórios didáticos, data staring telling. Além de fazer uso de bibliotecas gráficas mais avançadas.

Pré-Requisitos

Conhecimentos básicos em Python. Conhecimentos básicos em Estatística Descritiva.

Objetivos

Ao final do curso o aluno será capaz de manipular tabelas de dados, fazer análises estatísticas descritivas, criar relatórios didáticos e gráficos avançados.

Vídeo de Apresentação do Curso

Conteúdo Programático

1. Introdução ao Pandas e Estruturas de Dados

• Conceitos: pd.Series e pd.DataFrame, diferenças e aplicações
• Criação: a partir de listas, dicionários, arrays NumPy e leitura de arquivos
• Operações elementares: indexação, colunas, índices hierárquicos (MultiIndex)

2. Importação e Exportação de Dados (I/O)

• Leitura de CSV, Excel, JSON, SQL, Parquet
• Gravação em múltiplos formatos
• Configurações: separadores, encoding, tipos na leitura, parsing de datas

3. Estatísticas e Informações Básicas

• Exploração inicial do dataset
• Resumo estatístico univariado e identificação de tipos

4. Técnicas de Seleção, Filtração e Ordenação

• Index-based selection vs label-based selection
• Máscaras booleanas e seleções condicionais
• Ordenação por valores e índices; consultas com expressões

5. Edição e Iteração dos Dados

• Modificar colunas e linhas, inserções e exclusões
• Aplicar funções e transformar colunas
• Iteração segura e eficiente

6. Sumários, Mapas, Agrupamento e Classificação

• Operações de agregação e transformação
• Tabelas pivô e cross-tab
• Classificação (ranking) e ordenação avançada

7. Tratamento de Tipos e Valores Ausentes

• Identificação e manipulação de tipos (numéricos, categóricos, datetime)
• Detectar, imputar e remover valores ausentes
• Detecção e remoção de duplicatas

8. Aplicações Científicas

• Pré-processamento de dados experimentais
• Conexão com NumPy, SciPy, Matplotlib e Seaborn
• Estudos de caso: séries temporais, experimentos laboratoriais, análise estatística

Carga Horária e Horário

Carga Horária: 10h.

Horário: 14h - 16h. Semanal.

Local

Feito Remotamente. Via Google Classroom. Link para Inscrição: https://classroom.google.com/c/aaaaaaaaaaaaaaaaaaaaaaa