Exercício S12

exercicios/para-casa/Francitelma/FuncionariosExperientes.csv

@@ -0,0 +1,18 @@
+Education,JoiningYear,City,PaymentTier,Age,Gender,EverBenched,ExperienceInCurrentDomain,LeaveOrNot
+Bachelors,2016,Bangalore,3,39,Male,No,7,0
+Bachelors,2016,Pune,3,38,Female,No,7,0
+Bachelors,2016,Bangalore,3,33,Male,No,6,0
+Bachelors,2014,Pune,3,33,Male,No,6,0
+Bachelors,2017,Bangalore,3,33,Female,No,6,0
+Masters,2014,Bangalore,3,40,Female,No,7,1
+Bachelors,2017,New Delhi,2,33,Male,No,6,0
+Bachelors,2014,Bangalore,3,39,Male,No,7,1
+Masters,2018,Bangalore,3,39,Female,No,6,1
+Bachelors,2012,Bangalore,3,38,Male,No,7,1
+Bachelors,2018,Bangalore,3,38,Male,No,6,1
+Bachelors,2013,Bangalore,3,34,Male,No,6,0
+Bachelors,2012,Bangalore,1,35,Male,No,7,0
+Bachelors,2015,Pune,3,34,Male,Yes,7,0
+Bachelors,2013,Bangalore,1,38,Male,No,6,0
+Bachelors,2016,Bangalore,3,38,Female,No,7,0
+Bachelors,2015,Pune,2,41,Female,No,7,0

exercicios/para-casa/Francitelma/exercicio.py

@@ -0,0 +1,72 @@
+import pandas as pd
+import matplotlib.pyplot as plt
+from datetime import datetime
+import datetime as dt
+
+df = pd.read_csv(r"C:\Users\nada_\OneDrive\Desktop\REPROGRAMA\on33-python-s12-pandas-numpy-II\material\Employee.csv")
+
+#Faça a limpeza do seu dataframe excluindo linhas duplicadas ou preenchendo valores nulos.
+print(df.info()) #analisando valores nulos
+print(df.drop_duplicates(inplace=True)) #exclusão de valores duplicados
+print(df.duplicated().sum())
+
+# Crie um dataframe que tenha os empregados que trabalham na empresa a mais de 5 anos.
+maior_cinco_anos = df[df['ExperienceInCurrentDomain'] > 5] #coluna de experiencia no cargo
+print(maior_cinco_anos)
+maior_cinco_anos.to_csv("./FuncionariosExperientes.csv", index=False) #novo dataframe
+
+# Agrupe os empregados por gênero e idade e crie um gráfico para cada caso.
+gender_employees = df["Gender"].value_counts()
+age_employees = df["Age"].value_counts()
+
+print(df["Gender"].value_counts())
+print(df["Age"].value_counts())
+
+gender_employees.plot(kind='barh', color='blue', title='Quantidade de Empregados por Gênero')
+plt.ylabel('Gênero')
+plt.xlabel('Número de Empregados')
+plt.show()
+
+age_employees.plot(kind='barh', color='green', title='Quantidade de Empregados por Idade')
+plt.ylabel('Idade')
+plt.xlabel('Número de Empregados')
+plt.show()
+
+# Veja qual a cidade que mais tem empregados e faça uma média do tempo de serviço dos empregados por cidade
+
+city_with_more_employees_number = df["City"].value_counts().values
+city_with_more_employees_name = df["City"].value_counts().index
+print(f"\n{city_with_more_employees_name[0]} is the city which has the highest number of employees with {city_with_more_employees_number[0]} employees")
+
+current_year = datetime.now().year
+average_per_city = df.groupby('City')['JoiningYear'].mean().apply(lambda x: current_year - x)
+print('The average length of service is: ', average_per_city)
+
+# Faça a porcentagem de quantos empregados ainda trabalham na empresa (use a coluna `LeaveOrNot` do dataframe)
+
+total_employees = len(df)
+working = df["LeaveOrNot"].value_counts()
+working_percentage = (working / total_employees) * 100
+print(f"A empresa possui cerca de {working_percentage[0]:.2f}% dos empregados.")
+
+# Conte quantos empregados existem por `PaymentTier`.
+
+payment_tier = df['PaymentTier'].value_counts()
+print(payment_tier)
+
+# Substitua os valores da coluna `EverBenched` para `True` ou `False`
+
+df['EverBenched'] = df['EverBenched'].replace({'Yes': True, 'No': False})
+print(df['EverBenched'].head()) 
+
+# Crie um gráfico de pizza com o resultado da coluna `EverBenched` e outro com `LeaveOrNot`
+GrafEver = df['EverBenched'].value_counts()
+GrafLeave = df['LeaveOrNot'].value_counts()
+
+GrafEver.plot(kind='pie', autopct='%1.1f%%', title='EverBenched') # Gerando e imprimindo gráficos
+plt.show()
+GrafLeave.plot(kind="pie", autopct='%1.1f%%',title='LeaveOrNot') 
+plt.show()
+
+
+