From 470025ec69105196c3de007629b4098106e21150 Mon Sep 17 00:00:00 2001
From: "Ladiane P.S" <aladydyljc@gmail.com>
Date: Thu, 22 Aug 2024 10:53:49 -0300
Subject: [PATCH] Atividade s033 - pandas2

---
 exercicios/para-casa/Atividade-lady.py | 79 ++++++++++++++++++++++++++
 1 file changed, 79 insertions(+)
 create mode 100644 exercicios/para-casa/Atividade-lady.py

diff --git a/exercicios/para-casa/Atividade-lady.py b/exercicios/para-casa/Atividade-lady.py
new file mode 100644
index 0000000..1145897
--- /dev/null
+++ b/exercicios/para-casa/Atividade-lady.py
@@ -0,0 +1,79 @@
+import pandas as pd
+import matplotlib.pyplot as plt
+
+df = pd.read_csv(r"C:\Users\lady_\OneDrive\Documentos\Reprograma-2024\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.isnull().sum()) #verificar se valores são nulos 
+print(df.duplicated().sum()) #identidicar valores duplicados 
+print(df.drop_duplicates(inplace=True))
+print(df.duplicated().sum())
+
+#- Crie um dataframe que tenha os empregados que trabalham na empresa a mais de 5 anos.
+# Obtém o ano atual
+current_year = pd.Timestamp.now().year  #Obtém o ano atual usando as funcionalidades de timestamp do Pandas.Timestamp é o equivalente pandas do Datetime do python e é intercambiável com ele na maioria dos casos
+
+# Filtra os empregados que estão na empresa há mais de 5 anos
+df_5_years = df[df['JoiningYear'] <= (current_year - 5)]
+print(df_5_years)
+
+#- Agrupe os empregados por gênero e idade e crie um gráfico para cada caso.
+grouped_gender = df.groupby('Gender')['Age'].count()
+grouped_age = df.groupby('Age')['Gender'].count()
+
+# Gráfico para gênero
+grouped_gender.plot(kind='bar', color='purple', title='Número de Empregados por Gênero')
+plt.xlabel('Gênero')
+plt.ylabel('Número de Empregados')
+plt.show()
+
+# Gráfico para idade
+grouped_age.plot(kind='bar', color='green', title='Número de Empregados por Idade')
+plt.xlabel('Idade')
+plt.ylabel('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
+
+# cidade com mais empregados
+cidade_com_mais_empregados = df['City'].value_counts().idxmax()
+print(f"A cidade com mais empregados é: {cidade_com_mais_empregados}")
+
+#Média do tempo de serviço por cidade
+media_servico_por_cidade = df.groupby('City')['ExperienceInCurrentDomain'].mean()
+print(media_servico_por_cidade)
+
+#- Faça a porcentagem de quantos empregados ainda trabalham na empresa (use a coluna `LeaveOrNot` do dataframe)
+# Calcular a porcentagem de empregados que ainda trabalham na empresa
+percentagem_ativos = df['LeaveOrNot'].value_counts(normalize=True)[0] * 100   #O argumento normalize=True faz com que o value_counts() retorne as proporções em vez de contagens absolutas. Isso significa que os valores retornados serão frações ou percentagens (somando 1 ou 100%).
+print(f"Percentual de empregados que ainda trabalham na empresa: {percentagem_ativos:.2f}%") 
+
+#- Conte quantos empregados existem por `PaymentTier`
+# Contar o número de empregados por PaymentTier
+contagem_por_tier = df['PaymentTier'].value_counts()
+print(contagem_por_tier)
+
+#- Substitua os valores da coluna `EverBenched` para `True` ou `False`
+
+df['EverBenched'] = df['EverBenched'].replace({'Yes': True, 'No': False})
+print(df['EverBenched'].head())  # Verificar a substituição
+
+#- Crie um gráfico de pizza com o resultado da coluna `EverBenched` e outro com `LeaveOrNot`
+
+# Gráfico de pizza para EverBenched
+
+df['EverBenched'].value_counts().plot(kind='pie', autopct='%1.1f%%', title='Distribuição de EverBenched')
+plt.show()
+
+# Gráfico de pizza para LeaveOrNot
+df['LeaveOrNot'].value_counts().plot(kind='pie', autopct='%1.1f%%', title='Distribuição de LeaveOrNot')
+plt.show()
+
+
+#print(df.fillna(0, inplace=True)) permite que altera, substituir valor 
+#print(df.fillna(0)) #nesse dataframe subustiue com zero , não re recomendado obrveando data frame primeiro ,preencher valores nulos
+#print(df.describe()) # vê data framfunção de summary, ele olha para nosso dataframe inteiro , analisa cada coluna e calcula de cada colunas os valores que são a tomas de todos os nivel. médiia por coluna numerico -gráfico 
+#print(df.head()) # ve de forma normal o que tem no arquivo
+#print(df.info()) # trás 3 informações , todos os nome das nossas colunas, contagem dos valores não nulos por colunas , ele tra´s também o Dtype (tipo), trás o tamanho do DataFrame
+#print(df.duplicated())
+#print(df["JoiningYear"].value_counts())