Atividade para-casa Semana12

Carolyne-Santos/para-casa/README.md

@@ -0,0 +1,176 @@
+# 📈📉📊🎲 Análise com Python - Pandas e Numpy II
+
+## 📚 Descrição da Atividade
+
+Exercicio para casa semana 12. Analise o dataset Employee.
+
+## 📋 Passo a Passo
+
+## 🟦 Atividade 1 - Use o arquivo `Employee.csv` para análise:
+
+ ### - Bibliotecas Utilizadas:
+
+# Bibliotecas
+
+        # Biblioteca
+        import pandas as pd
+        import matplotlib.pyplot as plt
+
+        # Carregando o arquivo 'Employee.csv'
+        df = pd.read_csv(r"C:\Users\carol\OneDrive\Área de Trabalho\Reprograma\on33-python-s12-pandas-numpy-II\material\Employee.csv")
+
+        # Visualizar df
+        print(df.head())
+
+## 🟦 Atividade 2 - Faça a limpeza do seu dataframe excluindo linhas duplicadas ou preenchendo valores nulos:
+
+        #Consultar nulos
+        print(df.isnull().sum())
+
+        #Consultar duplicadas
+        print(df.duplicated().sum())
+
+        #Excluir duplicadas
+        print(df.drop_duplicates(inplace=True))
+
+
+## 🟦 Atividade 3 - Crie um dataframe que tenha os empregados que trabalham na empresa a mais de 5 anos:
+
+        #Filtro
+        mais_5_anos = df.where((df["ExperienceInCurrentDomain"] > 5))
+
+        #Visualizar a df com a funcao filtro aplicada
+        print(mais_5_anos.info())
+
+## 🟦 Atividade 4 - Agrupe os empregados por gênero e idade e crie um gráfico para cada caso:
+
+        # Media, Maxima e Minima idade do df
+        mean_age = df['Age'].mean()
+        max_age = df['Age'].max()
+        min_age = df['Age'].min()
+
+        print(f'Idade minina: {min_age}')
+        print(f'Media de Idade: {round(mean_age)}')
+        print(f'Idade maxima: {max_age}')
+
+        # Agrupar por Gênero e Idade
+        Age_Female = df[df['Gender'] == 'Female']['Age'].value_counts().sort_index()
+
+        # Plotar gráfico para cada gênero
+        Age_Female.plot(kind='bar', title='Distribuição do Número de Mulheres por Idade')
+
+        # visualizar grafico
+        plt.show()
+
+        # Salvar o grafico 
+        plt.savefig('grafico_barras1.png')  ##para salvar automaticamente o grafico
+
+![Grafico1](https://github.com/CarolyneS14/on33-python-s12-pandas-numpy-II/blob/main/Carolyne-Santos/para-casa/grafico_barras1.png)
+
+        # Agrupar por Gênero e Idade
+        Age_Male = df[df['Gender'] == 'Male']['Age'].value_counts().sort_index()
+
+        # Plotar gráfico para cada gênero
+        Age_Male.plot(kind='bar', title='Distribuição do Número de Homens por Idade')
+
+        # visualizar grafico
+        plt.show()
+
+        # Salvar o grafico 
+        plt.savefig('grafico_barras2.png')  ##para salvar automaticamente o grafico
+
+![Grafico2](https://github.com/CarolyneS14/on33-python-s12-pandas-numpy-II/blob/main/Carolyne-Santos/para-casa/grafico_barras2.png)
+
+## 🟦 Atividade 5 - Veja qual a cidade que mais tem empregados e faça uma média do tempo de serviço dos empregados por cidade:
+
+        # Quantidade de cidades
+        print(df['City'].value_counts())
+
+        # Cidade com a maior quantidade de empregados
+        mais_empregados = df['City'].value_counts().idxmax()
+        print(f' A Cidade com a maior quantidade de empregados é: {mais_empregados}')
+
+        # Média de tempo de serviço por cidade
+        # Calcular a média do tempo de serviço por cidade
+        tempo_medio_servico = df.groupby('City')['ExperienceInCurrentDomain'].mean()
+
+        # Exibir a média de tempo de serviço para cada cidade
+        for cidade, media in tempo_medio_servico.items():
+        print(f'A média do tempo de serviço em {cidade} é de: {media:.1f} anos')
+
+
+## 🟦 Atividade 6 - Faça a porcentagem de quantos empregados ainda trabalham na empresa (use a coluna `LeaveOrNot` do dataframe):
+
+        # Considerando
+        # 0 = O empregado ainda trabalha na empresa.
+        # 1 = O empregado deixou a empresa.
+
+        # Total de empregados
+        total_empregados = df['LeaveOrNot'].count()
+
+        # Total de empregados que ainda trabalham na empresa (LeaveOrNot == 0)
+        empregados_ativos = df[df['LeaveOrNot'] == 0].count()['LeaveOrNot']
+
+        # Cálculo da porcentagem de empregados ativos
+        porcentagem_ativos = (empregados_ativos / total_empregados) * 100
+
+        # Exibir os resultados
+        print(f'Total de empregados na base de dados: {total_empregados}')
+        print(f'Total de empregados ativos na empresa: {empregados_ativos}')
+        print(f'A porcentagem de empregados que ainda trabalham na empresa é: {porcentagem_ativos:.2f}%')
+
+
+## 🟦 Atividade 7 - Conte quantos empregados existem por `PaymentTier`:
+
+        # Filtrar os dados onde 'LeaveOrNot' == 0
+        empregados_ativos = df[df['LeaveOrNot'] == 0]
+
+        # Contar quantos empregados existem por 'PaymentTier' entre os que ainda trabalham na empresa
+        total_filtrado = empregados_ativos['PaymentTier'].value_counts()
+
+        # Visualizar o resultado da contagem por 'PaymentTier'
+        print(total_filtrado)
+
+## 🟦 Atividade 8 - Substitua os valores da coluna `EverBenched` para `True` ou `False`:
+
+        # Substituir valores da coluna 'EverBenched' para 'True' ou 'False'
+        df['EverBenched'] = df['EverBenched'].replace({'Yes': True, 'No': False})
+
+        # Verificar a substituição
+        print(df[['EverBenched']].head())
+
+        # Verificar df depois da alteracao
+        print(df.head())
+
+## 🟦 Atividade 9 - Crie um gráfico de pizza com o resultado da coluna `EverBenched` e outro com `LeaveOrNot`:  
+
+        # Gráfico de pizza para a coluna 'EverBenched'
+        total_ever_benched = df['EverBenched'].value_counts()
+        plt.figure(figsize=(12, 6))
+
+        plt.subplot(1, 2, 1)  # 1 linha, 2 colunas, gráfico 1. Ultilizado para juntar os graficos  em uma unica tela.
+        plt.pie(total_ever_benched, labels=total_ever_benched.index, autopct='%1.1f%%') #autopct = define como as %% seram exibidas no grafico.
+        plt.title('Distribuição de Empregados Disponiveis Para Projetos')
+
+        # Gráfico de pizza para a coluna 'LeaveOrNot'
+        total_leave_or_not = df['LeaveOrNot'].value_counts()
+        plt.subplot(1, 2, 2)  # 1 linha, 2 colunas, gráfico 2. Ultilizado para juntar os graficos em uma unica tela.
+        labels = ['Sim' if index == 0 else 'Não' for index in total_leave_or_not.index]
+        plt.pie(total_leave_or_not, labels=labels, autopct='%1.1f%%') #autopct = define como as %% seram exibidas no grafico.
+        plt.title('Distribuição de Empregados Ativos')
+
+        # Ajustar layout e exibir
+        plt.tight_layout()
+        plt.show()
+
+        # Salvar o grafico 
+        plt.savefig('grafico_pizza.png')  ##para salvar automaticamente o grafico
+
+![GraficosPizza](https://github.com/CarolyneS14/on33-python-s12-pandas-numpy-II/blob/main/Carolyne-Santos/para-casa/grafico_pizza.png)
+
+## 👩🏻‍🏫 Professora Manuelly Suzik.
+
+
+ [![LinkdIn](https://img.shields.io/badge/LinkedIn-0077B5?style=for-the-badge&logo=linkedin&logoColor=white)](https://www.linkedin.com/in/manuellysuzik/)
+</br>
+ [![GitHub](https://img.shields.io/badge/GitHub-100000?style=for-the-badge&logo=github&logoColor=white)](https://github.com/manuellysuzik)</br>

Carolyne-Santos/para-casa/analise_employee.py

@@ -0,0 +1,157 @@
+# - Analise o dataset Employee e extraia as seguintes informações:
+# Bibliotecas
+
+import pandas as pd
+import matplotlib.pyplot as plt
+
+#Ler arquivo csv
+df = pd.read_csv(r"C:\Users\carol\OneDrive\Área de Trabalho\Reprograma\on33-python-s12-pandas-numpy-II\material\Employee.csv")
+
+#Visualizar meu df
+print(df.head())
+print(df.describe()) ##retornar informacoes descritivas do dataframe
+print(df.info())   ##Retorna as informacoes de valores nulos por coluna e o dtype
+
+##  - Faça a limpeza do seu dataframe excluindo linhas duplicadas ou preenchendo valores nulos:
+
+
+#Consultar nulos
+print(df.isnull().sum())
+
+#Consultar duplicadas
+print(df.duplicated().sum())
+
+#Excluir duplicadas
+print(df.drop_duplicates(inplace=True))
+
+## - Crie um dataframe que tenha os empregados que trabalham na empresa a mais de 5 anos:
+
+
+#Filtro
+mais_5_anos = df.where((df['ExperienceInCurrentDomain'] > 5))
+
+#Visualizar a df com a funcao filtro aplicada
+print(mais_5_anos.info())
+
+##  - Agrupe os empregados por gênero e idade e crie um gráfico para cada caso:
+
+
+#Media, Maxima e Minima idade do df
+mean_age = df['Age'].mean()
+max_age = df['Age'].max()
+min_age = df['Age'].min()
+
+print(f'Idade minina: {min_age}')
+print(f'Media de Idade: {round(mean_age)}')
+print(f'Idade maxima: {max_age}')
+
+# Agrupar por Gênero e Idade
+Age_Female = df[df['Gender'] == 'Female']['Age'].value_counts().sort_index()
+
+# Plotar gráfico para cada gênero
+Age_Female.plot(kind='bar', title='Distribuição do Número de Mulheres por Idade')
+
+#visualizar grafico
+plt.show()
+
+# Salvar o grafico 
+plt.savefig('grafico_barras1.png')  ##para salvar automaticamente o grafico
+
+# Agrupar por Gênero e Idade
+Age_Male = df[df['Gender'] == 'Male']['Age'].value_counts().sort_index()
+
+# Plotar gráfico para cada gênero
+Age_Male.plot(kind='bar', title='Distribuição do Número de Homens por Idade')
+
+# visualizar grafico
+plt.show()
+
+# Salvar o grafico 
+plt.savefig('grafico_barras2.png')  ##para salvar automaticamente o grafico
+
+##  - Veja qual a cidade que mais tem empregados e faça uma média do tempo de serviço dos empregados por cidade:
+
+
+#Quantidade de cidades
+print(df['City'].value_counts())
+
+#Cidade com a maior quantidade de empregados
+mais_empregados = df['City'].value_counts().idxmax()
+print(f' A Cidade com a maior quantidade de empregados é: {mais_empregados}')
+
+# Média de tempo de serviço por cidade
+# Calcular a média do tempo de serviço por cidade
+tempo_medio_servico = df.groupby('City')['ExperienceInCurrentDomain'].mean()
+
+# Exibir a média de tempo de serviço para cada cidade
+for cidade, media in tempo_medio_servico.items():
+    print(f'A média do tempo de serviço em {cidade} é de: {media:.1f} anos')
+
+## - Faça a porcentagem de quantos empregados ainda trabalham na empresa (use a coluna `LeaveOrNot` do dataframe):
+
+
+# Considerando
+# 0 = O empregado ainda trabalha na empresa.
+# 1 = O empregado deixou a empresa.
+
+# Total de empregados
+total_empregados = df['LeaveOrNot'].count()
+
+# Total de empregados que ainda trabalham na empresa (LeaveOrNot == 0)
+empregados_ativos = df[df['LeaveOrNot'] == 0].count()['LeaveOrNot']
+
+# Cálculo da porcentagem de empregados ativos
+porcentagem_ativos = (empregados_ativos / total_empregados) * 100
+
+# Exibir os resultados
+print(f'Total de empregados na base de dados: {total_empregados}')
+print(f'Total de empregados ativos na empresa: {empregados_ativos}')
+print(f'A porcentagem de empregados que ainda trabalham na empresa é: {porcentagem_ativos:.2f}%')
+
+##  - Conte quantos empregados existem por `PaymentTier`: 
+
+
+# Filtrar os dados onde 'LeaveOrNot' == 0
+empregados_ativos = df[df['LeaveOrNot'] == 0]
+
+# Contar quantos empregados existem por 'PaymentTier' entre os que ainda trabalham na empresa
+total_filtrado = empregados_ativos['PaymentTier'].value_counts()
+
+# Visualizar o resultado da contagem por 'PaymentTier'
+print(total_filtrado)
+
+##  - Substitua os valores da coluna `EverBenched` para `True` ou `False`:
+
+
+# Substituir valores da coluna 'EverBenched' para 'True' ou 'False'
+df['EverBenched'] = df['EverBenched'].replace({'Yes': True, 'No': False})
+
+# Verificar a substituição
+print(df[['EverBenched']].head())
+
+# Verificar df depois da alteracao
+print(df.head())
+
+##  - Crie um gráfico de pizza com o resultado da coluna `EverBenched` e outro com `LeaveOrNot`:
+
+# Gráfico de pizza para a coluna 'EverBenched'
+total_ever_benched = df['EverBenched'].value_counts()
+plt.figure(figsize=(12, 6))
+
+plt.subplot(1, 2, 1)  # 1 linha, 2 colunas, gráfico 1. Ultilizado para juntar os graficos  em uma unica tela.
+plt.pie(total_ever_benched, labels=total_ever_benched.index, autopct='%1.1f%%') #autopct = define como as %% seram exibidas no grafico.
+plt.title('Distribuição de Empregados Disponiveis Para Projetos')
+
+# Gráfico de pizza para a coluna 'LeaveOrNot'
+total_leave_or_not = df['LeaveOrNot'].value_counts()
+plt.subplot(1, 2, 2)  # 1 linha, 2 colunas, gráfico 2. Ultilizado para juntar os graficos em uma unica tela.
+labels = ['Sim' if index == 0 else 'Não' for index in total_leave_or_not.index]
+plt.pie(total_leave_or_not, labels=labels, autopct='%1.1f%%') #autopct = define como as %% seram exibidas no grafico.
+plt.title('Distribuição de Empregados Ativos')
+
+# Ajustar layout e exibir
+plt.tight_layout()
+plt.show()
+
+# Salvar o grafico 
+plt.savefig('grafico_pizza.png')  ##para salvar automaticamente o grafico