exercicio-pandas-numpy

exercicios/para-casa/entrega_Lari_Schmillevitch.py

@@ -0,0 +1,56 @@
+import pandas as pd
+import matplotlib.pyplot as plt
+
+# Carregar o arquivo CSV
+df = pd.read_csv("/Users/laristch/Desktop/reprograma/on33-python-s10-pandas-numpy-II/material/Employee.csv")
+
+# Faça a limpeza do seu dataframe excluindo linhas duplicadas ou preenchendo valores nulos.
+df.drop_duplicates(inplace=True)
+df.fillna(0, inplace=True)
+
+# Crie um dataframe que tenha os empregados que trabalham na empresa a mais de 5 anos.
+df_5_anos = df[df['ExperienceInCurrentDomain'] > 5]
+
+# Agrupar empregados por gênero e idade
+agrupado_genero_idade = df.groupby(['Gender', 'Age']).size()
+print(agrupado_genero_idade)
+
+# Gráfico de distribuição por gênero e idade
+plt.hist(df[df['Gender'] == 'Male']['Age'], bins=10, alpha=0.5, label='Homens')
+plt.hist(df[df['Gender'] == 'Female']['Age'], bins=10, alpha=0.5, label='Mulheres')
+
+plt.xlabel('Idade')
+plt.ylabel('Frequência')
+plt.title('Distribuição de Idade por Gênero')
+plt.legend(loc='upper right')
+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 = df['City'].value_counts().idxmax()
+media_tempo_servico = df[df['City'] == cidade_com_mais_empregados]['ExperienceInCurrentDomain'].mean()
+print(f"Cidade com mais empregados: {cidade_com_mais_empregados}")
+print(f"Média de tempo de serviço em {cidade_com_mais_empregados}: {media_tempo_servico:.2f} anos")
+
+# Faça a porcentagem de quantos empregados ainda trabalham na empresa (use a coluna `LeaveOrNot` do dataframe)
+total_empregados = len(df)
+empregados_na_empresa = df['LeaveOrNot'].value_counts()[0]
+porcentagem_trabalham = (empregados_na_empresa / total_empregados) * 100
+print(f"Porcentagem de empregados que ainda trabalham na empresa: {porcentagem_trabalham:.2f}%")
+
+# Conte quantos empregados existem por `PaymentTier`
+contagem_payment_tier = df['PaymentTier'].value_counts()
+print("Contagem de empregados por PaymentTier:")
+print(contagem_payment_tier)
+
+# Substitua os valores da coluna `EverBenched` para `True` ou `False`
+df['EverBenched'] = df['EverBenched'].replace({'No': False, 'Yes': True})
+
+# Gráfico de pizza para EverBenched
+df['EverBenched'].value_counts().plot(kind='pie', autopct='%1.1f%%')
+plt.title('Distribuição de EverBenched')
+plt.show()
+
+# Gráfico de pizza para LeaveOrNot
+df['LeaveOrNot'].value_counts().plot(kind='pie', autopct='%1.1f%%')
+plt.title('Distribuição de LeaveOrNot')
+plt.show()