5 Ferramentas para Análise de dados — Python
Bibliotecas em Python para auxiliar em análises.
Introdução
Para aqueles que possuem atividades diárias em análise de dados já perceberam que em alguns processos sempre seguimos pelo mesmo caminho. Nesse artigo vou sugerir a você algumas bibliotecas do Python para te ajudar nessas análises.
Vamos lá 👍🏻
Pandas Profiling
Se você assim como eu tem gastado horas criando gráficos, fazendo merges de dataframes essa biblioteca pode te ajudar.
A principal recurso dela é um relatório muito completo que a ferramenta gera, contendo por exemplo tipo de valores, nulls, média, valores constantes, heatmaps, histograma por feature etc.
Instalação via pip
pip install pandas-profiling[notebook]
Usando
import numpy as np
import pandas as pd
from pandas_profiling import ProfileReportdf = pd.DataFrame(
np.random.rand(100, 5),
columns=["a", "b", "c", "d", "e"]
)
profile = ProfileReport(df, title='Pandas Profiling Report', explorative=True)
A ferramenta é usada direto no jupyter notebook.
Página do projeto
TQDM
Essa pequena nos ajuda com um status dos processos executados no jupyter notebook. É bem útil quando temos processos demorados como uma importação de arquivo grande.
Instalação
pip install tqdm
Usando
from tqdm import tqdm
for i in tqdm(range(10000)):
Página do projeto
Streamlit
Streamlit é um framework open source para nos auxiliar a fazer deploy de modelos de Machine Learning ou simplesmente criar visualizações dos dados (…). Com ele é possível fazer filtros nos dados, carregar arquivos, gerar gráficos através de outras bibliotecas (matplotlib, seaborn).
Instalação
pip install streamlit
Usando
streamlit hello
Página do projeto
Bokeh
A biblioteca Bokeh é uma mão na roda na hora de criar dashboards, plotagens com interatividade ou aplicações de dados.
Instalação
pip install bokeh
Usando
from bokeh.plotting import figure, output_file, show# prepare some data
x = [1, 2, 3, 4, 5]
y = [6, 7, 2, 4, 5]# output to static HTML file
output_file("lines.html")# create a new plot with a title and axis labels
p = figure(title="simple line example", x_axis_label='x', y_axis_label='y')# add a line renderer with legend and line thickness
p.line(x, y, legend_label="Temp.", line_width=2)# show the results
show(p)
Página do projeto
Scrapy
Scrapy é um framework para auxiliar na extração dos dados (Webscraping). O Scrapy tem muitas semelhanças como outras bibliotecas de ‘scrapping’ (Selenium e BeautifulSoup).
Instalação
pip install scrapy
Usando
import scrapyclass BlogSpider(scrapy.Spider):
name = 'blogspider'
start_urls = ['https://blog.scrapinghub.com'] def parse(self, response):
for title in response.css('.post-header>h2'):
yield {'title': title.css('a ::text').get()} for next_page in response.css('a.next-posts-link'):
yield response.follow(next_page, self.parse)
scrapy runspider myspider.py
Não esqueça!
Essas foram algumas dicas de bibliotecas, porém existem as mais conhecidas que você provavelmente já deve conhecer, tais como:
Obrigado por ler este artigo, espero que essas dicas sejam úteis!
Pretendo no futuro escrever sobre algumas dessas ferramentas mais profundamente.
Outros artigos