Hora da Prática - Python para Data Science (Alura)

Este notebook é parte da atividade 'Hora da Prática' do curso de Python para Data Science da Alura. Ele contém uma série de desafios e exercícios práticos que abordam os aprendizados de cada aula do curso, oferecendo um espaço para construir, testar e executar soluções em Python.

Conteúdo do Notebook

O notebook está organizado por aulas, cada uma com seções de 'Aquecimento' (desafios introdutórios) e 'Aplicando a projetos' (desafios mais complexos e contextualizados).

Aula 1 - Bibliotecas

Nesta aula, os exercícios focam na utilização de bibliotecas Python essenciais, como matplotlib, numpy, random e math. Os desafios incluem:

• Instalação e importação de bibliotecas.
• Geração de números aleatórios.
• Cálculos matemáticos básicos (potência, raiz quadrada).
• Aplicações em cenários como sorteios e geração de tokens.

Aula 2 - Funções

Esta aula explora a criação e utilização de funções em Python para organizar e reutilizar código. Os tópicos abordados são:

• Funções embutidas (len, max, min, sum).
• Criação de funções para tarefas específicas (tabuada, filtragem de listas).
• Uso de funções lambda e map().
• Aplicações em projetos como cálculo de notas de skatistas, análise de desempenho de estudantes, formatação de nomes completos e cálculo de pontuação em campeonatos de futebol.

Aula 3 - Estrutura de Dados Compostas

Foco em listas, tuplas e dicionários, explorando como estruturar e manipular dados de forma eficiente. Os exercícios incluem:

• Manipulação de listas de listas e listas de tuplas.
• Criação de listas e dicionários usando comprehensions.
• Filtragem e agrupamento de dados.
• Aplicações em cenários como análise de aluguéis, rotulagem de dados clínicos e contagem de filiais por estado.

Aula 4 - Lidando com Exceções

Nesta aula, o objetivo é aprender a tratar erros e exceções em Python para criar códigos mais robustos. Os desafios abordam:

• Utilização de blocos try-except para capturar diferentes tipos de erros (ValueError, KeyError, ZeroDivisionError).
• Implementação de finally.
• Validação de entradas e manipulação de erros em funções.
• Aplicações em projetos como correção de provas com validação de alternativas e verificação de texto para pontuações.

Como Utilizar

1. Clone o repositório:

   git clone <URL_DO_REPOSITORIO>

2. Abra o notebook: Você pode abrir o notebook no Google Colab, Jupyter Notebook ou JupyterLab.
3. Execute as células: Siga a ordem das células para executar os exercícios e as soluções propostas. Sinta-se à vontade para modificar o código e experimentar diferentes abordagens.

Requisitos

Este notebook utiliza bibliotecas Python padrão e algumas bibliotecas populares de Data Science. Certifique-se de ter as seguintes bibliotecas instaladas (ou instale-as conforme necessário):

• numpy
• matplotlib

Você pode instalá-las usando pip:

pip install numpy matplotlib

Contribuições

Contribuições são bem-vindas! Se você encontrar um erro, tiver uma sugestão de melhoria ou quiser adicionar sua própria solução para um desafio, por favor, abra uma issue ou envie um pull request.

Licença

Este projeto está licenciado sob a licença MIT. Para mais detalhes, consulte o arquivo LICENSE (se aplicável). Este material foi desenvolvido no contexto do curso de Python para Data Science da Alura.