title	date
README e temas das aulas	01/08/2018

Introdução

Este curso consiste em um conjunto de 10 aulas elaboradas em Jupyter notebooks sobre Python, com um foco em tratamento de dados. Esse curso foi/será ministrado no Instituto de Química da Unicamp dos dias 06/Ago até 17/Ago. de 2018.

É possível visualizar o conteúdo das aulas utilizando o visualizador online de jupyter notebooks do Github, utilizando um leitor de PDF para as aulas transcritas ou também instalando a distribuição Anaconda do Python, iniciando um servidor com o comando jupyter notebook e abrindo os arquivos. Para mais detalhes, veja a primeira aula.

---

Conteúdo que será explorado

1. Introdução
   1. Objetivo
   2. Motivação
      • Automatizar tarefas repetitivas
      • Análise exploratória de dados
      • Tratamento de dados
   3. Ferramentas específicas para tarefas específicas
   4. Por que Python
      • Simples, alto nível, muito suporte, muitos pacotes
   5. Instalação do Python e testes
      • Uso do console/terminal
      • Variável PATH
      • Início de um servidor
   6. Sobre aprender programação
   7. Recursos para aprendizado
      • Software Carpentry, Stack Overflow, Documentação oficial, tutoriais no Youtube.
   8. Promessas
2. Hello World
   1. print
   2. Funções
   3. Argumentos
      • *args, sem valores padrão
      • **kwargs, opcionais, valores padrão
   4. Obtenção de ajuda com Shift+Tab (1x,2x,4x).
   5. Strings
      1. Aspas simples '', duplas "", triplas (''')
      2. Escape Sequences: \n, \t, \r
      3. raw strings
   6. dir, help, ?.
   7. Tudo é um objeto em Python
      • Métodos e propriedades internas de objetos
   8. Funções retornam valores
3. Operações matemáticas
   1. +, -, *, /
   2. ints e floats.
   3. Tipos de objetos, type.
   4. Resto %, divisão sem decimal //, potenciação **.
   5. Operadores matemáticos em objetos não numéricos (overloading)
      • str1 + str2
   6. Erros e como lidar com eles. Tipos de erros
   7. Variáveis, declaração e atribuição.
   8. Conversão entre tipos de variáveis.
      • float, int, str.
   9. Junção de dois tipos incompatíveis: strings e números
      • %s% e %
      • {} e .format
      • {} e f'
      • Arredondando números com round e {:.2f}
   10. Comparações entre objetos
       • ==, !=, >, >=, <, <=, a < b < c.
   11. Valores booleanos True e False.
4. Estruturas de dados (listas, dicionários, tuplas)
   1. Listas:
      1. Declaração: [item1, item2], list().
      2. Indexação: lista[índice].
         • Começa do zero, 0.
         • Índices negativos
      3. Comparação com strings.
      4. Listas aninhadas, [][]
      5. Seccionamento (slicing)
         1. início:fim (não incluso):passo
         2. Valores padrão (tudo:tudo:1)
         3. Valores negativos para o passo
      6. len, max, min
      7. Remoção de elementos com del
      8. Métodos internos:
         • append, sort, pop, reverse, extend.
         • +
         • Alguns métodos operam diretamente na lista e retornam None!
      9. Mutabilidade e Imutabilidade
   2. Dicionários:
      1. Declaração: {chave1:valor1, chave2:valor2}, dict
      2. Indexação: dict1[chave1]
      3. Métodos internos: keys, values, items
   3. Tuples:
      1. Declaração: (item1, item2), (item1,), tuple
      2. unpacking e expressões com asteriscos.
5. Condicionais e loops
   1. Condicionais:
      1. if, elif, else.
      2. Blocos de código precedidos por :.
      3. Junção de condicionais: and, or, not, all, any.
      4. Aninhamento de condicionais.
      5. Outros valores interpretados como verdadeiros e falsos
         • Conjuntos vazios, 0.
      6. in
   2. Loops:
      1. while e for, loops infinitos.
      2. Utilizando mais de um valor para um loop for.
      3. enumerate, range
      4. break e continue.
      5. Aninhamento
   3. List comprehension
   4. Abrindo um arquivo de texto e separando os valores necessários.
      1. open, split, unpacking, continue, float
6. Instalando e carregando módulos
   1. pip install
   2. conda install
   3. import
      • import pacote
      • import pacote as apelido
      • from pacote import parte
   4. Exemplos do uso de pacotes:
      1. uncertainties para o cálculo e propagação de incertezas.
      2. sympy para matemática simbólica.
      3. glob para criação de listas com nomes de arquivos
      4. os para funções básicas do sistema operacional.
7. Definindo funções
   1. Declaração: def nome(argumentos, opcionais=padrão)
   2. return
   3. Funções anônimas com lambda.
   4. Documentação, docstrings
   5. Lidando com erros e exceções com try e except
   6. Escopo de variáveis
8. Numpy:
   1. import numpy as np
   2. np.lookfor
   3. Numpy arrays, linspace
      • Operações afetam arrays por inteiro.
   4. Funções trigonométricas sin, cos, tan
   5. Valores e índices de mínimos com min e argmin
   6. logspace, log10
   7. Criação de arrays 1D e 2D a partir de listas.
   8. Indexação e slicing de arrays 2D
      • [linha][coluna], [linha, coluna]
      • [l_i:l_f, col_i:col_f]
   9. Pacote random
   10. Constantes pi, e
   11. Multiplicação de arrays
       • Termo a termo
       • Matricial, np.dot, @
       • Transformação de vetores sem dimensão para vetores linha e coluna
9. Pandas:
   1. import pandas as pd
   2. Carregando arquivos com read_csv
      • Objeto criado e chamado de DataFrame se tiver mais de duas colunas, ou Series se tiver só uma.
      • sep
      • decimal
      • names
      • engine
      • header
      • na_values
      • encoding
   3. head, info
   4. Indexação retorna colunas.
      • df['col1'] retorna uma coluna
      • df[['col1, col2']] retorna duas colunas
   5. loc retorna linhas e colunas com base em seus nomes.
      • df.loc[l_i:l_f, col_i:col_f]
   6. iloc retorna linhas e colunas com base em seus índices.
      • df.iloc[l_i:l_f, col_i:col_f]
   7. Máscaras lógicas
      1. Criação de um dataframe seguindo uma condição: filtro = df['y'] < media
      2. Aplicação do filtro no dataframe inicial. filtrado = df[filtro]
10. Criação de gráficos com matplotlib e pyplot:
    1. import matplotlib.pyplot as plt
    2. plot, xlabel, ylabel, title, text
    3. Customizando linhas
       • color
       • linestyle
       • linewidth
       • marker
       • markersize
       • markerfacecolor
    4. plots múltiplos colocam mais linhas
    5. figure, figsize, dpi
    6. ylim, xlim, axhline, axvline
    7. Alterando o separador decimal
    8. label e legend
    9. savefig e formatos.
    10. Método implícito (plt.plot) e método explícito (ax.plot)
    11. Subplots com subplot (imp) e subplots (exp).
    12. twinx
    13. xscale, yscale
    14. errorbar
    15. Junção de pandas e pyplot.
    16. imshow e mapas de cor.
11. Algumas ferramentas para tratamento de dados
    1. Processo de tratamento
    2. scipy
       • find_peaks_cwt
       • savgol_filter
       • curve_fit
       • uncertainties e plots
       • integrate.quad
    3. scikit-image
    4. lmfit
    5. Expressões regulares com re.
    6. Outras ferramentas de visualização: Seaborn e Altair