Atividade Semana 12

exercicios/para-casa/Atividade.py

@@ -0,0 +1,81 @@
+import pandas as pd
+import datetime as dt  
+import matplotlib.pyplot as plt
+
+df = pd.read_csv(r"C:\Users\brend\OneDrive\Documentos\PYTHON\REPROGRAMA\Semana 12\on33-python-s10-pandas-numpy-II\material\Employee.csv")
+
+print(df.info())
+print(df.isnull().sum())
+
+#Listar soma das duplicadas
+print(df.duplicated().sum())
+
+#Excluir duplicadas e salvar
+print(df.drop_duplicates(inplace=True))
+print(df.duplicated().sum())
+
+#Encontrar o ano atual
+Ano_Atual = dt.datetime.now().year
+print(Ano_Atual)
+
+#Cálculo quantidade de anos na empresa
+df["Tempo de Empresa"] = (Ano_Atual - df["JoiningYear"])
+print(df.info())
+
+#Filtro com os funcionários com mais de 5 anos
+filtered_df = df[df["Tempo de Empresa"] > 5]
+print(filtered_df.head())
+
+#Salvando um novo DataFrame com os funcionários com mais de 5 anos
+filtered_df.to_csv("./Funcionarios.csv", index=False)
+
+#Agrupe os empregados por gênero e idade
+Genero = df["Gender"].value_counts
+print(Genero)
+Idade = df["Age"].value_counts
+print(Idade)
+
+#crie um gráfico para cada caso acima
+Genero.plot(kind="bar", title="Funcionários por Gênero")
+plt.show()
+
+Idade.plot(kind="bar", title="Funcionários por Idade")
+plt.show()
+
+#Veja qual a cidade que mais tem empregados
+Cidades = df["City"].value_counts().idxmax()
+print(Cidades)
+Mais_funcionarios = df["City"].value_counts().max()
+print(Mais_funcionarios)
+print('A cidade com Mais funcionários é', Cidades, 'com', Mais_funcionarios, 'funcionários')
+
+#faça uma média do tempo de serviço dos empregados por cidade
+df["Tempo_servico"] = (Ano_Atual - df["JoiningYear"])
+media_cidade = df.groupby("City")["Tempo_servico"].mean()
+print(media_cidade)
+
+#Faça a porcentagem de quantos empregados ainda trabalham na empresa (use a coluna `LeaveOrNot` do dataframe)
+Funcionarios = df["LeaveOrNot"].count()
+#print(Funcionarios)
+Ativos = (df["LeaveOrNot"] > 0).sum()
+Percentual = (Ativos / Funcionarios) * 100
+print(format(round(Percentual,2)))
+
+#Conte quantos empregados existem por `PaymentTier`
+Qtdade_Funcionários = df['PaymentTier'].count()
+print(Qtdade_Funcionários)
+
+#Substitua os valores da coluna `EverBenched` para `True` ou `False`
+df['EverBenched'] = df['EverBenched'].apply(lambda x: "False" if x == 'No' else "True")
+print(df["EverBenched"])
+
+#Crie um gráfico de pizza com o resultado da coluna `EverBenched` e outro com `LeaveOrNot`
+Grafico1 = df["EverBenched"].value_counts()
+print(Grafico1)
+Grafico1.plot(kind="pie")
+plt.show()
+
+Grafico2 = df["LeaveOrNot"].value_counts()
+print(Grafico2)
+Grafico2.plot(kind="pie")
+plt.show()