pip install openpyxl

import pandas as pd # Lê o arquivo Excel diretamente para um DataFrame df = pd.read_excel('car_crashes.xlsx', sheet_name='car_crashes', header=0) # Apresenta o DataFrame print(df)

import pandas as pd # Lê o arquivo Excel df = pd.read_excel('car_crashes.xlsx', sheet_name='car_crashes', header=0) # Agrupa os dados por 'ins_type' grouped = df.groupby('ins_type') # 1. Média, valor máximo e valor mínimo de 'ins_premium' premium_stats = grouped['ins_premium'].agg(['mean', 'max', 'min']) # 2. Média, soma total, valor máximo e valor mínimo de 'ins_losses' losses_stats = grouped['ins_losses'].agg(['mean', 'sum', 'max', 'min']) print("Estatísticas de 'ins_premium' por 'ins_type':") print(premium_stats) print("\nEstatísticas de 'ins_losses' por 'ins_type':") print(losses_stats)

import pandas as pd import sqlalchemy as sa df = pd.read_excel('car_crashes.xlsx', sheet_name='car_crashes', header=0) # Conexão com o banco de dados engine = sa.create_engine('sqlite:///mpg.db') # Obter o metadata do banco de dados metadata = sa.MetaData() # Corrected line: No "bind" parameter metadata.reflect(engine) # Identificar as tabelas na base de dados tables = metadata.tables.keys() print(f"Número de tabelas: {len(tables)}") # Criar um dataframe para cada tabela com nomes específicos dataframes = {} for table_name in tables: table = metadata.tables[table_name] dfs = pd.read_sql_table(table_name, engine) dataframes[table_name] = dfs # Criar variáveis com nomes específicos para cada dataframe globals()[table_name.lower() + '_df'] = dfs # Ex: 'name_df', 'observation_df', etc. # Exibir os dataframes com seus nomes específicos for table_name in tables: df_name = table_name.lower() + '_df' print(f"DataFrame para a tabela '{table_name}':") print(globals()[df_name]) # Acessa o dataframe pelo nome da variável print()

import pandas as pd import sqlalchemy as sa # Conexão com o banco de dados engine = sa.create_engine('sqlite:///mpg.db') # Cria a tabela Category (com tratamento de erro) try: metadata = sa.MetaData() category_table = sa.Table( 'Category', metadata, sa.Column('category_id', sa.Integer, primary_key=True), sa.Column('category', sa.String) ) metadata.create_all(engine) # Tenta criar a tabela # Insere um registro na tabela Category with engine.connect() as conn: conn.execute( category_table.insert(), [{'category_id': 0, 'category': 'sedan'}] ) except sa.exc.IntegrityError as e: print(f"Erro ao criar a tabela 'Category' ou inserir dados: {e}") print("Provavelmente a tabela já existe ou a categoria_id já está em uso. Tente um valor diferente.") # Obter o metadata do banco de dados metadata = sa.MetaData() metadata.reflect(engine) # Identificar as tabelas na base de dados tables = metadata.tables.keys() print(f"Número de tabelas: {len(tables)}") # Criar um dataframe para cada tabela dataframes = {} for table_name in tables: table = metadata.tables[table_name] dfs = pd.read_sql_table(table_name, engine) dataframes[table_name] = dfs # Exibir os dataframes for table_name, dfs in dataframes.items(): print(f"DataFrame para a tabela '{table_name}':") print(dfs) print()

import pandas as pd import sqlalchemy as sa engine = sa.create_engine('sqlite:///mpg.db') # Obter o metadata do banco de dados metadata = sa.MetaData() metadata.reflect(engine) # Carregando os DataFrames name_df = pd.read_sql_table('Name', engine) observation_df = pd.read_sql_table('Observation', engine) origin_df = pd.read_sql_table('Origin', engine) # Agregando os DataFrames unico_df = pd.merge(name_df, observation_df, how='left') unico_df = pd.merge(unico_df, origin_df, on='origin_id', how='left') print("DataFrame Único:") print(unico_df)

import pandas as pd import sqlalchemy as sa engine = sa.create_engine('sqlite:///mpg.db') # Obter o metadata do banco de dados metadata = sa.MetaData() metadata.reflect(engine) unico_df = unico_df.drop(['name_id', 'origin_id'], axis=1) print("DataFrame Único:") print(unico_df)

import pandas as pd import sqlalchemy as sa # Calcula o consumo médio (mpg) por país de origem consumo_medio_por_pais = unico_df.groupby('origin')['mpg'].mean() # Imprime o consumo médio (mpg) por país de origem print("Consumo médio (mpg) por país de origem:") print(consumo_medio_por_pais) # Encontra o país de origem dos carros que mais consomem combustível pais_com_maior_consumo = consumo_medio_por_pais.idxmin() print(f"\nO país de origem dos carros que mais consomem combustível é: {pais_com_maior_consumo}")

import pandas as pd import sqlalchemy as sa # Calcula o peso médio (weight) dos carros, por país e por quantidade de cilindros peso_medio_por_pais_cilindros = unico_df.groupby(['origin', 'cylinders'])['weight'].mean().unstack() # Imprime o peso médio print("Peso médio (weight) dos carros, por país e por quantidade de cilindros:") print(peso_medio_por_pais_cilindros)

import pandas as pd import sqlalchemy as sa # Calcula a mediana da potência (horsepower) dos carros, por ano de fabricação e por quantidade de cilindros mediana_potencia_por_ano_cilindros = unico_df.groupby(['model_year', 'cylinders'])['horsepower'].median().unstack(fill_value=0) # Imprime a mediana print("Mediana da potência (horsepower) dos carros, por ano de fabricação e por quantidade de cilindros:") print(mediana_potencia_por_ano_cilindros)

import pandas as pd import sqlalchemy as sa # Calcula a média da potência, aceleração e peso por quantidade de cilindros e país de origem media_por_cilindros_origem = unico_df.groupby(['cylinders', 'origin'])[['horsepower', 'acceleration', 'weight']].mean() # Imprime os resultados print("Média da potência (horsepower), aceleração (acceleration) e peso (weight) dos carros, por quantidade de cilindros e país de origem:") print(media_por_cilindros_origem)