Entrega de exercício para casa

exercicios/para-casa/resolucao.py

@@ -0,0 +1,63 @@
+import pandas as pd
+import matplotlib.pyplot as plt
+
+# Nomeando o df de employee
+employee = pd.read_csv(r"C:\Users\sukzw\OneDrive\Documentos\reprograma\on33-python-s10-pandas-numpy-II\material\Employee.csv")
+
+# Faça a limpeza do seu dataframe excluindo linhas duplicadas ou preenchendo valores nulos:
+# print(employee.info())
+# print(employee.describe())
+employee_limpa = employee.drop_duplicates(keep="first")
+# print(employee_limpa.info())
+
+# Crie um dataframe que tenha os empregados que trabalham na empresa a mais de 5 anos:
+employee_maior_que_5_anos = employee_limpa[employee_limpa['ExperienceInCurrentDomain'] > 5]
+
+# Agrupe os empregados por gênero e idade e crie um gráfico para cada caso:
+# Gráfico por gênero
+employee_limpa["Gender"].value_counts().plot(kind='bar', title="Empregados por gênero")
+plt.xlabel("Gênero")
+plt.ylabel("Número de Empregados")
+plt.show()
+
+# Gráfico por idade
+
+employee_limpa["Age"].value_counts().plot(kind='bar', title="Empregados por idade")
+plt.xlabel("Idade")
+plt.ylabel("Número de Empregados")
+plt.show()
+
+# Veja qual a cidade que mais tem empregados e faça uma média do tempo de serviço dos empregados por cidade
+
+cidade_mais_empregados = employee_limpa["City"].value_counts().idxmax()
+media_tempo = employee_limpa.groupby("City")["ExperienceInCurrentDomain"].mean()
+print(f"Cidade com mais empregados: {cidade_mais_empregados}")
+print("Média do tempo de serviço por cidade:")
+print(media_tempo)
+
+# Faça a porcentagem de quantos empregados ainda trabalham na empresa (use a coluna LeaveOrNot do dataframe)
+
+contagem = employee_limpa["LeaveOrNot"].value_counts()
+total_empregados = contagem.sum()
+porcentagem_trabalhando = round((contagem / total_empregados) * 100, 2)
+print(porcentagem_trabalhando)
+
+# Conte quantos empregados existem por PaymentTier
+
+empregados_payment_tier = employee_limpa["PaymentTier"].value_counts()
+print("Contagem de empregados por PaymentTier:")
+print(empregados_payment_tier)
+
+# Substitua os valores da coluna EverBenched para True ou False
+
+employee_limpa.loc[:, "EverBenched"] = employee_limpa["EverBenched"].apply(lambda x: True if x == "Yes" else False)
+
+# Crie um gráfico de pizza com o resultado da coluna EverBenched e outro com LeaveOrNot
+
+employee_limpa["EverBenched"].value_counts().plot.pie(autopct='%1.1f%%', startangle=90)
+plt.title("Ever Benched")
+plt.show()
+
+employee_limpa["LeaveOrNot"].value_counts().plot.pie(autopct='%1.1f%%', startangle=90)
+plt.title("LeaveOrNot")
+plt.show()