Conecta+ 2020/01 - Programação em Python (Básico)

Recursos necessários

Interpretador online:

• Para o primeiro exemplo: https://repl.it/languages/python_turtle
• Para o segundo exemplo e demais códigos: https://repl.it/languages/python3

Exemplo 1 - Utilizando o Turtle

O objetivo deste exemplo é demonstrar como as variáveis e as funções são interpretadas no Python

Neste exemplo vamos utilizar a biblioteca Turtle para desenhar formas geométricas.

Para importar uma biblioteca em python precisamos utilizar o comando import, normalmente estas importações ocorrem no início do arquivo

import turtle

Após isto precisamos criar um objeto Turtle, que será responsável por desenhar as formas geométricas.

t = turtle.Turtle()

Alguns comandos úteis do Turtle:

# Rotacionar o cursor para a direita, passando o ângulo de rotação como parâmetro
t.rt(angulo)

# Rotacionar o cursor para a esquerda, passando o ângulo de rotação como parâmetro
t.lt(angulo)

# Andar para a frente, passando a distância a ser percorrida
t.fd(distancia)

# Levantar a caneta, isto permite que o cursor se mova sem desenhar
t.penup()

# Baixar a caneta, isto faz o cursor voltar a desenhar quando se move
t.pendown()

# Mover o cursor para uma posicao específica em x (pos_x) e em y (pos_y)
t.goto(pos_x, pos_y) 

Desenhando um quadrado

Para desenhar um quadrado traçamos uma linha com uma determinada distância, rotacionamos o cursor em 90 graus, e repetimos estes passos mais 3 vezes para completar o quadrado.

Vamos deixar a distância a ser percorrida armazenada em uma variável, para que seja mais fácil de alterar este valor

distancia = 100

Agora podemos fazer o procedimento de desenho

# Linha de baixo
t.fd(distancia)
t.lt(90)

# Linha da esquerda
t.fd(distancia)
t.lt(90)

# Linha de cima
t.fd(distancia)
t.lt(90)

# Linha da direita
t.fd(distancia)
t.lt(90)

A repetição destes passos pode ser resumida com laços de repetição

Temos dois tipos de laços de repetição o FOR e o WHILE

Utilizando o FOR

for i in range(4):
  t.fd(distancia)
  t.lt(90)

Utilizando o WHILE

# Utilizando for
i = 0
while i<4:
  t.fd(distancia)
  t.lt(90)
  i = i + 1

Podemos utilizar as funçoes para "empacotar" estes comandos, evitando a necessidade de repetir o código todas as vezes que quisermos desenhar um quadrado.

def quadrado():
  for i in range(4):
    t.fd(distancia)
    t.lt(90)

Para chamar uma função, basta chamar o nome dela

quadrado()

É possivel passar argumentos para as funções, tornando o códiugo ainda mais flexivel. Um exemplo de parâmetro que pode ser passado é a distância (que chamaremos de tamanho), permitindo que possamos criar quadrados de tamanhos diferentes.

def quadrado(tamanho):
  for i in range(4):
    t.fd(tamanho)
    t.lt(90)
 
quadrado(10)
quadrado(20)
quadrado(50)

Para desenhar quadrados em posições específicas, devemos passar as coordenadas para a função, e cuidar para levantar a caneta antes de mover o cursor.

def quadrado(tamanho, x, y):
  t.penup()
  t.goto(x, y)
  t.pendown()
  for i in range(4):
    t.fd(tamanho)
    t.lt(90)

quadrado(20, 0, 0)
quadrado(20, 30, 0)
quadrado(20, 30, 30)
quadrado(20, 0, 30)
quadrado(70, -10, -10)

Exemplo 2 - Carregando dados e plotando gráficos

Os dados de consumo de energia utilizados neste exemplo foram extraídos de https://dados.fee.tche.br

A linguagem python é bastante utilizada para ánálise de dados, então vamos buscar dados sobre consumo de energia nas cidades do estado do Rio Grande do Sul e vamos comparar o consumo industrial e comercial com o consumo residêncial por município.

A biblioteca pandas é bastante utilizada para trabalhar com dados tabulares, assim como o Excel. Vamos utilizar esta biblioteca para poder manipular os dados com mais facilidade. Além desta biblioteca, utilizaremos a matplotlib, que será responsável por gerar gráficos dos nossos dados.

import pandas as pd
import matplotlib.pyplot as plt

Os dados a serem importados estão no formato CSV (Comma Separated Values) e estão disponíveis neste repositório na pasta "energia_rs". É possível realizar o download dos arquivos, ou importar diretamente da internet.

# Salvando o endereço do arquivo na variável URL
url ="https://github.com/armandokeller/conecta_202001/raw/master/energia_rs/energia_residencial.csv"

# Importando para a variável df_residencial
df_residencial = pd.read_csv(url,sep=";",encoding="ISO-8859-1",skiprows=6,index_col="Município")

# Gerando a lista com todos os anos disponíveis (de 1991 até 2018)
anos = list(df_residencial.columns)

# Realizando a transposição dos dados para que os municípios sejam as colunas e os anos as linhas
df_residencial = df_residencial.transpose()

# Criando a lista de cidades
cidades = list(df_residencial.columns)

O mesmo procedimento é realizado para o consumo industrial e comercial, agora sem a necessidade de criar a lista de anos disponíveis e de cidades, pois estas já foram criadas.

# Dados industriais
url ="https://github.com/armandokeller/conecta_202001/raw/master/energia_rs/energia_industrial.csv"
df_industrial = pd.read_csv(url,sep=";",encoding="ISO-8859-1",skiprows=6,index_col="Município")
df_industrial = df_industrial.transpose()

# Dados comerciais
url ="https://github.com/armandokeller/conecta_202001/raw/master/energia_rs/energia_comercial.csv"
df_comercial = pd.read_csv(url,sep=";",encoding="ISO-8859-1",skiprows=6,index_col="Município")
df_comercial = df_comercial.transpose()

Com estas "planilhas" que agora são chamadas de DataFrames, podemos gerar os gráficos.

Como temos muitas cidades, vamos armazenar em uma variável o nome da cidade que queremos os gráficos. Esta variável servirá para filtrar os dados, e como informação nos gráficos. É importante que a grafia seja a mesma do que a contida no arquivo que foi carregado, neste caso, todas iniciando com letras maiúsculas seguidas de letras minúsculas e considerando a acentuação.

cidade = "São Leopoldo"

Para o nosso primeiro gráfico, vamos gerar três linhas, uma para o consumo residencial, outra para o industrial e outra para o comercial.

plt.plot(anos, df_residencial[cidade], label="Residencial")
plt.plot(anos, df_industrial[cidade], label="Industrial")
plt.plot(anos, df_comercial[cidade], label="Comercial")

Em seguida, inserimos mais detalhes do gráfico, como nome dos eixos, título, legenda e grade.

# Ativa a exibição da legenda
plt.legend()

# Define o nome do eixo vertical
plt.ylabel("Energia [MWh]")

# Define o nome do eixo horizontal
plt.xlabel("Ano")

# Define o título do gráfico com o nome da cidade
plt.title(f"Consumo de energia em {cidade} - RS") 

# Habilita a grade (grid)
plt.grid(True)

Até este momento só configuramos o gráfico, nada é exibido. No momento que o gráfico for exibido, a execução do código será interrompida até que a janela com o gráfico seja fechada.

plt.plot()

Agora podemos ir para o nosso segundo gráfico, onde realizaremos a comparação do cosumo industrial somado com o consumo comercial em relação ao consumo residencial.

plt.plot(anos, (df_industrial[cidade]+df_comercial[cidade])/df_residencial[cidade])
plt.title("Relação entre consumo comercial e industrial pelo residêncial")
plt.grid(True)
plt.show()

A partir daqui podem ser realizadas diversas análises com estes dados.

Continue

A linguagem python pode ser aplicada em diversas áreas, principalmente para automatizar tarefas repetitivas.

Dados abertos

Links para dados abertos:

• FEE - Fundação de Economia e Estatística Siegfried Emanuel Heuser
• Dados RS
• Portal Brasileiro de Dados Abertos