(08. Python para Dados: Estruturas de dados) Desafio: hora da prática

# 1. Questão lista_de_listas = [[4,6,5,9], [1,0,7,2], [3,4,1,8]] for lista in lista_de_listas: print(sum(lista)) # 2. Questão lista_de_tuplas = [('Pedro', 1.74, 81), ('Júlia', 1.65, 67), ('Otávio', 1.81, 83)] terceiros_elementos = [] for tupla in lista_de_tuplas: terceiros_elementos.append(tupla[2]) print(terceiros_elementos) # 3. Questão lista = ['Pedro', 'Júlia', 'Otávio', 'Eduardo'] lista_de_tuplas = [] for indice, nome in enumerate(lista): lista_de_tuplas.append((indice, nome)) print(lista_de_tuplas) # 4. Questão aluguel = [('Apartamento', 1700), ('Apartamento', 1400), ('Casa', 2150), ('Apartamento', 1900), ('Casa', 1100)] valores = [valor for tipo, valor in aluguel if tipo == 'Apartamento'] print(valores) # 5. Questão meses = ['Jan', 'Fev', 'Mar', 'Abr', 'Mai', 'Jun', 'Jul', 'Ago', 'Set', 'Out', 'Nov', 'Dez'] despesa = [860, 490, 1010, 780, 900, 630, 590, 770, 620, 560, 840, 360] dicionario = {mes: valor for mes, valor in zip(meses, despesa)} print(dicionario) # 6. Questão vendas = [('2023', 4093), ('2021', 4320), ('2021', 5959), ('2022', 8883), ('2023', 9859), ('2022', 5141), ('2022', 7688), ('2022', 9544), ('2023', 4794), ('2021', 7178), ('2022', 3030), ('2021', 7471), ('2022', 4226), ('2022', 8190), ('2021', 9680), ('2022', 5616)] filtrados = [valor for ano, valor in vendas if ano == '2022' and valor > 6000] print(filtrados) # 7. Questão glicemia = [129, 82, 60, 97, 101, 65, 62, 167, 87, 53, 58, 92, 66, 120, 109, 62, 86, 96, 103, 88, 155, 52, 89, 73] resultado = [ ( 'Hipoglicemia' if valor <= 70 else 'Normal' if valor <= 99 else 'Alterada' if valor <= 125 else 'Diabetes', valor ) for valor in glicemia ] print(resultado) # 8. Questão id = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] quantidade = [15, 12, 1, 15, 2, 11, 2, 12, 2, 4] preco = [93.0, 102.0, 18.0, 41.0, 122.0, 14.0, 71.0, 48.0, 14.0, 144.0] tabela = [('id', 'quantidade', 'preco', 'total')] + [ (i, q, p, q * p) for i, q, p in zip(id, quantidade, preco) ] print(tabela) # 9. Questão estados = ['SP', 'ES', 'MG', 'MG', 'SP', 'MG', 'ES', 'ES', 'ES', 'SP', 'SP', 'MG', 'ES', 'SP', 'RJ', 'MG', 'RJ', 'SP', 'MG', 'SP', 'ES', 'SP', 'MG'] contagem = {estado: estados.count(estado) for estado in set(estados)} print(contagem) # 10. Questão funcionarios = [('SP', 16), ('ES', 8), ('MG', 9), ('MG', 6), ('SP', 10), ('MG', 4), ('ES', 9), ('ES', 7), ('ES', 12), ('SP', 7), ('SP', 11), ('MG', 8), ('ES', 8), ('SP', 9), ('RJ', 13), ('MG', 5), ('RJ', 9), ('SP', 12), ('MG', 10), ('SP', 7), ('ES', 14), ('SP', 10), ('MG', 12)] # Dicionário com listas de funcionários por estado agrupados = { estado: [num for uf, num in funcionarios if uf == estado] for estado in set(uf for uf, _ in funcionarios) } # Dicionário com soma de funcionários por estado soma_funcionarios = { estado: sum(valores) for estado, valores in agrupados.items() } print(agrupados) print(soma_funcionarios)

Olá, Eduardo. Como vai?

Parabéns pelo excelente desempenho na resolução de todas as questões do desafio! O seu código demonstra que você assimilou com maestria os conceitos mais poderosos de manipulação de coleções em Python, como list comprehension, dict comprehension, o uso da função zip() e a manipulação inteligente de estruturas aninhadas.

Gostaria de destacar alguns pontos excepcionais na sua escrita de código:

Domínio de Comprehensions: Nas questões 4, 5, 6, 7 e 8, você utilizou compreensões de listas e dicionários com maestria. Essa abordagem deixa o código conciso, performático e muito alinhado com o estilo idiomático do Python (o famoso código pythonico).
**Uso eficiente do set()**: Na questão 9 e 10, utilizar o set(estados) para descobrir os valores únicos antes de fazer a contagem ou o agrupamento foi uma excelente decisão de oitimização. Isso impede que o Python faça repetições desnecessárias para elementos duplicados.
Lógica condicional na List Comprehension: A estrutura da questão 7, criando tuplas com classificações baseadas em múltiplos if-else aninhados dentro de uma linha, ficou fantástica e muito limpa.

Para agregar ainda mais valor ao seu aprendizado e trazer boas práticas utilizadas por equipes de engenharia de dados, gostaria de sugerir duas pequenas otimizações técnicas para você analisar:

Questão 9 (Otimização com Counter): O uso de {estado: estados.count(estado) for estado in set(estados)} funciona perfeitamente. Contudo, a função .count() varre a lista inteira para cada estado único. Para listas gigantescas, isso pode ficar lento. Uma alternativa performática do mercado é usar a classe Counter da biblioteca nativa collections, que conta todos os elementos fazendo apenas uma única varredura na lista.
Questão 10 (Uso de defaultdict): Na sua abordagem, você criou dois dicionários separados para agrupar e depois somar. É uma lógica muito bem amarrada! Para fazer isso em um único passo sem precisar varrer a lista de funcionários múltiplas vezes para cada estado, podemos utilizar o defaultdict.

Veja um exemplo prático de como essas duas ferramentas nativas podem simplificar as questões 9 e 10:

from collections import Counter, defaultdict

# Otimização para a Questão 9
estados = ['SP', 'ES', 'MG', 'MG', 'SP', 'MG', 'ES', 'ES', 'ES', 'SP', 'SP', 'MG', 'ES', 'SP', 'RJ', 'MG', 'RJ', 'SP', 'MG', 'SP', 'ES', 'SP', 'MG']
contagem_otimizada = dict(Counter(estados))
print(contagem_otimizada)

# Otimização para a Questão 10
funcionarios = [('SP', 16), ('ES', 8), ('MG', 9), ('MG', 6), ('SP', 10), ('MG', 4), ('ES', 9), ('ES', 7), ('ES', 12), ('SP', 7), ('SP', 11), ('MG', 8), ('ES', 8), ('SP', 9), ('RJ', 13), ('MG', 5), ('RJ', 9), ('SP', 12), ('MG', 10), ('SP', 7), ('ES', 14), ('SP', 10), ('MG', 12)]

soma_funcionarios_otimizada = defaultdict(int)
for estado, num in funcionarios:
    soma_funcionarios_otimizada[estado] += num

print(dict(soma_funcionarios_otimizada))

Note como o defaultdict(int) cria automaticamente a chave do estado caso ela não exista e já soma o número diretamente, resolvendo o problema de forma linear e com excelente performance.

Você está avançando com passos muito firmes na trilha de Data Science. Continue com essa consistência nos treinos práticos!

Espero que possa ter lhe ajudado!

Trilhas por carreira

Carreiras de IA

Carreiras de Dados

Carreiras de Cyber

Carreiras de DevOps & Cloud

Carreiras de UX & UI

Carreiras de Mobile & Front-End

Carreiras de Back-End

Carreiras de Negócios

Cursos universitários FIAP

Tópicos relacionados

Conteúdos Alura com o tema