Analisando planilhas e criando gráficos

Analise de planilha usando chat gpt
chat você pode analisar os tipos de dados que contém nessa planilha?

Sim. Li o arquivo “Média de notas.csv” e ele tem 6 colunas. Os tipos de dados (inferidos automaticamente ao importar o CSV) são:

Tipos de dados por coluna (considerando só as linhas preenchidas)

Observação importante: o CSV tem 999 linhas, mas 979 estão completamente vazias. Quando removo essas linhas vazias, sobram 20 linhas reais.

Coluna Tipo (dtype) Preenchidos Vazios Exemplo
Aluno object (texto) 20 0 “Marcelo Barbosa”
Prova 1 float64 (número com decimal) 20 0 6.5
Prova 2 float64 (número com decimal) 20 0 8.3
Prova 3 float64 (número com decimal) 20 0 9.2
Prova 4 float64 (número com decimal) 20 0 7.2
Nota final float64 (número com decimal) 0 20 (tudo vazio)
O que isso significa na prática
Aluno é texto (por isso object).
Prova 1–4 são números decimais (float64), o que faz sentido porque há notas como 6.5, 8.3 etc.
Nota final está definida como número (float64), mas não tem nenhum valor preenchido no arquivo — está 100% vazia.

certo, agora você poderia calcular a média aritmética das notas de cada um dos alunos?

Sim. A média aritmética de cada aluno é:
média=Prova 1 + Prova 2 + Prova 3 + Prova 4

Aluno Média

Aluno Média
Marcelo Barbosa 7.80
Rafaela Santos 6.20
Ronaldo Santos 6.73
Lucas Gabriel Ribeiro 7.05
Luana da Silva 6.93
Mariana Pereira 4.28
Maria Eduarda Farias 7.68
Fernando Henrique Silva 6.25
Pedro Henrique Souza 6.33
Ana Paula Oliveira 3.93
Natália Guimarães 4.75
João Vitor Ferreira 4.93
Rodrigo Almeida 5.98
Gustavo Carvalho 6.85
Letícia Costa 7.03
Aline da Rocha 6.60
Marcos Vinicius Lima 5.73
Carla Cristina Castro 3.05
Isabela da Costa 6.43
Bruna Oliveira 7.25

gere um grafico de dispersão das médias dos estudantes :

utilizei o google collab

import matplotlib.pyplot as plt

nomes = ['Marcelo', 'Rafaela', 'Ronaldo', 'Lucas', 'Luana', 'Mariana',
'Maria E.', 'Fernando', 'Pedro H.', 'Ana P.', 'Natália', 'João V.',
'Rodrigo', 'Gustavo', 'Letícia', 'Aline', 'Marcos V.', 'Carla',
'Isabela', 'Bruna']

indices = list(range(1, 21))
medias = [7.80, 6.20, 6.73, 7.05, 6.93, 4.28, 7.68, 6.25, 6.33, 3.93,
4.75, 4.93, 5.98, 6.85, 7.03, 6.60, 5.73, 3.05, 6.43, 7.25]

plt.figure(figsize=(12, 6))
plt.scatter(indices, medias, s=100, c='blue', edgecolors='black')

for i, nome in enumerate(nomes):
plt.annotate(nome, (indices[i], medias[i]), fontsize=8, ha='center')

plt.axhline(y=sum(medias)/len(medias), color='red', linestyle='--', label='Média geral')
plt.xlabel('Índice do Estudante')
plt.ylabel('Média das Notas')
plt.title('Gráfico de Dispersão das Médias dos Estudantes')
plt.ylim(0, 10)
plt.grid(True, alpha=0.3)
plt.legend()
plt.tight_layout()
plt.savefig('grafico_dispersao.png', dpi=150) # Salva a imagem!
plt.show()

Insira aqui a descrição dessa imagem para ajudar na acessibilidade

import pandas as pd import matplotlib.pyplot as plt # 1. Carrega o arquivo e remove as linhas completamente vazias df = pd.read_csv('Média de notas.csv') df = df.dropna(how='all') # 2. Calcula a média das provas diretamente pelo Pandas provas = ['Prova 1', 'Prova 2', 'Prova 3', 'Prova 4'] df['Média'] = df[provas].mean(axis=1) # Extrai o primeiro nome para não poluir o gráfico df['Primeiro Nome'] = df['Aluno'].apply(lambda x: x.split()[0]) df['Índice'] = range(1, len(df) + 1) # 3. Construção do gráfico de dispersão plt.figure(figsize=(12, 6)) plt.scatter(df['Índice'], df['Média'], s=100, c='blue', edgecolors='black') # Adiciona os nomes dinamicamente for i, row in df.iterrows(): plt.annotate(row['Primeiro Nome'], (row['Índice'], row['Média']), fontsize=8, ha='center', va='bottom') # Linha da média geral da turma media_geral = df['Média'].mean() plt.axhline(y=media_geral, color='red', linestyle='--', label=f'Média geral ({media_geral:.2f})') # Customizações do gráfico plt.xlabel('Índice do Estudante') plt.ylabel('Média das Notas') plt.title('Gráfico de Dispersão das Médias dos Estudantes') plt.ylim(0, 10) plt.grid(True, alpha=0.3) plt.legend() plt.tight_layout() plt.show()

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