From c00ccc7472c927620e1f146de21a39f476f9d476 Mon Sep 17 00:00:00 2001
From: Nathalia <nathalialp28@gmail.com>
Date: Thu, 22 Aug 2024 11:52:01 -0300
Subject: [PATCH] entrega semana12

---
 exercicios/para-casa/nathalia-pereira.py | 90 ++++++++++++++++++++++++
 1 file changed, 90 insertions(+)
 create mode 100644 exercicios/para-casa/nathalia-pereira.py

diff --git a/exercicios/para-casa/nathalia-pereira.py b/exercicios/para-casa/nathalia-pereira.py
new file mode 100644
index 0000000..79d2732
--- /dev/null
+++ b/exercicios/para-casa/nathalia-pereira.py
@@ -0,0 +1,90 @@
+#-----------------------------------------------------------------------------------------
+# - Faça a limpeza do seu dataframe excluindo linhas duplicadas ou preenchendo valores nulos.
+#-----------------------------------------------------------------------------------------
+import pandas as pd
+import matplotlib.pyplot as plt
+from datetime import date
+
+df = pd.read_csv("../../material/Employee.csv")
+
+print(df.info())
+print(df.isnull().sum()) #soma dos nulos
+print(df.duplicated().sum()) #soma dos duplicados
+df.drop_duplicates(inplace = True) #remoção dos duplicados
+print(df.duplicated().sum()) #validação se todos foram removidos
+
+#-----------------------------------------------------------------------------------------
+# - Crie um dataframe que tenha os empregados que trabalham na empresa a mais de 5 anos.
+#-----------------------------------------------------------------------------------------
+# print(df.head())
+# print(df.columns)
+
+CurrentDate = date.today() #data atual
+CurrentYear = int(CurrentDate.strftime("%Y")) #ano atual
+
+df['CompanyTime'] = CurrentYear - df['JoiningYear']
+funcionarios_df = df[df['CompanyTime'] >= 5]
+print(funcionarios_df)
+
+#-----------------------------------------------------------------------------------------
+# - Agrupe os empregados por gênero e idade e crie um gráfico para cada caso.
+#-----------------------------------------------------------------------------------------
+
+gender = df['Gender'].value_counts()
+gender.plot(kind='barh', title='Employees Gender Graphy',color=['darkcyan', 'mediumpurple'])
+plt.xlabel('Total Employees')
+plt.show()
+
+age = df['Age'].value_counts()
+age.plot(kind='bar', title='Employees Age Graphy', color='mediumpurple')
+plt.ylabel('Total Employees')
+plt.show()
+
+#-----------------------------------------------------------------------------------------
+# - Veja qual a cidade que mais tem empregados e faça uma média do tempo de serviço dos empregados por cidade
+#-----------------------------------------------------------------------------------------
+
+city_count = df['City'].value_counts()
+city_max = city_count.idxmax()
+
+MeanCompanyTime = df.groupby('City')['CompanyTime'].mean()
+print(f'The city with the most employees is: {city_max}\n The mean of company time per city is:\n', MeanCompanyTime)
+
+#-----------------------------------------------------------------------------------------
+# - Faça a porcentagem de quantos empregados ainda trabalham na empresa (use a coluna `LeaveOrNot` do dataframe)
+#-----------------------------------------------------------------------------------------
+
+NoLeaveCount = (df['LeaveOrNot']== 0).sum()
+LeaveCount = (df['LeaveOrNot'] == 1).sum()
+
+Per_LeaveCount = (NoLeaveCount * 100) / len(df)
+print(f'The percentage of employees who still work at the company is: {Per_LeaveCount:.1f}%')
+
+#-----------------------------------------------------------------------------------------
+# - Conte quantos empregados existem por `PaymentTier`
+#-----------------------------------------------------------------------------------------
+
+PaymentTierCount = df['PaymentTier'].value_counts()
+print(PaymentTierCount)
+
+#-----------------------------------------------------------------------------------------
+# - Substitua os valores da coluna `EverBenched` para `True` ou `False`
+#-----------------------------------------------------------------------------------------
+
+df['EverBenched'] = df['EverBenched'].replace({'No':'False', 'Yes':'True'})
+print(df['EverBenched'])
+
+#-----------------------------------------------------------------------------------------
+# - Crie um gráfico de pizza com o resultado da coluna `EverBenched` e outro com `LeaveOrNot`
+#-----------------------------------------------------------------------------------------
+
+EverBenchedCount = df['EverBenched'].value_counts()
+EverBenchedCount.plot(kind='pie',  title = 'Ever Benched Graphy', autopct='%1.1f%%', startangle=50, explode=(0,0.1), colors=['mediumpurple', 'darkcyan'])
+plt.ylabel('')
+plt.show()
+
+df['LeaveOrNot'] = df['LeaveOrNot'].replace({0:'False', 1:'True'})
+LeaveOrNotCount = df['LeaveOrNot'].value_counts()
+LeaveOrNotCount.plot(kind='pie',  title = 'Leave Or Not Graphy', autopct='%1.1f%%', startangle=70, explode=(0,0.1), colors=['mediumpurple', 'darkcyan'])
+plt.ylabel('')
+plt.show()
\ No newline at end of file