Update and rename pythonstatcomp.html.markdown to pythonstatcomp-pt.html.markdown

1 files changed, 0 insertions, 248 deletions

diff --git a/pt-br/pythonstatcomp.html.markdown b/pt-br/pythonstatcomp.html.markdown
deleted file mode 100644
index 36659cb0..00000000
--- a/pt-br/pythonstatcomp.html.markdown
+++ /dev/null
@@ -1,248 +0,0 @@
----
-category: tool
-tool: Computação estatística com Python
-contributors:
-    - ["e99n09", "https://github.com/e99n09"]
-translators:
-    - ["waltercjunior", "https://github.com/waltercjunior"]
-filename: pythonstatcomp-py.py
----
-
-Este é um tutorial sobre como fazer algumas tarefas típicas de programação estatística usando Python.
-É destinado basicamente à pessoas familizarizadas com Python e experientes com programação estatística em linguagens como R,
-Stata, SAS, SPSS ou MATLAB.
-
-```python
-
-
-
-# 0. Preparando-se ====
-
-"""  Para começar, instale o seguinte : jupyther, numpy, scipy, pandas, 
-    matplotlib, seaborn, requests.
-    Certifique-se de executar este tutorial utilizando o Jupyther notebook para
-    que você utilize os gráficos embarcados e ter uma fácil consulta à 
-    documentação.
-    O comando para abrir é simplesmente '`jupyter notebook`, quando abrir então
-    clique em 'New -> Python'.
-"""
-
-# 1. Aquisição de dados ====
-
-""" A única razão das pessoas optarem por Python no lugar de R é que pretendem
-    interagir com o ambiente web, copiando páginas diretamente ou solicitando
-    dados utilizando uma API. Você pode fazer estas coisas em R, mas no 
-    contexto de um projeto já usando Python, há uma vantagem em se ater uma
-    linguágem única.
-"""
-
-import requests  # para requisições HTTP (web scraping, APIs)
-import os
-
-# web scraping
-r = requests.get("https://github.com/adambard/learnxinyminutes-docs")
-r.status_code  # se retornou código 200, a requisição foi bem sucedida
-r.text  # código fonte bruto da página
-print(r.text)  # formatado bonitinho
-# salve a o código fonte d apágina em um arquivo:
-os.getcwd()  # verifique qual é o diretório de trabalho
-with open("learnxinyminutes.html", "wb") as f:
-    f.write(r.text.encode("UTF-8"))
-
-# Baixar um arquivo csv
-fp = "https://raw.githubusercontent.com/adambard/learnxinyminutes-docs/master/"
-fn = "pets.csv"
-r = requests.get(fp + fn)
-print(r.text)
-with open(fn, "wb") as f:
-    f.write(r.text.encode("UTF-8"))
-
-""" para mais informações sobre o módulo de solicitações, incluindo API's, veja em
-    http://docs.python-requests.org/en/latest/user/quickstart/
-"""
-
-# 2. Lendo um arquivo formato CSV ====
-
-""" Um pacote de pandas da Wes McKinney lhe dá um objeto 'DataFrame' em Python.
-    Se você já usou R, já deve estar familiarizado com a ideia de "data.frame".
-"""
-
-import pandas as pd
-import numpy as np
-import scipy as sp
-pets = pd.read_csv(fn)
-pets
-#        name  age  weight species
-# 0    fluffy    3      14     cat
-# 1  vesuvius    6      23    fish
-# 2       rex    5      34     dog
-
-""" Usuários R: observe que o Python, como a maioria das linguagens de programação 
-    influenciada pelo C, a indexação começa de 0. Em R, começa a indexar em 1
-    devido à influência do Fortran.
-"""
-
-# duas maneiras diferentes de imprimir uma coluna
-pets.age
-pets["age"]
-
-pets.head(2)  # imprima as 2 primeiras linhas
-pets.tail(1)  # imprima a última linha
-
-pets.name[1]  # 'vesuvius'
-pets.species[0]  # 'cat'
-pets["weight"][2]  # 34
-
-# Em R, você esperaria obter 3 linhas fazendo isso, mas aqui você obtem 2:
-pets.age[0:2]
-# 0    3
-# 1    6
-
-sum(pets.age) * 2  # 28
-max(pets.weight) - min(pets.weight)  # 20
-
-""" Se você está fazendo alguma álgebra linear séria e processamento de 
-    números você pode desejar apenas arrays, não DataFrames. DataFrames são
-    ideais para combinar colunas de diferentes tipos de dados.
-"""
-
-# 3. Gráficos ====
-
-import matplotlib as mpl
-import matplotlib.pyplot as plt
-%matplotlib inline
-
-# Para fazer a visualiação de dados em Python, use matplotlib
-
-plt.hist(pets.age);
-
-plt.boxplot(pets.weight);
-
-plt.scatter(pets.age, pets.weight)
-plt.xlabel("age")
-plt.ylabel("weight");
-
-# seaborn utiliza a biblioteca do matplotlib e torna os enredos mais bonitos
-
-import seaborn as sns
-
-plt.scatter(pets.age, pets.weight)
-plt.xlabel("age")
-plt.ylabel("weight");
-
-# também existem algumas funções de plotagem específicas do seaborn
-# observe como o seaborn automaticamenteo o eixto x neste gráfico de barras
-sns.barplot(pets["age"])
-
-# Veteranos em R ainda podem usar o ggplot
-from ggplot import *
-ggplot(aes(x="age",y="weight"), data=pets) + geom_point() + labs(title="pets")
-# fonte: https://pypi.python.org/pypi/ggplot
-
-# há até um d3.js veja em: https://github.com/mikedewar/d3py
-
-# 4. Limpeza de dados simples e análise exploratória ====
-
-""" Aqui está um exemplo mais complicado que demonstra dados básicos
-    fluxo de trabalho de limpeza levando à criação de algumas parcelas
-    e a execução de uma regressão linear.
-        O conjunto de dados foi transcrito da Wikipedia à mão. Contém
-    todos os sagrados imperadores romanos e os marcos importantes em suas vidas
-    (birth, death, coronation, etc.).
-        O objetivo da análise será explorar se um relacionamento existe
-    entre o ano de nascimento (birth year) e a expectativa de vida (lifespam)
-    do imperador.
-    Fonte de dados: https://en.wikipedia.org/wiki/Holy_Roman_Emperor
-"""
-
-# carregue alguns dados dos sagrados imperadores romanos
-url = "https://raw.githubusercontent.com/adambard/learnxinyminutes-docs/master/hre.csv"
-r = requests.get(url)
-fp = "hre.csv"
-with open(fp, "wb") as f:
-    f.write(r.text.encode("UTF-8"))
-
-hre = pd.read_csv(fp)
-
-hre.head()
-"""
-   Ix      Dynasty        Name        Birth             Death
-0 NaN  Carolingian   Charles I  2 April 742    28 January 814
-1 NaN  Carolingian     Louis I          778       20 June 840
-2 NaN  Carolingian   Lothair I          795  29 September 855
-3 NaN  Carolingian    Louis II          825     12 August 875
-4 NaN  Carolingian  Charles II  13 June 823     6 October 877
-
-       Coronation 1   Coronation 2 Ceased to be Emperor
-0   25 December 800            NaN       28 January 814
-1  11 September 813  5 October 816          20 June 840
-2       5 April 823            NaN     29 September 855
-3        Easter 850     18 May 872        12 August 875
-4   29 December 875            NaN        6 October 877
-"""
-
-# limpar as colunas Birth e Death
-
-import re  # módulo para expressões regulares
-
-rx = re.compile(r'\d+$')  # conincidir com os códigos finais
-
-""" Esta função aplia a expressão reguar a uma coluna de entrada (here Birth,
-    Death), nivela a lista resultante, converte-a em uma lista de objetos, e
-    finalmente converte o tipo do objeto da lista de String para inteiro. para
-    mais informações sobre o que as diferentes partes do código fazer, veja em:
-      - https://docs.python.org/2/howto/regex.html
-      - http://stackoverflow.com/questions/11860476/how-to-unlist-a-python-list
-      - http://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.html
-"""
-
-from functools import reduce
-
-def extractYear(v):
-    return(pd.Series(reduce(lambda x, y: x + y, map(rx.findall, v), [])).astype(int))
-
-hre["BirthY"] = extractYear(hre.Birth)
-hre["DeathY"] = extractYear(hre.Death)
-
-# faça uma coluna infomrnado a idade estimada ("EstAge")
-hre["EstAge"] = hre.DeathY.astype(int) - hre.BirthY.astype(int)
-
-# gráfico de dispersão simples, sem linha de tendência, cor representa dinastia
-sns.lmplot("BirthY", "EstAge", data=hre, hue="Dynasty", fit_reg=False)
-
-# use o scipy para executar uma regrassão linear
-from scipy import stats
-(slope, intercept, rval, pval, stderr) = stats.linregress(hre.BirthY, hre.EstAge)
-# código fonte: http://wiki.scipy.org/Cookbook/LinearRegression
-
-# varifique o declive (slope)
-slope  # 0.0057672618839073328
-
-# varifique o valor R^2:
-rval**2  # 0.020363950027333586
-
-# varifique o valor p-value
-pval  # 0.34971812581498452
-
-# use o seaborn para fazer um gráfico de dispersão e traçar a linha de tendência de regrassão linear
-sns.lmplot("BirthY", "EstAge", data=hre)
-
-""" Para mais informações sobre o seaborn, veja
-      - http://web.stanford.edu/~mwaskom/software/seaborn/
-      - https://github.com/mwaskom/seaborn
-    Para mais informações sobre o SciPy, veja
-      - http://wiki.scipy.org/SciPy
-      - http://wiki.scipy.org/Cookbook/
-    Para ver uma versão da análise dos sagrados imperadores romanos usando R, consulte
-      - http://github.com/e99n09/R-notes/blob/master/holy_roman_emperors_dates.R
-"""
-
-```
-
-Se você quiser saber mais, obtenha o Python para análise de dados de Wes McKinney. É um excelente recurso e usei-o como referência ao escrever este tutorial.
-
-Você também pode encontrar muitos tutoriais interativos de IPython sobre assuntos específicos de seus interesses, como Cam Davidson-Pilon's <a href="http://camdavidsonpilon.github.io/Probabilistic-Programming-and-Bayesian-Methods-for-Hackers/" Title="Programação Probabilística e Métodos Bayesianos para Hackers">Programação Probabilística e Métodos Bayesianos para Hackers</a>.
-
-Mais alguns módulos para pesquisar:
-   - análise de texto e processamento de linguagem natural: nltk, http://www.nltk.org
-   - análise de rede social: igraph, http://igraph.org/python/