Computação numérica, análise de dados e visualização

Após a introdução à lógica de programação e aos principais conceitos da linguagem Python, esta parte do curso concentra-se na aplicação prática dessas ideias em tarefas típicas de análise empírica. O objetivo é apresentar as principais bibliotecas utilizadas para computação numérica, manipulação de dados e visualização, e mostrar como elas se articulam em um fluxo de trabalho único e coerente.

Nesta etapa, trabalharemos com três bibliotecas centrais do ecossistema Python: NumPy, Pandas e Matplotlib, além de outras ferramentas complementares. O objetivo é fornecer uma base sólida para trabalhar com dados reais e organizar análises de forma reproduzível. Listo abaixo alguns dos principais conceitos trabalhados nos capítulos que compõe esta parte do curso:

• Capítulo 7 – Arrays, matrizes e álgebra linear. Introduz estruturas numéricas fundamentais, como vetores e matrizes, e operações básicas e avançadas de álgebra linear, que formam a base da computação numérica em Python. A principal biblioteca utilizada aqui é o NumPy.

• Capítulo 8 – Gestão e análise de dados. Apresenta ferramentas para organizar, transformar e analisar bases de dados estruturadas, incluindo importação de dados, manipulação de colunas, agregações, junções e reorganização de dataframes. A principal biblioteca utilizada aqui é o Pandas.

• Capítulo 9 — Visualização de dados. Discute a construção de gráficos utilizando o Matplotlib e bibliotecas complementares, explorando diferentes tipos de visualizações e princípios básicos para comunicar informações de forma clara e informativa. A principal biblioteca utilizada aqui é o Matplotlib, mas falaremos também de outros ecossistemas importantes no mundo da visualização, como Seaborn e Plotly.

• Capítulo 10 — Análise empírica integrada. Integra os conteúdos anteriores em um fluxo completo de análise, abordando organização de projetos, limpeza de dados, análises descritivas, visualização e interpretação de resultados empíricos. A ideia principal deste capítulo é implementar um projeto de análise de dados do início ao fim, incorporando as bibliotecas, funções e conceitos aprendidos nos três capítulos anteriores.

Juntos, esses quatro capítulos fornecem uma visão integrada das principais ferramentas e práticas utilizadas em análise de dados com Python. Ao final desta parte do curso, mais do que dominar bibliotecas específicas, o aluno deverá ser capaz de estruturar e executar uma análise empírica completa – desde a organização dos dados e a realização de operações numéricas até a visualização e interpretação dos resultados – utilizando um fluxo de trabalho coerente, reproduzível e adequado a aplicações empíricas em economia.