jlggross

var gender = "male"

// Traditional if-else
if (gender === "male") {
  console.log("Male gender.")
} else {
  console.log("Other gender.")
}

// Ternary operator

jlggross

var a = (function () {
  var name = "João"
  return name
})()
console.log(a) // "João"

var b = (function () {
  console.log("----")
})()
console.log(b) // undefined - there is no return to b

jlggross

var a = 10  // number
var c = "10" // string
console.log(a === c) // false

jlggross

var a = 10 // number
var b = 10 // number
console.log(a == b) // true

var c = "10" // string
console.log(c == b) // also true

jlggross

import pandas as pd
import numpy as np

df = pd.DataFrame(np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]), 
                columns=['a', 'b', 'c'])
print(df)

jlggross

import pandas as pd
import ploty.express as px

# Dados tratados
df98 = calculaPercentil98(df)

# Cria grupos
bins = 20 # Quantidade de grupos
min_value = df98["Taxa %"].min()
max_value = df98["Taxa %"].max()

jlggross

# Valores não-numéricos/categóricos. Cores discretas.
fig1 = px.treemap(df98, path=["Ação"], 
                  values="Taxa %", color="Ação")

# Valores numéricos. Cores contínuas.
fig1 = px.treemap(df98, path=["Ação"], 
                  values="Taxa %", color="Taxa %")

jlggross

import plotly.express as px

# Dados tratados da Parte 1, sem outliers.
df98 = calculaPercentil98(df) 

# Simple treemap
fig1 = px.treemap(df98, path=["Ação"], values="Taxa %")
fig1.show()

jlggross

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from datetime import datetime

bins = 20

# Criando o ambiente do gráfico 
sns.set_style("white")
fig, ax = plt.subplots(1, 1, figsize=(15, 10))

jlggross

import seaborn as sns
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker

# Criando o ambiente do gráfico 
sns.set_style("white")
plt.figure(figsize=(15, 10))

# Gráfico de Dispersão
cmap = sns.cubehelix_palette(rot=-.4, as_cmap=True)