Data-Science on Python Brasil — Aprenda Python em Português

Marimo: O Notebook Reativo que Substitui o Jupyter

Fri, 24 Apr 2026 00:00:00 +0000

Se você trabalha com ciência de dados, análise exploratória ou prototipagem em Python, provavelmente já enfrentou os problemas clássicos do Jupyter: células executadas fora de ordem, estado oculto que quebra a reprodutibilidade e arquivos .ipynb que são um pesadelo para versionar com Git. O Marimo surgiu como uma alternativa moderna que resolve esses problemas de forma elegante.

Com mais de 15 mil estrelas no GitHub e adoção por empresas como Cloudflare, Shopify e BlackRock, o Marimo se consolidou em 2026 como a principal alternativa ao Jupyter para quem quer notebooks reproduzíveis, reativos e versionáveis. Neste artigo, vamos explorar como ele funciona, como instalar e criar seu primeiro notebook reativo.

Pandas vs Polars: Comparativo Completo | Python Brasil

Fri, 10 Apr 2026 00:00:00 +0000

Pandas é a biblioteca de análise de dados mais popular do ecossistema Python — usada por milhões de analistas e cientistas de dados. Polars é a alternativa moderna, escrita em Rust, que promete 10-100x mais performance. Neste comparativo, vamos analisar quando vale trocar e quando Pandas ainda é a melhor escolha.

Tabela Comparativa

Aspecto	Pandas	Polars
Criada em	2008 (Wes McKinney)	2020 (Ritchie Vink)
Linguagem base	C/Cython	Rust
Performance	Moderada	Muito alta (10-100x mais rápido)
Memória	Alto consumo	Eficiente (Apache Arrow)
Lazy evaluation	Não	Sim (otimiza queries automaticamente)
Multi-threading	Limitado (GIL)	Nativo (Rust, sem GIL)
API	Index-based (mutable)	Expression-based (immutable)
Curva de aprendizado	Suave (mais material)	Moderada (API diferente)
Ecossistema	Gigantesco	Crescendo rapidamente
Streaming	Não (tudo em memória)	Sim (scan_csv, scan_parquet)

Sintaxe: Imperativa vs Declarativa

A maior diferença de filosofia é como você expressa operações.

Python vs R: Comparativo Completo | Python Brasil

Fri, 10 Apr 2026 00:00:00 +0000

Python e R disputam o trono da ciência de dados há mais de uma década. Python é a linguagem generalista que dominou o ML e a engenharia de dados. R é a linguagem criada por estatísticos, para estatísticos. Neste comparativo, vamos te ajudar a escolher — ou entender quando usar cada uma.

Tabela Comparativa

Aspecto	Python	R
Criada em	1991 (Guido van Rossum)	1993 (Ross Ihaka e Robert Gentleman)
Propósito	Linguagem de propósito geral	Linguagem para computação estatística
Tipagem	Dinâmica, forte	Dinâmica, forte
Paradigma	Multiparadigma	Funcional e vetorial
Ecossistema de dados	Pandas, NumPy, Polars, scikit-learn	tidyverse, dplyr, ggplot2, caret
Visualização	Matplotlib, Seaborn, Plotly	ggplot2 (padrão-ouro)
Machine Learning	PyTorch, TensorFlow, scikit-learn	tidymodels, caret, mlr3
IDE principal	VS Code, Jupyter, PyCharm	RStudio
Produção/Deploy	Excelente (FastAPI, Docker, cloud)	Limitado (Shiny, Plumber)
Mercado no Brasil	Muito amplo	Nicho (academia, pesquisa, saúde)

Sintaxe: Propósito Geral vs Estatística Nativa

Python é uma linguagem de programação com bibliotecas de dados. R é uma linguagem de dados com capacidades de programação.

Ferramentas Python para Data Science: Guia Completo 2026 | python.dev.br

Mon, 30 Mar 2026 00:00:00 +0000

Python é a linguagem número um para ciência de dados — e não é por acaso. O ecossistema de ferramentas e bibliotecas para análise, visualização e machine learning é o mais completo e maduro que existe. Neste guia, vamos revisar as ferramentas essenciais para quem trabalha (ou quer trabalhar) com data science em Python, com comparativos práticos e recomendações para 2026.

Ambientes de Desenvolvimento

Jupyter Notebook e JupyterLab

O Jupyter Notebook é o ambiente interativo padrão para ciência de dados. Permite executar código em células, intercalando código Python, texto em Markdown, equações LaTeX e visualizações:

Análise de Dados com Pandas: Guia

Wed, 10 Dec 2025 00:00:00 +0000

Introdução

Pandas é a biblioteca mais importante para análise de dados em Python. Usada por cientistas de dados, analistas e engenheiros em todo o mundo, ela permite carregar, manipular, limpar e analisar dados de forma eficiente e intuitiva.

Neste guia, vamos aprender Pandas do básico ao intermediário, com exemplos práticos usando dados reais. A ideia é que você saia com um fluxo completo: importar dados, inspecionar a qualidade, transformar colunas, gerar métricas, criar gráficos simples e exportar um relatório que outra pessoa consiga abrir.

Python para Ciência de Dados em 2026

Sat, 15 Nov 2025 00:00:00 +0000

Python se consolidou como a linguagem padrão para ciência de dados, e em 2026 essa posição está mais forte do que nunca. Neste guia, você vai aprender a usar as quatro bibliotecas fundamentais do ecossistema de dados: NumPy, Pandas, Matplotlib e scikit-learn.

Configurando o Ambiente

Antes de começar, vamos preparar o ambiente de desenvolvimento:

# Instale as bibliotecas necessárias:
# pip install numpy pandas matplotlib scikit-learn jupyter

# Ou usando conda:
# conda install numpy pandas matplotlib scikit-learn jupyter

NumPy: A Base de Tudo

NumPy é a biblioteca fundamental para computação numérica em Python. Todas as outras bibliotecas de dados são construídas sobre ela.