Prompts de IA para Ciência de Dados

[[COLE O ESQUEMA OU A SAÍDA DE HEAD() AQUI]]

possui valores ausentes. Aqui está a saída de

Gere um script Python que utilize o método do Intervalo Interquartil (IQR) para identificar outliers nas seguintes colunas numéricas de um pandas DataFrame `df`: `[[LISTA_DE_COLUNAS_NUMÉRICAS]]`. O script deve: 1. Calcular Q1, Q3 e IQR para cada coluna especificada. 2. Definir os limites superior e inferior (Q1 - 1.5 * IQR, Q3 + 1.5 * IQR). 3. Criar um novo DataFrame contendo apenas as linhas que possuem valores atípicos em qualquer uma das colunas especificadas. 4. Imprimir o formato do DataFrame original e do DataFrame de outliers.

. As seguintes colunas precisam ter seus tipos de dados corrigidos: -

. Quero verificar duplicatas com base em um subconjunto de colunas:

que recebe uma string e executa as seguintes etapas de limpeza de texto: 1. Converte o texto para minúsculas. 2. Remove toda a pontuação. 3. Remove dígitos numéricos. 4. Remove palavras de parada comuns em inglês. 5. Realiza a lematização (stemming) das palavras restantes usando o Porter Stemmer. A função deve retornar a string limpa. Inclua importações de

, gere um conjunto de gráficos Python para análise univariada. Para cada coluna numérica em

Gere código Python para calcular a matriz de correlação de Pearson para as colunas numéricas no meu pandas DataFrame `df`. As colunas são: `[[LISTA_DE_COLUNAS_NUMÉRICAS]]`. Em seguida, faça o seguinte: 1. Crie um mapa de calor da matriz de correlação usando seaborn. Anote os valores no mapa de calor. 2. Identifique e liste todos os pares de variáveis com um coeficiente de correlação maior que 0.7 ou menor que -0.7. 3. Para os 3 pares mais correlacionados, forneça uma hipótese de uma frase sobre por que eles podem estar correlacionados.

. Para cada variável numérica, gere um box plot que compare sua distribuição entre as diferentes categorias de

com um índice datetime e uma coluna chamada

. Gere um script Python que: 1. Padronize essas duas colunas usando

com colunas de latitude e longitude chamadas

. Estou construindo um modelo para prever

. Gere um script Python que crie as seguintes novas features a partir desta coluna: - Ano - Mês - Dia da semana (como número, 0=Segunda-feira) - Dia do ano - Semana do ano - Uma flag binária

possui as seguintes features numéricas:

para realizar one-hot encoding nas seguintes colunas categóricas do meu DataFrame

. Gere código Python para criar uma nova coluna

é indexado por data e possui uma coluna alvo

Atue como um especialista em AutoML. Tenho um conjunto de dados pré-processado com features `X` e uma variável alvo binária `y`. Gere um script Python completo que treine e avalie três modelos de classificação base diferentes: 1. Regressão Logística 2. Classificador Random Forest 3. Classificador Gradient Boosting (usando LightGBM) Para cada modelo, o script deve: - Usar validação cruzada de 5-folds. - Calcular e imprimir a Média de Acurácia, Precisão, Recall e F1-score. - Armazenar os resultados em um pandas DataFrame para fácil comparação.

do scikit-learn. Minha matriz de features é

features. A arquitetura da rede deve ser: - Camada de entrada com

para um fluxo de trabalho de machine learning. O pipeline deve consistir nas seguintes etapas: 1. Imputar valores numéricos ausentes usando

contendo uma série temporal univariada. Gere um script Python usando

para construir um modelo simples de recomendação de filtragem colaborativa user-item. Assuma que tenho um pandas DataFrame

para calcular e plotar uma matriz de confusão. O gráfico deve ser claramente rotulado com títulos de eixos ('Rótulo Predito', 'Rótulo Verdadeiro') e os nomes das classes

Usando `y_test` (rótulos verdadeiros) e `y_pred_proba` (probabilidades preditas para a classe positiva do meu classificador), gere um script Python para: 1. Calcular a pontuação AUC (Area Under the Curve). 2. Plotar a curva ROC (Receiver Operating Characteristic). 3. Incluir uma linha diagonal representando um classificador aleatório para comparação. 4. Rotular o gráfico com a pontuação AUC.

. Quero explicar uma única previsão para uma instância específica

Tenho um modelo `RandomForestClassifier` treinado chamado `model`. Minhas features têm os nomes `[[LISTA_DE_NOMES_DE_FEATURES]]`. Gere código Python para extrair as importâncias das features do modelo, combiná-las com seus nomes e criar um gráfico de barras horizontal mostrando as 15 features mais importantes.

sklearn.inspection.permutation_importance

Quero verificar se as probabilidades preditas do meu classificador binário estão bem calibradas. Tenho os rótulos verdadeiros `y_test` e as probabilidades preditas `y_pred_proba`. Gere um script Python usando `sklearn.calibration.CalibrationDisplay` para plotar uma curva de calibração para o meu modelo.

[[VARIÁVEL_ALVO, por exemplo, 'rotatividade de funcionários']]

Abaixo está um script Python que gera um gráfico. Após o script, descreverei o gráfico. Sua tarefa é escrever uma interpretação concisa, em um parágrafo, deste insight para um público de negócios. Evite jargões técnicos. `[[COLE O SCRIPT PYTHON DO GRÁFICO]]` O gráfico mostra um gráfico de barras onde clientes na categoria de suporte 'Tier 1' têm um gasto médio mensal de $150, enquanto clientes na categoria 'Tier 3' têm um gasto médio de $45. Agora, escreva o resumo de negócios.

com os resultados de um teste A/B. Ele possui colunas

Atue como um analista de dados. Rascunhe um e-mail para a equipe de produto reportando os resultados de um teste A/B para a nova feature "Checkout com Um Clique". Principais descobertas: - Taxa de conversão do grupo de controle: 3.5% - Taxa de conversão do grupo de tratamento (com feature): 4.8% - O resultado é estatisticamente significativo com um valor p de 0.002. - O teste durou 14 dias com 50.000 usuários em cada grupo. Estruture o e-mail com uma linha de assunto clara, um breve resumo do resultado, os números chave e uma recomendação para lançar a feature.

Explique o conceito de "overfitting" em machine learning como você faria para um diretor de vendas. Use uma analogia. Mantenha a explicação abaixo de 150 palavras.

Gere um modelo markdown para um arquivo README de projeto de ciência de dados. O modelo deve incluir as seguintes seções: - Título do Projeto - Problema de Negócio - Fonte de Dados - Metodologia (Limpeza de Dados, EDA, Modelagem) - Resultados - Como Executar o Código (Dependências, Instruções) - Contatos Chave

(o arquivo do modelo treinado) O Dockerfile deve: 1. Começar de uma imagem base

que aceita requisições POST com um payload JSON. O script deve: 1. Carregar um modelo scikit-learn pré-treinado de um arquivo chamado

Gere um trecho de script Python que demonstre como usar MLflow para rastreamento de experimentos. O script deve: 1. Iniciar uma execução do MLflow. 2. Registrar dois parâmetros: `learning_rate` e `n_estimators`. 3. Registrar três métricas: `accuracy`, `precision` e `recall`. 4. Registrar o próprio modelo treinado como um artefato. 5. Finalizar a execução.

) que é executado em cada push para a branch

def remove_outliers(df, column_name): Q1 = df[[column_name]].quantile(0.25) Q3 = df[[column_name]].quantile(0.75) IQR = Q3 - Q1 lower_bound = Q1 - 1.5 * IQR upper_bound = Q3 + 1.5 * IQR return df[(df[[column_name]] >= lower_bound) & (df[[column_name]] <= upper_bound)]

, e tenho um novo lote de dados de produção em

. Primeiro, carregue-o em um pandas DataFrame e execute um perfil completo dos dados. Identifique valores ausentes, tipos de dados e estatísticas básicas para cada coluna. Mostre-me a saída." **Prompt 2 (após a resposta da IA):** "Obrigado. Com base nesse perfil, gere um script Python para lidar com a limpeza dos dados. Impute

: inteiro, normalmente distribuído em torno de uma média de 40 com um desvio padrão de 10. -

import pandas as pd from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.preprocessing import StandardScaler from sklearn.impute import SimpleImputer # Sample data generation (for demonstration) data = { 'age': [[25, 30, 45, 22, 50, 35, None, 28, 40, 60]], 'gender': [['M', 'F', 'M', 'F', 'M', 'F', 'F', 'M', 'F', 'M']], 'monthly_charges': [[50, 75, 60, 40, 80, 65, 55, 70, 90, 100]], 'churn': [[0, 1, 0, 0, 1, 0, 1, 0, 1, 0]] } df = pd.DataFrame(data) # Preprocessing steps # Impute missing age with median imputer = SimpleImputer(strategy='median') df[['age']] = imputer.fit_transform(df[[['age']]]) # One-hot encode gender df = pd.get_dummies(df, columns=[['gender']], drop_first=True) # Split data X = df[[['age', 'monthly_charges', 'gender_M']]] y = df[['churn']] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # Scale features scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) # Train model model = LogisticRegression(random_state=42) model.fit(X_train_scaled, y_train) # Evaluate print(f"Model accuracy: {model.score(X_test_scaled, y_test):.2f}")

import pandas as pd from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier df = pd.read_csv('data.csv') df = df.dropna() X = df[[['feature1', 'feature2']]] y = df[['target']] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) model = RandomForestClassifier(n_estimators=100) model.fit(X_train, y_train) print(model.score(X_test, y_test))

) e uma instância de cliente específica (

. A consulta deve calcular a taxa de retenção de coortes mensais de clientes. A coorte de um cliente é o mês de sua primeira compra. A retenção para um determinado mês é a porcentagem de clientes de uma coorte que fizeram uma compra naquele mês. A saída deve ter três colunas:

[['date', 'region', 'sales', 'product_category']]

) que não cabe na memória do pandas. A tarefa é calcular a média de

Mostre-me as tendências mensais de vendas para a linha de produtos 'FusionX' na região EMEA nos últimos 24 meses, detalhadas por país. Visualize isso como um gráfico de linha e destaque quaisquer meses em que as vendas caíram mais de 20% em comparação com o mês anterior.

**Prompt Vago:** "Mostre-me as vendas." *(Isso provavelmente produzirá um único número ou um gráfico aleatório e inútil.)* **Prompt Específico:** "Mostre-me a tendência mensal da receita total de vendas para as regiões 'América do Norte' e 'Europa' em 2026, visualizada como um gráfico de linha. Por favor, compare isso com o mesmo período do ano passado." *(Isso fornece instruções claras que a IA pode executar com precisão.)*

Analise nossos dados de vendas, que incluem as colunas 'Data', 'Produto', 'Região', 'Unidades Vendidas' e 'Receita'. Identifique os 3 produtos com pior desempenho na região 'EMEA' para o último trimestre (Q3 2026) com base na receita em comparação com o trimestre anterior (Q2 2026). Visualize a tendência desses produtos como um gráfico de linha e forneça um resumo do declínio percentual.

You are a data cleaning expert in Python using the pandas library. I have a DataFrame named `df` with a column called 'product_category'. This column contains inconsistent entries like 'Electronics', 'electronics', 'ELEC', and 'Digital'. Your task is to write a Python script that: 1. Identifies all unique values in the 'product_category' column and their frequencies. 2. Creates a mapping dictionary to consolidate these values into standardized categories: 'Electronics', 'Apparel', 'Home Goods', 'Books'. 3. Applies this mapping to the column. 4. Verifies the cleaning by showing the value counts after the transformation. Provide only the complete, runnable Python code.

Act as a data visualization specialist using Python. I need to perform exploratory data analysis on a pandas DataFrame `df`. The DataFrame contains the following numerical columns: 'age', 'income', 'credit_score', 'months_on_file'. It also contains a categorical column 'churn_status' which has two values: 'Churned' and 'Active'. Generate a Seaborn pair plot that shows the relationships between all numerical columns, colored by the 'churn_status' column. The plot should be well-labeled and visually clear. Provide only the runnable Python code.

. The DataFrame has two numerical features,

ready for modeling. The feature matrix

Act as a senior data scientist explaining a complex statistical concept to a marketing manager. I have just run a statistical test on our latest A/B test campaign, and the result has a "p-value of 0.03". Explain what this p-value means in simple, business-friendly terms, without using technical jargon like "null hypothesis" or "statistical significance." Focus on the practical implication for our decision to roll out the new campaign. The explanation should be no more than 3 sentences.

Na coluna 'state', padronize todos os valores para usar a abreviação postal de duas letras. Em seguida, na coluna 'phone_number', preencha os valores ausentes com 'N/A'. Por fim, identifique e mostre-me quaisquer linhas duplicadas com base nas colunas 'first_name', 'last_name' e 'address'.

Escreva uma fórmula do Microsoft Excel que execute uma pesquisa de critérios múltiplos em [[NOME_DA_TABELA]]. A fórmula deve procurar por [[VALOR_DA_COLUNA_A]] em [[COLUNA_A]] e [[VALOR_DA_COLUNA_B]] em [[COLUNA_B]], retornando a métrica correspondente de [[COLUNA_DE_DESTINO]]. Se nenhuma correspondência for encontrada, retorne [[VALOR_PADRAO]] em vez de uma mensagem de erro. Certifique-se de que a fórmula use funções padrão e não voláteis.