Bellacosa Mainframe comenta sobre as Bibliotecas do Python

🔥 “IMPORT QUEBRANDO O JCL: As Bibliotecas Python que TODO COBOL Developer Precisa Conhecer (Antes que Seja Tarde!)”

Se você viveu anos dominando COBOL, JCL, SORT, VSAM e DB2, prepare-se: no mundo Python, tudo começa com uma única instrução que parece inocente… mas carrega um poder absurdo:

import alguma_coisa

Sim… o famoso IMPORT é o equivalente moderno do seu EXEC PGM=, do seu CALL, do seu COPYBOOK — só que MUITO mais flexível, dinâmico e (às vezes) até perigoso 😏

Hoje você vai conhecer as principais bibliotecas Python — no estilo Bellacosa Mainframe — com história, analogias com o mundo z/OS, exemplos práticos e até alguns easter eggs escondidos 👀

---

🧠 O que é o import para um COBOL Developer?

Antes de sair listando bibliotecas, vamos traduzir:

COBOL / Mainframe	Python
COPYBOOK	import module
CALL program	import + função
JCL EXEC	execução via script
STEPLIB	sys.path
Load Module	pacote instalado

👉 Em Python, tudo é módulo.
👉 E cada módulo é carregado com import.

---

🚀 1. math — O “COMPUTE TURBO” do Python

📜 Origem

Biblioteca padrão do Python, baseada na linguagem C. É tão antiga quanto o próprio Python (criado por Guido van Rossum nos anos 90).

💡 Analogia Mainframe

É o seu COMPUTE, só que com superpoderes científicos.

🔧 Exemplo

import math

print(math.sqrt(144))  # 12
print(math.pi)         # 3.14159...

🥚 Easter Egg

import this

💥 NÃO é math… mas imprime o Zen do Python (leitura obrigatória!)

---

📊 2. pandas — O “SORT + ICETOOL + FILE-AID” em Esteroides

📜 Origem

Criado por Wes McKinney enquanto trabalhava com dados financeiros.

💡 Analogia Mainframe

👉 É o seu DFSORT + ICETOOL + JOINKEYS + relatório… tudo junto!

🔧 Exemplo

import pandas as pd

df = pd.read_csv("clientes.csv")
print(df.head())

🤯 Poder real

• JOIN de arquivos → 1 linha
• GROUP BY → instantâneo
• Filtros → estilo SQL

---

🔢 3. numpy — O “PACKED DECIMAL do Futuro”

📜 Origem

Baseado em bibliotecas matemáticas de alto desempenho (Fortran/C).

💡 Analogia Mainframe

👉 Pense em campos COMP-3 vetorizados absurdamente rápidos

🔧 Exemplo

import numpy as np

arr = np.array([1, 2, 3])
print(arr * 10)

⚡ Destaque

Operações são feitas em lote — como um SORT interno ultrarrápido.

---

🌐 4. requests — O “CICS + HTTP” Simplificado

📜 Origem

Criada para substituir a complexidade do urllib.

💡 Analogia Mainframe

👉 Um EXEC CICS WEB RECEIVE/SEND moderno

🔧 Exemplo

import requests

res = requests.get("https://api.github.com")
print(res.status_code)

🤯 Impacto

Hoje, integrar sistemas virou algo trivial com essa lib.

---

🗂️ 5. os — O “IDCAMS + TSO + ISPF” do Python

📜 Origem

Parte do core do Python — interface direta com o sistema operacional.

💡 Analogia Mainframe

👉 Mistura de:

• TSO commands
• IDCAMS
• JCL utilities

🔧 Exemplo

import os

print(os.getcwd())
os.mkdir("novo_diretorio")

---

⏱️ 6. datetime — O “DATE ROUTINE” sem dor

💡 Analogia Mainframe

👉 Chega de manipular data com substring 😅

🔧 Exemplo

from datetime import datetime

agora = datetime.now()
print(agora)

---

🤖 7. scikit-learn — O “AI Batch Job”

📜 Origem

Biblioteca de Machine Learning open source.

💡 Analogia Mainframe

👉 Um JOB que aprende sozinho com os dados 😳

🔧 Exemplo

from sklearn.linear_model import LinearRegression

---

📈 8. matplotlib — O “PRINT + GRAPHICS” moderno

💡 Analogia Mainframe

👉 Seus relatórios… só que agora VISUAIS

🔧 Exemplo

import matplotlib.pyplot as plt

plt.plot([1,2,3], [4,5,6])
plt.show()

---

🧪 9. random — O “TEST DATA GENERATOR”

🔧 Exemplo

import random

print(random.randint(1, 100))

👉 Perfeito para gerar massa de testes (adeus planilhas fake!)

---

🔥 10. sys — O “JCL PARM + REGION + EXEC CONTROL”

💡 Analogia Mainframe

👉 Controle total do runtime

🔧 Exemplo

import sys

print(sys.version)

---

🧠 Curiosidades que vão explodir sua cabeça COBOL

• Python tem biblioteca para TUDO — literalmente
• Você pode criar sua própria lib (tipo um COPYBOOK inteligente)
• O import pode ser dinâmico (isso assusta qualquer programador batch 😅)

__import__("math")

---

⚠️ Anti-pattern que COBOL Dev costuma fazer

❌ Escrever tudo em um único script (tipo programa monolítico COBOL)
✅ Em Python → modularize tudo com import

---

🎯 Conclusão: O verdadeiro SHIFT mental

Se no mainframe você pensa em:

👉 Programas
👉 Jobs
👉 Steps

No Python você precisa pensar em:

👉 Módulos
👉 Bibliotecas
👉 Ecossistema

---

☕ Mensagem final estilo Bellacosa

Python não é só uma linguagem…

É um ecossistema onde o poder está no import.

Se você domina as bibliotecas…
Você não escreve código — você orquestra soluções.

 

Bellacosa Mainframe apresenta Python na Ciencia de Dados

🎯 O guia mínimo que separa curiosos de verdadeiros Data Scientists

Python é a principal linguagem utilizada em Data Science, permitindo transformar grandes volumes de dados em insights valiosos para negócios e pesquisa. 

Com bibliotecas essenciais como NumPy, Pandas, Matplotlib, Seaborn e Scikit-learn, é possível realizar todo o ciclo analítico: carregamento, limpeza, exploração, visualização e modelagem de dados.

O Pandas oferece DataFrames poderosos para manipulação eficiente de informações, enquanto o NumPy garante cálculos vetorizados de alta performance. Ferramentas de visualização ajudam a identificar padrões, tendências e outliers, fundamentais para a análise exploratória. Já o Scikit-learn possibilita a criação de modelos de Machine Learning para previsões e classificações. 

Esse ecossistema torna Python indispensável em áreas como finanças, marketing, saúde, engenharia e Big Data. Aprender esses fundamentos é o primeiro passo para atuar como cientista de dados, analista ou engenheiro de dados, acompanhando a crescente demanda por profissionais capazes de extrair valor estratégico a partir dos dados.

🐍🔥 Cheatsheet Python para Data Science

🧠 Stack Essencial

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

👉 90% dos projetos começam assim.

---

📊 NumPy — Matemática Vetorizada (Base de Tudo)

Criar arrays

a = np.array([1, 2, 3])
b = np.zeros(5)
c = np.ones((2,3))
d = np.arange(0,10)
e = np.linspace(0,1,5)

---

Operações vetoriais

a * 2
a + b
np.sqrt(a)
np.mean(a)
np.sum(a)

👉 Sem loops → extremamente rápido.

---

📚 Pandas — DataFrames (o coração da Data Science)

Criar DataFrame

df = pd.DataFrame({
    "nome": ["Ana", "João"],
    "idade": [25, 30]
})

---

Ler arquivos

pd.read_csv("dados.csv")
pd.read_excel("dados.xlsx")
pd.read_json("dados.json")

---

Visualização inicial

df.head()
df.tail()
df.info()
df.describe()
df.shape
df.columns

👉 Primeiros comandos após carregar dados.

---

🔎 Seleção de dados

Coluna

df["idade"]

---

Múltiplas colunas

df[["nome", "idade"]]

---

Filtro

df[df["idade"] > 25]

---

Filtro múltiplo

df[(df["idade"] > 25) & (df["cidade"] == "SP")]

---

✏️ Modificação de dados

Nova coluna

df["idade_futura"] = df["idade"] + 5

---

Remover coluna

df.drop("idade", axis=1)

---

Valores ausentes

df.isna()
df.dropna()
df.fillna(0)

---

📈 Agrupamento (Group By)

df.groupby("cidade")["salario"].mean()

👉 Essencial para análise exploratória.

---

🔄 Ordenação

df.sort_values("idade")
df.sort_values("idade", ascending=False)

---

📊 Estatísticas rápidas

df.mean()
df.median()
df.std()
df.min()
df.max()
df.corr()

---

📉 Visualização com Matplotlib

Linha

plt.plot(df["idade"])
plt.show()

---

Histograma

plt.hist(df["idade"])
plt.show()

---

Scatter

plt.scatter(df["idade"], df["salario"])
plt.show()

---

🎨 Seaborn — Gráficos bonitos por padrão

sns.histplot(df["idade"])
sns.boxplot(x=df["idade"])
sns.scatterplot(x="idade", y="salario", data=df)

---

🧹 Limpeza de dados

Remover duplicatas

df.drop_duplicates()

---

Converter tipos

df["idade"] = df["idade"].astype(int)

---

Datas

df["data"] = pd.to_datetime(df["data"])
df["ano"] = df["data"].dt.year

---

🤖 Machine Learning básico (Scikit-Learn)

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

---

Dividir treino/teste

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

---

Treinar modelo

model = LinearRegression()
model.fit(X_train, y_train)

---

Previsão

pred = model.predict(X_test)

---

🧠 Pipeline mental da Data Science

1️⃣ Carregar dados
2️⃣ Explorar
3️⃣ Limpar
4️⃣ Transformar
5️⃣ Visualizar
6️⃣ Modelar
7️⃣ Avaliar

---

⚡ Truques poderosos

Aplicar função em coluna

df["log_salario"] = np.log(df["salario"])

---

Apply personalizado

df["categoria"] = df["idade"].apply(
    lambda x: "Adulto" if x >= 18 else "Menor"
)

---

Amostra aleatória

df.sample(5)

---

Contagem de valores

df["cidade"].value_counts()

---

💾 Exportar dados

df.to_csv("saida.csv", index=False)
df.to_excel("saida.xlsx")

---

🔥 Ferramentas mais usadas na indústria

🐍 Python
📊 Pandas
⚡ NumPy
📈 Matplotlib / Seaborn
🤖 Scikit-Learn
🧠 TensorFlow / PyTorch
☁️ Spark / Databricks

---

☕ Frase de cientista de dados

👉 “Sem Pandas, Python é só uma linguagem.
Com Pandas, vira uma ferramenta de descoberta.”