Projeto em Construção 🚧

Nota: A documentação fornecida é destinada apenas ao modo de desenvolvedor.

Acknowledgement

Os fundamentos desta biblioteca foram construídos utilizando as aulas da série "Build a Data Analysis Library from Scratch in Python" disponíveis no YouTube, ministradas por Ted Petrou. O código-fonte original pode ser encontrado no repositório GitHub, licenciado sob a licença BSD-3-Clause.

Criar Variável de Ambiente

Pré-requisitos

Certifique-se de ter o Anaconda ou Miniconda instalado em seu sistema. Se ainda não o fez, você pode baixar e instalar o Anaconda a partir do site oficial.

Configurando o Ambiente

1. Clone este repositório e instale o pyjaguar:

git clone https://github.com/SarahBarbosa/pyjaguar
cd pyjaguar
pip install -e .

2. Crie o Ambiente Conda:

Utilize o arquivo environment.yml para criar o ambiente Conda:

conda env create -f environment.yml

3. Ative o Ambiente:

conda activate pyjaguar

Criar um Kernel Python específico para o Ambiente de Desenvolvimento

Para usar este ambiente Conda em um notebook Jupyter ou JupyterLab, você pode criar um kernel Python específico:

python -m ipykernel install --user --name pyjaguar --display-name "Python (pyjaguar)"

Você pode verificar se o kernel foi instalado corretamente usando o seguinte comando:

jupyter kernelspec list

Implementações futuras (TODO)

• Colapsar colunas automaticamente quando o número de colunas exceder 10.

• Adicionar datasets baixáveis.

• Aprimorar a manipulação de dados temporais, incluindo suporte para fusos horários, resampling avançado e operações de séries temporais.

• Adicionar suporte para dados geoespaciais, permitindo operações como cálculos de distância, manipulação de geometrias e análise espacial diretamente nos DataFrames.

• Integrar funcionalidades avançadas para facilitar a análise de dados, incluindo técnicas de feature engineering para preparação de dados para aprendizado de máquina e análise estatística.

• Desenvolver tabelas interativas para uma exploração mais intuitiva e interativa dos dados, possibilitando filtragem dinâmica, ordenação e visualização personalizada.

• Implementar a capacidade de leitura de arquivos FITS.

• Aprimorar a plotagem direta e intuitiva, fornecendo recursos estatísticos integrados para uma análise mais completa e visualização eficaz dos dados.