Python SciPy statsmodels na prática: o código e os comandos que realmente importam

import pandas as pd
import numpy as np
from statsmodels.tsa.arima.model import ARIMA

# --- Recriar a série de vendas mensais ---
np.random.seed(42)
dates = pd.date_range(start="2020-01", periods=48, freq="ME")
tendance = np.arange(48) * 1.0
mois = dates.month
saisonnalite = 10 * np.sin(2 * np.pi * (mois - 3) / 12)
bruit = np.random.normal(0, 3, 48)
ventes = 100 + tendance + saisonnalite + bruit
serie = pd.Series(ventes, index=dates, name="Ventes")

# --- Dividir: 38 meses para aprender, 10 meses para testar ---
train = serie.iloc[:38]   # dados de treinamento
test  = serie.iloc[38:]   # dados de teste (o futuro conhecido)

print(f"Treinamento : {len(train)} meses")
print(f"Teste       : {len(test)} meses")

# --- Criar e ajustar o modelo ---
# order=(p, d, q) = (1, 1, 1) : configuração básica
modele = ARIMA(train, order=(1, 1, 1))
resultat = modele.fit()

# Exibir um resumo curto
print(f"AIC do modelo : {resultat.aic:.2f}")
print("Modelo ajustado com sucesso!")

# Gerar uma previsão para 10 meses
prevision = resultat.forecast(steps=10)

# Comparar previsão vs valores reais
comparaison = pd.DataFrame({
    "Real"     : test.values.round(1),
    "Previsao" : prevision.values.round(1),
    "Erro"     : (test.values - prevision.values).round(1)
}, index=test.index)

print(comparaison)

mae = np.abs(test.values - prevision.values).mean()
print(f"Erro médio absoluto (MAE) : {mae:.1f} unidades")
print(f"Média das vendas reais    : {test.mean():.1f} unidades")
print(f"Erro relativo             : {mae / test.mean() * 100:.1f}%")

import numpy as np                   # np é mais curto de escrever que numpy
from scipy import stats              # importamos apenas o módulo stats do SciPy
import matplotlib.pyplot as plt      # plt é o alias padrão para plotar gráficos

notes = np.array([
    72, 85, 91, 63, 78, 55, 88, 94, 70, 82,
    66, 79, 87, 61, 90, 75, 83, 68, 77, 95
])

print("Número de alunos :", len(notes))
print("Notas            :", notes)

moyenne = np.mean(notes)
mediane = np.median(notes)
ecart_type = np.std(notes)
minimum = np.min(notes)
maximum = np.max(notes)

print(f"Média      : {moyenne:.2f}")
print(f"Mediana    : {mediane:.2f}")
print(f"Desvio-padrão : {ecart_type:.2f}")
print(f"Mínimo     : {minimum}")
print(f"Máximo     : {maximum}")

asymetrie = stats.skew(notes)
aplatissement = stats.kurtosis(notes)
description = stats.describe(notes)

print(f"Assimetria (skewness) : {asymetrie:.4f}")
print(f"Achatamento (kurt)    : {aplatissement:.4f}")
print()
print("Descrição completa por scipy.stats.describe() :")
print(description)

plt.figure(figsize=(8, 4))
plt.hist(notes, bins=8, color='steelblue', edgecolor='white', alpha=0.8)
plt.axvline(moyenne, color='red', linestyle='--', label=f'Média ({moyenne:.1f})')
plt.axvline(mediane, color='orange', linestyle='-', label=f'Mediana ({mediane:.1f})')
plt.xlabel("Nota sobre 100")
plt.ylabel("Número de alunos")
plt.title("Distribuição das notas da turma")
plt.legend()
plt.tight_layout()
plt.show()

import numpy as np

# Um array de 7 temperaturas da semana
temperatures = np.array([18.5, 22.1, 19.8, 25.3, 21.0, 17.2, 23.4])
#                          [0]   [1]   [2]   [3]   [4]   [5]   [6]

print( temperatures[0] )   # 18.5  -> segunda (1º valor)
print( temperatures[2] )   # 19.8  -> quarta (3º valor)
print( temperatures[-1] )  # 23.4  -> domingo (último valor)
print( temperatures[-2] )  # 17.2  -> sábado (penúltimo)

temperatures = np.array([18.5, 22.1, 19.8, 25.3, 21.0, 17.2, 23.4])

# Os 3 primeiros dias (segunda, terça, quarta)
print( temperatures[:3] )     # início omitido = desde o início

# Da terça à sexta (índice 1 a 4, 4 excluído)
print( temperatures[1:4] )

# Os 2 últimos dias
print( temperatures[-2:] )    # fim omitido = até o fim

# Um dia sim, outro não (segunda, quarta, sexta, domingo)
print( temperatures[::2] )

temperatures = np.array([18.5, 22.1, 19.8, 25.3, 21.0, 17.2, 23.4])

# Etapa 1: qual dia está acima de 21 graus?
masque = temperatures > 21
print("Máscara :", masque)
# True onde for superior a 21, False caso contrário

# Etapa 2: manter apenas esses valores
print("Dias > 21 graus :", temperatures[masque])

# Também podemos fazer as duas etapas em uma única linha:
print("Dias < 20 graus :", temperatures[temperatures < 20])

data = np.array([4.0, 9.0, 16.0, 25.0])

# np.sqrt = raiz quadrada de cada valor
print("Raiz quadrada :", np.sqrt(data))

# np.log = logaritmo natural de cada valor
print("Logaritmo     :", np.round(np.log(data), 2))

# np.abs = valor absoluto (remove o sinal negativo)
nombres = np.array([-3, 5, -7, 2])
print("Valor absoluto:", np.abs(nombres))

ventes = np.array([1200, 850, 1500, 970, 1100, 1350, 780])

print("Total da semana :", np.sum(ventes))
print("Média diária    :", np.mean(ventes).round(1))
print("Dia mais alto   :", np.max(ventes))
print("Dia mais baixo  :", np.min(ventes))

# cumsum : total cumulativo dia a dia
print("Acumulado dia a dia :", np.cumsum(ventes))