Olá, caro leitor! Seja muito bem-vindo a mais uma edição da "Dicas Pythonicas".
No pyPRO, estamos sempre buscando trazer dicas que tornem seu dia a dia como desenvolvedor mais produtivo e eficiente.
Nesta edição, vamos explorar como exibir uma barra de progresso em Python usando a biblioteca tqdm. As barras de progresso são muito úteis para monitorar a execução de loops, especialmente em tarefas demoradas, como o processamento de grandes datasets.
Instalando tqdm: Para começar, você precisa instalar a biblioteca tqdm:
pip install tqdm
Aqui está um exemplo básico de como usar tqdm para exibir uma barra de progresso enquanto itera sobre um loop:
from tqdm import tqdm
for i in tqdm(range(10000)):
pass
Ao executar este código, você verá uma barra de progresso no terminal que mostra a evolução do loop.
Usando tqdm com Pandas: Além do uso básico, tqdm pode ser integrado ao pandas para monitorar operações de processamento em dataframes. Veja como:
import pandas as pd
import numpy as np
from tqdm import tqdm
# Configurando tqdm para trabalhar com pandas
tqdm.pandas(desc='Processando Dataframe')
# Criando um grande DataFrame aleatório
df = pd.DataFrame(np.random.randint(0, 100, (100000, 1000)))
# Aplicando uma função com barra de progresso
df.progress_apply(lambda x: (x+3)**3)
Como Funciona?
tqdm.pandas(): Configura tqdm para funcionar com operações de pandas.
progress_apply(): Substitui o método padrão apply para exibir uma barra de progresso enquanto a função é aplicada a cada linha ou coluna do DataFrame.
Descrição Personalizada: O argumento desc permite personalizar a descrição exibida na barra de progresso.
Essa integração é especialmente útil quando você está processando grandes datasets e quer acompanhar o progresso da operação.
O tqdm é uma ferramenta poderosa e simples que melhora a visibilidade e o controle sobre a execução de tarefas demoradas. Seja em loops simples ou no processamento de grandes DataFrames, a barra de progresso pode ajudar a identificar gargalos e estimar tempos de execução.
Espero que esta dica inspire você a incorporar tqdm em seus projetos. Fique atento à próxima edição, onde traremos mais dicas para aprimorar sua eficiência em Python!
Até lá, continue praticando e evoluindo. Lembre-se: no pyPRO, sempre há mais para descobrir!
Um forte abraço,
Prof. Dr. Dilermando Piva Jr.
Idealizador do pyPRO
Visite: https://pypro.com.br para mais informações sobre Python, Ciência de Dados e Git/GitHub.