# Importe a função urlretrieve do módulo urllib.request
# Esta função ajuda a baixar um arquivo a partir de uma URL dada
from urllib.request import urlretrieve

# Defina a URL do arquivo a ser baixado
url = 'https://infinitepy.s3.amazonaws.com/samples/lorem_ipsum.txt'

# Defina o nome do arquivo local onde o arquivo baixado será salvo
filename = 'lorem_ipsum.txt'

# Use a função urlretrieve para baixar o arquivo da URL fornecida
# e salvá-lo localmente com o nome de arquivo especificado
urlretrieve(url, filename)

# Abra o arquivo baixado para leitura ('r' significa modo de leitura)
# A instrução 'with' garante que o arquivo seja fechado corretamente após o término do bloco de código
with open(filename, 'r') as file:
    # Leia todo o conteúdo do arquivo
    content = file.read()
    
    # Imprima o conteúdo do arquivo no console
    print(content)

# Escrita básica em arquivo

# A instrução 'with' é usada para garantir a aquisição e liberação adequada de recursos.
# É um gerenciador de contexto que simplifica o trabalho com arquivos fechando automaticamente o arquivo.
with open('output.txt', 'w') as file:
    # A função 'open' é usada para abrir um arquivo.
    # O primeiro argumento é o nome do arquivo. Se o arquivo não existir, ele será criado.
    # O segundo argumento 'w' significa 'modo de escrita', o que permite escrever no arquivo.
    
    # O método 'file.write' é usado para escrever a string fornecida no arquivo.
    # Aqui, ele escreve a string 'Hello, world!' em 'output.txt'.
    file.write('Hello, world!')

# Neste ponto, o gerenciador de contexto 'with' fechará automaticamente o arquivo,
# mesmo se ocorrer um erro, garantindo que os recursos sejam liberados corretamente.

def escrever_tarefas_no_arquivo(nome_arquivo, tarefas):
    """
    Escreva uma lista de tarefas em um arquivo especificado.

    Argumentos:
        nome_arquivo (str): O nome do arquivo onde as tarefas serão escritas.
        tarefas (list): Uma lista de tarefas a serem escritas no arquivo.
    """
    
    # Abra um arquivo com o nome fornecido em modo de escrita ('w').
    # A instrução 'with' garante a aquisição e liberação adequada de recursos.
    # O arquivo é automaticamente fechado após o bloco de código indentado.
    with open(nome_arquivo, 'w') as file:
        
        # Itere sobre cada tarefa na lista de tarefas fornecida.
        for tarefa in tarefas:
            
            # Escreva cada tarefa no arquivo seguida por um caractere de nova linha.
            file.write(tarefa + '\n')
    
    # Imprima uma mensagem no console indicando que as tarefas foram escritas com sucesso no arquivo.
    print(f"As tarefas foram escritas em {nome_arquivo}")

def ler_tarefas_do_arquivo(nome_arquivo):
    """
    Leia tarefas de um arquivo especificado.

    Argumentos:
        nome_arquivo (str): O nome do arquivo de onde as tarefas serão lidas.
    
    Retorna:
        list: Uma lista de tarefas lidas do arquivo.
    """
    tarefas = []  # Inicialize uma lista vazia para armazenar as tarefas
    try:
        # Tente abrir o arquivo em modo de leitura ('r')
        with open(nome_arquivo, 'r') as file:
            # Leia todas as linhas do arquivo na lista 'tarefas'
            tarefas = file.readlines()
        # Remova os caracteres de nova linha '\n' do final de cada tarefa
        tarefas = [tarefa.strip() for tarefa in tarefas]
    except FileNotFoundError:
        # Se o arquivo não for encontrado, imprima uma mensagem de erro
        print(f"O arquivo {nome_arquivo} não existe.")
    # Retorne a lista de tarefas (ou uma lista vazia se o arquivo não for encontrado)
    return tarefas

nome_arquivo = 'tarefas.txt'
# Defina uma lista de tarefas para escrever no arquivo
tarefas_para_escrever = ['Comprar mantimentos', 'Completar tutorial de Python', 'Passear com o cachorro']

# Chame a função para escrever tarefas no arquivo
escrever_tarefas_no_arquivo(nome_arquivo, tarefas_para_escrever)

# Chame a função para ler tarefas do arquivo
tarefas_lidas = ler_tarefas_do_arquivo(nome_arquivo)
print("Tarefas lidas do arquivo:")
# Imprima cada tarefa lida do arquivo
for tarefa in tarefas_lidas:
    print("- " + tarefa)

# Importe a biblioteca pandas, que é muito comumente usada para manipulação e análise de dados em Python
import pandas as pd

# Leia um arquivo CSV da URL fornecida em um DataFrame
# Um DataFrame é uma estrutura de dados rotulada 2D com colunas de tipos potencialmente diferentes,
# semelhante a uma tabela em um banco de dados ou uma planilha do Excel.
df = pd.read_csv('https://infinitepy.s3.amazonaws.com/samples/empregados.csv')

# O método 'head' de um DataFrame do pandas retorna as primeiras n linhas.
# Por padrão, ele retorna as primeiras 5 linhas se nenhum argumento for dado.

# Então, a linha de código a seguir imprime as primeiras 5 linhas do DataFrame 'df'.
print(df.head())

# Imprima a coluna 'Name' do DataFrame 'df'
# A coluna 'Name' é acessada usando df['Nome']
print(df['Nome'])

# A linha a seguir filtra o DataFrame 'df' para incluir apenas as linhas onde a coluna 'Salário' é maior que 5000.
# O resultado é atribuído a 'filtered_df', que é um novo DataFrame contendo as linhas filtradas.
salario_filtrado_df = df[df['Salário'] > 5000]

# A linha a seguir imprime as primeiras 5 linhas de 'filtered_df' no console.
# Isso é útil para inspecionar rapidamente os dados filtrados para garantir que atendem às nossas expectativas.
print(salario_filtrado_df.head())

# Ordene o DataFrame 'df' pelos valores na coluna 'Salário' em ordem decrescente (do maior para o menor)
salario_ordenado_df = df.sort_values(by='Salário', ascending=False)

# Imprima as primeiras 5 linhas do DataFrame ordenado
# Usamos o método head() para exibir as 5 principais entradas de sorted_df
print(salario_ordenado_df.head())

# Leia dados de um arquivo CSV disponível na URL fornecida e armazene-os em um DataFrame chamado sales_df
# A função read_csv busca os dados e os estrutura em um formato adequado para análise
vendas_df = pd.read_csv('https://infinitepy.s3.amazonaws.com/samples/dados_vendas.csv')

# 'head()' é um método embutido no DataFrame do pandas que retorna as primeiras n linhas.
# Por padrão, ele retorna as primeiras 5 linhas. Você pode especificar um número diferente como argumento, como 'head(10)' para as primeiras 10 linhas.
vendas_df.head()

# O método .info() é chamado em 'vendas_df', usado para obter um resumo conciso do DataFrame

# A saída incluirá:
# - O tipo de classe do DataFrame
# - O número de entradas não-nulas em cada coluna
# - Os nomes das colunas e seus tipos de dados (dtype)
# - Uso de memória do DataFrame

# Este método é muito útil para obter uma visão geral rápida dos seus dados,
# o que pode ajudar a entender sua estrutura e identificar quaisquer problemas potenciais de dados.
vendas_df.info()

# Remova linhas duplicadas do DataFrame 'vendas_df' no local.
# Isso significa que quaisquer linhas duplicadas serão removidas diretamente do objeto 'vendas_df',
# e nenhuma cópia do DataFrame será criada.
vendas_df.drop_duplicates(inplace=True)

# Preencha quaisquer valores ausentes (NaN) no DataFrame 'vendas_df' com 0.
# O parâmetro 'inplace=True' significa que o DataFrame será modificado diretamente,
# sem criar uma cópia.
vendas_df.fillna(0, inplace=True)

# Use groupby() para agrupar os dados pela coluna 'Região'
# Em seguida, encadeie .sum() para calcular as vendas totais para cada região
total_vendas_por_regiao = vendas_df.groupby('Região')['Vendas'].sum()

# Imprima o resultado que mostra as vendas totais por região
print(total_vendas_por_regiao)

# Agrupe os dados de vendas pelo 'Produto' e some as 'Vendas' para cada produto.
vendas_por_produtos_df = vendas_df.groupby('Produto')['Vendas'].sum()

# Ordene as vendas somadas em ordem decrescente para obter os produtos mais vendidos no topo.
vendas_ordenadas_por_produtos_mais_vendidos_df = vendas_por_produtos_df.sort_values(ascending=False)

# Selecione os 5 principais produtos com as maiores vendas.
cinco_produtos_com_mais_vendas_df = vendas_ordenadas_por_produtos_mais_vendidos_df.head(5)

# Imprima o resultado para ver os nomes e as vendas dos 5 principais produtos.
print(cinco_produtos_com_mais_vendas_df)

# Exporte o DataFrame de vendas limpas para um arquivo CSV
# 'index=False' especifica para não escrever o índice da linha no arquivo.
vendas_df.to_csv('vendas_limpas.csv', index=False)

# Exporte o DataFrame de vendas totais por região para um arquivo CSV
total_vendas_por_regiao.to_csv('total_vendas_por_região.csv')

# Exporte o DataFrame dos 5 principais produtos por vendas para um arquivo CSV
cinco_produtos_com_mais_vendas_df.to_csv('5_productos_mais_vendidos.csv')