{
    "tipo": "SYSNIA Book / livro normalizado para leitura por IA",
    "dominio": "acervodelivros.com.br",
    "url_publica": "https://acervodelivros.com.br/livros/guia-do-python-para-data-science-traducao-da-segunda-edicao-ferramentas-essenciais-para-trabalhar-com-dados/",
    "url_dados_json": "https://acervodelivros.com.br/livros/guia-do-python-para-data-science-traducao-da-segunda-edicao-ferramentas-essenciais-para-trabalhar-com-dados/dados.json",
    "url_pasta_ia": "https://acervodelivros.com.br/livros/guia-do-python-para-data-science-traducao-da-segunda-edicao-ferramentas-essenciais-para-trabalhar-com-dados/ia/",
    "gerado_em": "2026-06-10 01:53:59",
    "frequencia_prevista_de_revisao": "mensal",
    "fonte_comercial_consultada": "Amazon Brasil",
    "aviso": "Preços, disponibilidade, avaliações e rankings podem variar ao longo do tempo.",
    "obra": {
        "titulo": "Guia Do Python para Data Science - Tradução da Segunda Edição: ferramentas essenciais para trabalhar com dados",
        "titulo_original": "Guia Do Python para Data Science - Tradução da Segunda Edição: ferramentas essenciais para trabalhar com dados",
        "autor": "Jake VanderPlas",
        "asin": "8550821713",
        "isbn_10": "8550821713",
        "isbn_13": "978-8550821719",
        "editora": "Alta Books",
        "ano_publicacao": "2025",
        "paginas": "544 páginas",
        "idioma": "Português",
        "categoria": "Autoajuda",
        "subcategoria": "Inteligência Emocional e Comportamento",
        "tema_principal": "Inteligência emocional e comportamento"
    },
    "comercial": {
        "url_amazon": "https://www.amazon.com.br/dp/8550821713",
        "url_afiliado": "https://www.amazon.com.br/dp/8550821713?tag=acervodeliv00-20",
        "preco_coletado": "90.06",
        "estoque": "Em estoque",
        "estrelas": "4.80",
        "qtd_avaliacoes": "45",
        "ranking": "Nº 8.463 em Livros (Conheça o Top 100 na categoria Livros) Nº 4 em Livros de Processamento de DadosNº 28 em Programação de Computadores",
        "data_coleta": "2026-06-10 00:48:54"
    },
    "midia": {
        "imagem_capa": "https://m.media-amazon.com/images/I/41mjaKY7eRL._SY445_SX342_ML2_.jpg"
    },
    "descricao": {
        "curta": "O Python é uma excelente ferramenta para muitos pesquisadores, principalmente por causa de suas bibliotecas para armazenar, manipular e obter insights de dados. Existem vários recursos para as partes individuais do data science, mas apenas com a nova edição do Guia do Python para Data Science você tem tudo: IPython, NumPy, pandas, Matplotlib, Scikit-Learn e outras ferramentas afins. Cientistas de laboratório e analistas de dados familiarizados com a leitura e a escrita do código Python acharão a...",
        "base": "O Python é uma excelente ferramenta para muitos pesquisadores, principalmente por causa de suas bibliotecas para armazenar, manipular e obter insights de dados. Existem vários recursos para as partes individuais do data science, mas apenas com a nova edição do Guia do Python para Data Science você tem tudo: IPython, NumPy, pandas, Matplotlib, Scikit-Learn e outras ferramentas afins. Cientistas de laboratório e analistas de dados familiarizados com a leitura e a escrita do código Python acharão a segunda edição desta referência abrangente ideal para lidar com questões do dia a dia: manipulação, transformação e limpeza de dados; visualização de diferentes tipos de dados; e uso de dados para construir modelos estatísticos ou de machine learning. Em outras palavras, é a referência obrigatória para a computação científica em Python. Com este guia, você aprenderá que: • IPython e Jupyter fornecem ambientes de computação para cientistas que usam o Python • NumPy inclui ndarray para um armazenamento e uma manipulação eficientes de densos arrays de dados • Pandas contém DataFrame para um armazenamento e uma manipulação eficientes de dados tabulares • Matplotlib inclui capacidades para inúmeras visualizações de dados • Scikit-Learn ajuda a criar implementações limpas e eficientes em Python dos algoritmos mais importantes e consolidados em machine learning"
    }
}