Python em outros paradigmas

Prof. Frederico Tosta de Oliveira

Prof. Kleber de Aguiar

Descrição

Apresentação básica da utilização do Python em outros paradigmas,

como linguagem funcional, computação concorrente, desenvolvimento
Web e Cência de Dados.

Propósito

Apresentar a programação por meio do paradigma de linguagem

funcional, bem como a utilização do framework Flask para aplicações
Web com Python e a sua utilização para a realização de tarefas
relacionadas à mineração de dados e à extração de conhecimento.

Preparação

Para este tema, é necessário conhecimento prévio em Python.

Objetivos

Módulo 1

Linguagem funcional no Python

Identificar a linguagem funcional e sua utilização em Python.

 Módulo 2

Computação concorrente em Python

Definir os conceitos de computação concorrente e sua utilização em

Python.

Módulo 3

Desenvolvimento Web com Python

Identificar o Python como ferramenta para desenvolvimento Web.

Módulo 4

Ciência de Dados em Python

Identificar o Python como ferramenta para Ciência de Dados.

Introdução
Neste tema, veremos a utilização da linguagem Python em outros
paradigmas, como linguagem funcional, computação concorrente,
desenvolvimento Web e ciência de dados.

Apesar do Python não ser uma linguagem puramente funcional, ela

fornece ferramentas para que possamos programar utilizando esse
paradigma. Neste tema, veremos como isso é possível e quais as
vantagens desse estilo de programação.

Aprenderemos também conceitos relacionados à computação

concorrente e à computação paralela, suas diferenças e como
podem ser implementadas em Python.

Embora o Python não seja a primeira escolha como linguagem de

programação para servidores Web, é possível encontrar diversos
frameworks que facilitam, e muito, a sua utilização para tal
finalidade. Alguns são minimalistas, como o — Flask — e permitem
criar servidores Web escritos em Python em minutos.

Em contrapartida, essa linguagem de programação é a escolha

número 1 para a ciência de dados. Neste tema, conheceremos um
pouco sobre o processo de extração de conhecimento e como
implementá-lo em Python utilizando a biblioteca Scikit-Learn.

Baixe os códigos-fonte Python, deste tema, para lhe auxiliar na

realização das atividades.
1 - Linguagem funcional no Python
Ao final deste módulo, você será capaz de identificar a linguagem funcional e sua utilização
em Python.

Visão geral

Introdução

A programação funcional teve seu início no final dos anos 1950, com a
linguagem LISP.

À diferença do que muitos pensam, esse tipo de programação não é

apenas a utilização de funções em seu código-fonte, mas um paradigma
e um estilo de programação.

Na programação funcional, toda ação realizada pelo programa deve ser

implementada como uma função ou uma composição de funções, mas
estas devem seguir as seguintes regras:

LISP
É uma família de linguagens de programação desenvolvida, em 1958,
por John McCarthy. Ela foi pensada a princípio para o
processamento de dados simbólicos. Ela é uma linguagem formal
matemática.
 donut_large As funções devem ser puras, ou seja, em qualquer
ponto do programa, sempre produzem o mesmo
resultado quando passados os mesmos
parâmetros.

donut_large Os dados devem ser imutáveis, e uma vez definida

uma variável, seu valor não pode ser alterado.

donut_large Os loops não devem ser utilizados, mas sim a

composição de funções ou recursividade.

A utilização dessas regras visa garantir, principalmente, que não haja um

efeito indesejável e imprevisto quando executamos um programa ou
parte dele.

Muitas linguagens de programação (como Python,

Java e C++) dão suporte para a programação funcional,
porém são de propósito geral, dando base para outros
paradigmas, como programação imperativa e orientada
a objetos.

Outras linguagens, como Haskell, Clojure e Elixir são

predominantemente de programação funcional.

A seguir, ensinaremos como utilizar o Python para programação

funcional.

Relação entre funções puras e dados

imutáveis

Funções puras

São aquelas que dependem apenas dos parâmetros de entrada para

gerar uma saída. Elas sempre retornam um valor, um objeto ou outra
função. Em qualquer ponto do programa, ao chamar uma função pura,
com os mesmos parâmetros, devemos obter sempre o mesmo
resultado.
Veja os dois scripts, funcao1.py e funcao2.py, nos dois emuladores a
seguir:

Exercício 1
info_outlineTUTORIAL
d content_copyCOPIAR
Python3

1 # script funcao1.py
2 valor = 20
3
4 def multiplica(fator):
5 global valor
6 valor = valor * fator

null

null

play_arrow

Exercício 2
info_outlineTUTORIAL
d content_copyCOPIAR
Python3

1 # script funcao2.py
2 valor = 20
3
4 def multiplica(valor, fator):
5 valor = valor * fator
6 return valor

null

null

play_arrow

Agora observe a seguir o que ocorreu em cada um dos scripts:

funcao1.py

Definimos uma função chamada multiplica, que multiplica a

variável global valor por um fator passado como parâmetro. O
valor do resultado é atribuído à variável valor novamente (linha
6), que é impresso em seguida (linha 7).

Por exemplo, se chamarmos a função multiplica pela primeira

vez, passando o valor 3 como parâmetro, obteremos a saída
“Resultado 60”. Como modificamos a própria variável global
valor no corpo da função, ao chamarmos novamente a função
 multiplica passando novamente o 3 como parâmetro, obtemos
um resultado de saída diferente: “Resultado 180”.

Além de não depender apenas dos parâmetros, essa função

não retorna valor algum. A função multiplica deste script não é
pura.

Verifique por si mesmo! No primeiro emulador, delete a

instrução pass (linha 10) e dentro da função main chame duas
vezes a função multiplica com um mesmo valor como
parâmetro (exemplo: multiplica(3)). Clique em Executar.

funcao2.py

Utilizamos a variável valor e a função numero como

parâmetros para a função multiplica. O valor da variável
numero será recebido via teclado, por meio da função nativa
input.

As duas vezes em que executamos essa função (linhas 10 e

11), retornarão o mesmo valor. Por exemplo, se o valor de
numero for 3, ambas as saídas do script serão: “Resultado 60”.

A função multiplica deste script é um exemplo de função pura,

pois depende apenas de seus parâmetros para gerar o
resultado, e não acessa ou modifica nenhuma variável externa
à função e retorna um valor.

Verifique por si mesmo! Informe um número inteiro no campo

Input do segundo emulador, como valor a ser atribuído à
variável numero (por meio da função input, linha 9) e clique em
Executar.

Dados imutáveis

São aqueles que não podem ser alterados após sua criação. Apesar do
Python disponibilizar algumas estruturas de dados imutáveis, como as
tuplas, a maioria é mutável. Na programação funcional, devemos tratar
todos os dados como imutáveis!

As funções puras devem utilizar apenas os parâmetros de entrada para

gerar as saídas. Além dessa característica, as funções puras não podem
alterar nenhuma variável fora de seu escopo.

Observe os scripts funcao3.py e funcao4.py a seguir, em que passamos

a lista valores como argumento para a função altera_lista. Lembre-se de
que, no Python, ao passar uma lista como argumento, apenas passamos
sua referência, ou seja, qualquer mudança feita no parâmetro dentro da
função, também altera a lista original. Nos emuladores seguintes,
informe no campo Input os números inteiros a serem atribuídos à lista
valores e clique em Executar para que os scripts sejam executados.

Os elementos devem ser separados por 1 espaço em branco, por

exemplo: 10 20 30.
 Exercício 3
info_outlineTUTORIAL
d content_copyCOPIAR
Python3

1 # script funcao3.py
2 # captando os valores do campo Input
3 valores = input()
4 # separando os valores pelo espaço em branco e
5 # transformando-os em uma lista de inteiros
6 valores = [int(i) for i in valores.split()]

null

null

play_arrow

Exercício 4
info_outlineTUTORIAL
d content_copyCOPIAR
Python3

1 # script funcao4.py
2
3 # captando os valores do campo Input
4
5 valores = input()
6

null

null

play_arrow

Na programação funcional, devemos evitar alterar qualquer dado que já

tenha sido criado. No exemplo anterior, no script funcao3.py, ao alterar o
terceiro elemento do parâmetro lista (linha 9), alteramos também a
variável global valores.

Com isso, ao chamar a mesma função duas vezes (linhas 13 e 14), com,
teoricamente, o mesmo parâmetro, obtemos um efeito indesejável,
resultando em saídas diferentes, como pode ser observado no campo
Console do respectivo emulador.

No exemplo do script funcao4.py, muito similar ao script funcao3.py, ao

invés de alterarmos o valor do próprio parâmetro, criamos uma cópia
dele (linha 5), sendo assim, não alteramos a variável valores e obtemos
o mesmo resultado para as duas chamadas da função (linhas 10 e 11),
fato observado no campo Console do emulador que contém o script
funcao4.py.
Efeitos indesejáveis

Efeito colateral e estado da aplicação

As funções puras e dados imutáveis buscam evitar os efeitos

indesejáveis, como ocorreu no script funcao3.py. Na terminologia de
programação funcional, chamamos isso de efeito colateral (side effect).
Além de evitar o efeito colateral, a programação funcional evita a
dependência do estado de um programa.

A dependência apenas dos parâmetros para gerar saídas garante que o

resultado será sempre o mesmo, independentemente do estado da
aplicação, por exemplo, valores de outras variáveis. Ou seja, não
teremos diferentes comportamentos para uma função baseado no
estado atual da aplicação.

Efeito colateral
É quando a função faz alguma operação que não seja computar a
saída a partir de uma entrada. Por exemplo: alterar uma variável
global, escrever no console, alterar um arquivo, inserir um registro no
banco de dados, ou enviar um foguete à Lua.

Atenção!
Ao garantir que uma função utilizará apenas os dados de entrada para
gerar um resultado e que nenhuma variável fora do escopo da função
será alterada, temos a certeza de que não teremos um problema
escondido, ou efeito colateral em nenhuma outra parte do código.

O objetivo principal da programação funcional não é utilizar funções

puras e dados imutáveis, mas sim evitar o efeito colateral.

Outros tipos de função

Funções de ordem superior

Na programação funcional, é muito comum utilizar funções que aceitem

outras funções, como parâmetros ou que retornem outra função.

Essas funções são chamadas de funções de ordem superior (higher

order function).

No exemplo a seguir, script funcao5.py, vamos criar uma função de

ordem superior chamada multiplicar_por. Ela será utilizada para criar e
retornar novas funções.

Essa função, ao ser chamada com um determinado multiplicador como

argumento, retorna uma nova função multiplicadora por aquele
multiplicador e que tem como parâmetro o número a ser multiplicado
(multiplicando).Veja o seguinte código:

Exercício 5
info_outlineTUTORIAL
d content_copyCOPIAR
Python3

1 # script funcao5.py
2 def multiplicar_por(multiplicador):
3 def multi(multiplicando):
4 return multiplicando * multiplicador
5 return multi
6

null

null

play_arrow

Dentro da função “pai” multiplicar_por, definimos a função multi (linha

3), que espera um parâmetro chamado multiplicando, que será
multiplicado pelo multiplicador passado como parâmetro para a função
“pai”.

Ao chamar a função multiplicar_por com o argumento 10 (linha 8),

definimos a função interna multi como:

PYTHON
content_copy

Essa função é retornada e armazenada na variável multiplicar_por_10

(linha 8), que nada mais é que uma referência para a função multi
recém-criada.

Dessa forma, podemos chamar a função multiplicar_por_10, passando

um número como argumento, o multiplicando, para ser multiplicado por
10 (linhas 9 e 10), produzindo os resultados 10 e 20.

Da mesma forma, criamos a função multiplicar_por_5, passando o

número 5 como argumento para a função multiplicar_por (linha 12), que
recebe uma referência para a função:

PYTHON
content_copy
Com isso, podemos utilizar a função multiplicar_por_5 para multiplicar
um número por 5 (linhas 13 e 14).

Clique no emulador anterior e observe a saída do programa em seu

campo console.

Funções lambda

Assim como em outras linguagens, o Python permite a criação de

funções anônimas. Estas são definidas sem identificador (ou nome) e,
normalmente, são utilizadas como argumentos para outras funções (de
ordem superior).

Em Python, as funções anônimas são chamadas de funções lambda.

Para criá-las, utilizamos a seguinte sintaxe:

lambda argumentos: expressão

Iniciamos com a palavra reservada lambda, seguida de uma sequência

de argumentos separados por vírgula, dois pontos e uma expressão de
apenas uma linha. As funções lambda sempre retornam o valor da
expressão automaticamente. Não é necessário utilizar a palavra return.

Atenção!

Considere a função para multiplicar dois números a seguir:

def multiplicar(a, b):

return a*b

A função lambda equivalente é:

lambda a, b: a*b

Temos os parâmetros a e b e a expressão a*b, que é retornado

automaticamente. As funções lambda podem ser armazenadas em
variáveis para depois serem chamadas como uma função qualquer.

Retornando ao exemplo da função multiplicar_por (script funcao5.py),

podemos trocar a função multi por uma função lambda.

note_alt_black
Atividade discursiva
Que tal tentar implementar essa alteração na função multiplicar_por? No
emulador a seguir, insira o seu código no lugar da palavra reservada
pass (linha 3):

Exercício 6
info_outlineTUTORIAL
d content_copyCOPIAR
Python3

1 # script anonima.py (versão alterada do script

2 def multiplicar_por(multiplicador):
3 pass
4
5 def main():
6 multiplicar por 10 = multiplicar por(10)

null

null

play_arrow

Digite sua resposta aqui...

Chave de respostaexpand_more

Após tentar implementar a sua alteração, você pode conferir o

script alterado a seguir:

Python
content_copy

Ao executar o script anonima.py, deve-se obter o mesmo resultado

mostrado anteriormente: 10, 20, 5 e 10.
Boa prática de programação

Não utilizar loops

Outra regra, ou boa prática, da programação funcional é não utilizar

laços (for e while), mas sim composição de funções ou recursividade.

A função lambda exerce um papel fundamental nisso, como veremos a

seguir.

Para facilitar a composição de funções e evitar loops, o Python

disponibiliza diversas funções e operadores.

As funções internas mais comuns são map e filter.

Maps

A função map é utilizada para aplicar uma determinada função em cada

elemento de um iterável (lista, tupla, dicionários etc.), retornando um
novo iterável com os valores modificados.

A função map é pura e de ordem superior, pois depende

apenas de seus parâmetros e recebe uma função como
parâmetro. A sua sintaxe é a seguinte:

map(função, iterável1, iterável2...)

O primeiro parâmetro da map é o nome da função (sem parênteses) que

será executada para cada item do iterável. Os demais parâmetros são
os iteráveis separados por vírgula. A função map sempre retorna um
novo iterável.

Nos exemplos a seguir, vamos criar três scripts funcao_iterable.py,

funcao_map.py e funcao_map_lambda.py. Todos executam a mesma
operação. Recebem uma lista e triplicam cada item, gerando uma nova
lista com os valores triplicados:

Exercício 7
info_outlineTUTORIAL
d content_copyCOPIAR
Python3

1 # script funcao_iterable.py
2 lista = [1, 2, 3, 4, 5]
3
4 def triplica_itens(iterable):
5 lista_aux = []
6 for item in iterable:

null

null
 play_arrow

Exercício 8
info_outlineTUTORIAL
d content_copyCOPIAR
Python3

1 # script funcao_map.py
2 lista = [1, 2, 3, 4, 5]
3
4 def triplica(item):
5 return item * 3
6

null

null

play_arrow

Exercício 9
info_outlineTUTORIAL
d content_copyCOPIAR
Python3

1 # script funcao_map_lambda.py
2 lista = [1, 2, 3, 4, 5]
3
4 nova_lista = map(lambda item: item * 3, lista)
5
6 def main():

null

null

play_arrow

Veja a seguir o que ocorreu em cada um dos scripts:

funcao_iterable.py expand_more

Definimos uma função chamada triplica_itens, que recebe um

iterável como parâmetro (linha 4), cria uma lista auxiliar para
garantir imutabilidade (linha 5), percorre os itens do iterável
passado como parâmetro (linha 6), adiciona os itens triplicados
à lista auxiliar (linha 7) e retorna a lista auxiliar (linha 8).

Essa função é chamada com o argumento lista (linha 11) e o

resultado é impresso (linha 12).
 funcao_map.py expand_more

Definimos a função triplica, que triplica e retorna o item passado

como parâmetro (linhas 4 e 5). É utilizada, assim como a variável
lista, como argumentos para a função map (linha 8).

A map vai aplicar internamente a função passada como

parâmetro em cada item da lista, retornando um novo
iterável(que pode ser convertido em listas, tuplas etc.). O
resultado da função map é armazenado na variável nova_lista,
para então ser impresso (linha 9).

A função map garante a imutabilidade dos iteráveis passados

como argumento. Como a função map retorna um iterável,
utilizamos o construtor list (iterável) para imprimir o resultado
(linha 9).

funcao_map_lambda.py expand_more

Substituímos a função triplica pela função lambda (lambda item:

item*3), que foi utilizada como argumento para a função map
(linha 4). Esta vai aplicar a função lambda em cada item da lista,
retornando um novo iterável que foi impresso posteriormente
(linha 7).

Observe como o código foi reduzido e mesmo assim

preservamos a utilização de funções puras (lambda), alta ordem
(map) e que preservaram a imutabilidade dos dados. Tudo isso
para garantir que não haja efeitos colaterais e dependência de
estados.

Filter

É utilizada para filtrar elementos de um iterável (lista, tupla, dicionários

etc.). O filtro é realizado utilizando uma função, que deve ser capaz de
retornar true ou false (verdadeiro ou falso) para cada elemento do
iterável.

Atenção!

Todo elemento que for avaliado como true será incluído em um novo
iterável retornado pela função filter, que é pura e de alta ordem, pois
depende apenas dos parâmetros e recebe uma função como parâmetro.
A sua sintaxe é a seguinte:

filter(função, iterável)

O primeiro parâmetro da função filter é o nome da função (sem

parênteses), que será executada para cada item do iterável. O segundo
parâmetro é o iterável. A função filter sempre retorna um novo iterável,
mesmo que vazio.
Nos exemplos a seguir, funções função_filtro_iterable.py,
função_filter.py e função_filter_lambda.py, vamos criar três scripts.
Todos fazem a mesma filtragem. Recebem uma lista e retornam os
elementos ímpares, gerando uma nova lista, de forma a garantir a
imutabilidade.

Exercício 10
info_outlineTUTORIAL
d content_copyCOPIAR
Python3

1 # script funcao_filtro_iterable.py
2 lista = [1, 2, 3, 4, 5]
3
4 def impares(iterable):
5 lista_aux = []
6 for item in iterable:

null

null

play_arrow

Exercício 11
info_outlineTUTORIAL
d content_copyCOPIAR
Python3

1 # script funcao_filter.py
2 lista = [1, 2, 3, 4, 5]
3
4 def impar(item):
5 return item % 2 != 0
6

null

null

play_arrow

Exercício 12
info_outlineTUTORIAL
d content_copyCOPIAR
Python3

1 # script funcao_filter_lambda.py
2 lista = [1, 2, 3, 4, 5]
3
4 nova_lista = filter(lambda item: item % 2 != 0
5
6 def main():

null
 null

play_arrow

Veja o que ocorreu com cada um dos scripts:

função_filtro_iterable.py expand_more

Definimos uma função chamada ímpares, que recebe um iterável

como parâmetro (linha 4), cria uma lista auxiliar para garantir
imutabilidade (linha 5), percorre os itens do iterável passados
como parâmetros (linha 6), adiciona os itens ímpares à lista
auxiliar (linhas 7 e 8) e retorna a lista auxiliar (linha 9).

Essa função é chamada com o argumento lista (linha 12) e o

resultado é impresso (linha 13).

função_filter.py expand_more

Definimos a função ímpar, que retorna true se o item passado

como parâmetro é ímpar ou false caso contrário (linhas 4 e 5).
Utilizamos essa função, assim como a variável lista, como
argumentos para a função filter (linha 8).

A filter vai aplicar, internamente, a função passada como

parâmetro em cada item da lista, retornando um novo iterável
(que pode ser convertido em listas, tuplas etc.). O resultado da
função filter é armazenado na variável nova_lista, para então ser
impresso (linha 9).

A função filter garante a imutabilidade dos iteráveis passados

como argumento. Como a função filter retorna um iterável,
utilizamos o construtor list(iterável) para imprimir o resultado
(linha 9).

função_filter_lambda.py expand_more

Substituímos a função ímpar pela função lambda (lambda item:

item%2 != 0) que foi utilizada como argumento para a função
filter (linha 4). Esta vai aplicar a função lambda em cada item da
lista, retornando um novo iterável que foi impresso
posteriormente (linha 7).

Todos os scripts geraram o mesmo resultado: [1, 3, 5].

video_library
Aplicando programação funcional
com Python
Neste vídeo, abordaremos conceitos que foram aprendidos na
computação funcional.

video_library
Exercícios de programação funcional
em Python

Falta pouco para atingir seus objetivos.

Vamos praticar alguns conceitos?

Questão 1

Observe as afirmativas relacionadas à programação funcional e

responda.

I - As funções puras sempre produzem o mesmo resultado quando

passados os mesmos parâmetros.
II - Dados imutáveis são aqueles nos quais seus valores podem ser
alterados após a sua definição.
III - Não se deve utilizar loops, mas composição de funções.
IV - A programação funcional é um paradigma e um estilo de
programação.

Das afirmativas anteriores, quais são verdadeiras?

 A II e III

B I e III

C II

D I, III e IV

E II e IV

Parabéns! A alternativa D está correta.

A única incorreta é a II. Os dados imutáveis não podem ser

alterados.

Questão 2

Qual é o resultado impresso pelo programa a seguir?

Scriptlambda1.Py
content_copy

A 4

B 8

C 16

D 32

E 64
 Parabéns! A alternativa C está correta.

A função criada retorna o valor do argumento ao quadrado.

2 - Computação concorrente em Python

Ao final deste módulo, você será capaz de definir os conceitos de computação concorrente e
sua utilização em Python.

Visão geral

Introdução

No início do ano 2000, poucas pessoas tinham acesso a computadores

com mais de um processador. Além disso, os processadores dos
desktops e notebooks daquela época continham apenas um núcleo, ou
seja, só podiam executar uma operação por vez.

Atualmente, é raro ter um computador, ou até mesmo um celular, com

um processador de apenas um núcleo. Com isso, é muito importante
aprendermos alguns conceitos sobre programação concorrente e
paralela e como implementá-los, de forma a extrair o máximo de
performance dos nossos programas.

Na computação, temos dois conceitos relacionados à execução

simultânea, concorrência e paralelismo, que serão apresentados no
decorrer deste módulo.

A seguir, definiremos alguns conceitos relacionados à computação

concorrente e paralela, e, posteriormente, mostraremos como o Python
implementa tais funcionalidades.

Concorrente
 O dicionário on-line, DICIO, define a palavra “concorrente” como:
“Simultâneo; o que acontece ao mesmo tempo que outra coisa [...]”.

Conceitos de programa e processo

Os conceitos iniciais que precisamos definir são programas e
processos. Mas o que seria um programa e um processo na visão do
sistema operacional?

Programa é algo estático e permanente. Contém um

conjunto de instruções e é percebido pelo sistema
operacional como passivo.

Em contrapartida, o processo é dinâmico e tem uma vida curta. Ao

longo da sua execução, tem seu estado alterado. Ele é composto por
código, dados e contexto. Em suma, o processo é um programa em
execução.

O mesmo programa executado mais de uma vez gera processos

diferentes, que contêm dados e momento de execução (contexto)
também diferentes.

Conceitos de concorrência e
paralelismo
Em computação, o termo concorrente se refere a uma técnica para
tornar os programas mais usáveis. Ela pode ser alcançada mesmo em
processadores de apenas um núcleo, pois permite compartilhar o
processador de forma a rodar vários processos. Os sistemas
operacionais multitarefas suportam concorrência.

Exemplo

É possível compactar um arquivo e continuar usando o processador de

texto, mesmo em um processador de um núcleo, pois o processador
divide o tempo de uso entre os processos dessas duas aplicações. Ou
seja: essas duas aplicações executam de forma concorrente.

Apesar da concorrência não necessariamente precisar de mais de um

núcleo, ela pode se beneficiar se houver mais deles, pois os processos
não precisarão compartilhar tempo de processador.

Já o paralelismo é uma técnica para permitir que programas rodem

mais rápido, executando várias operações ao mesmo tempo. Ela requer
várias máquinas ou um processador com mais de um núcleo. Também é
possível realizar o paralelismo nas placas de vídeo.
Conceito de Threads

Threads e processos

Em um programa com múltiplos processos, cada um tem seu próprio

espaço de memória e cada um pode executar em um núcleo diferente,
melhorando consideravelmente a performance do programa.

Relembrando

O processo é uma instância de um programa em execução. Ele é

composto pelo código que está sendo executado, os dados utilizados
pelo programa (exemplo: valores de variável) e o estado ou contexto do
processo.

Em Python, podemos criar tanto processos quanto threads em um

programa.

Curiosidade

A thread pertence a um determinado processo. Múltiplas threads podem

ser executadas dentro de um mesmo processo. As de um mesmo
processo compartilham a área de memória e podem acessar os
mesmos dados de forma transparente.

Antes de falarmos sobre cada abordagem em Python, vamos falar sobre

o global interpreter lock (GIL). No CPython, GIL existe para proteger o
acesso aos objetos da linguagem.

Isso acontece objetivando a prevenção para que múltiplas threads não

possam executar os bytecodes do Python de uma vez. Essa “trava” é
necessária, pois visa garantir a integridade do interpretador, uma vez
que o gerenciamento de memória no CPython não é thread-safe.

CPython
É a implementação principal da linguagem de programação Python,
escrita em linguagem C.

Na prática, para um mesmo processo, o GIL só permite

executar uma thread de cada vez, ou seja, elas não
executam de forma paralela, mas concorrente. Sem a
“trava” do GIL, uma operação simples de atribuição de
variável poderia gerar um dado inconsistente caso
duas threads atribuíssem um valor a uma mesma
variável ao mesmo tempo.

Para os processos, por sua vez, o funcionamento é diferente. Para cada

um, temos um GIL separado. Ou seja: podem ser executados
paralelamente. Cabe ao programador garantir o acesso correto aos
dados.
Múltiplos processos podem rodar em paralelo, enquanto múltiplas
threads (de um mesmo processo) podem rodar concorrentemente.

Atenção!

Normalmente, utilizamos thread para interface gráfica, acesso ao banco

de dados, acesso à rede etc., pois o programa não pode parar, ou a
interface congelar, enquanto esperamos baixar um arquivo, por exemplo.

Quando temos, porém, um programa que necessita muito dos recursos

do processador e temos como paralelizar nosso programa, devemos
optar pela criação de múltiplos processos.

Criar novos processos pode ser lento e consumir muita memória,

enquanto a criação de threads é mais rápida e consome menos
memória.

Criação de threads e processos

No script principal.py a seguir, vamos criar uma thread e um processo

que executam a mesma função. Na linha 9, criamos uma thread para
executar a função funcao_a utilizando a classe thread. O construtor tem
como parâmetros a função que deverá ser executada (target) e quais
parâmetros serão passados para essa função (args). O parâmetro args
espera um iterável (lista, tupla etc.), onde cada elemento será mapeado
para um parâmetro da função target.

Atenção!
Como criar threads e processos em Python:

Vamos utilizar a classe thread e process, dos módulos threading e

multiprocessing, respectivamente. Para facilitar a transição entre
processos e threads simples, o Python fez os construtores e métodos
das duas classes muito parecidos.

Como a funcao_a espera apenas um parâmetro, definimos uma tupla de

apenas um elemento (‘Minha Thread”). O primeiro elemento da tupla, a
string Minha Thread, será passada para o parâmetro nome da funcao_a.

Na linha 10, enviamos o comando para a thread iniciar sua execução,

chamando o método start() do objeto t do tipo thread, como pode ser
observado a seguir:

Exercício 13
info_outlineTUTORIAL
d content_copyCOPIAR
Python3

1 # script principal.py
2 from threading import Thread
3 from multiprocessing import Process
4
5 def funcao_a(nome):
6 print(nome)

null
 null

play_arrow

A criação do processo é praticamente igual, porém utilizando a classe

process, conforme a linha 12. Para iniciar o processo, chamamos o
método start() na linha 13.

Verifique a saída desse script no console do emulador anterior, clicando

no botão Executar.

Múltiplas threads e processos

No exemplo a seguir, scripts threads_var.py e processos_var.py, vamos

criar múltiplas threads e processos para compararmos as saídas de
cada um.

Vamos aproveitar para mostrar que todas as threads

estão no mesmo contexto, com acesso às mesmas
variáveis, enquanto o processo não. Vamos mostrar,
também, como fazer o programa aguardar que todas
as threads e processos terminem antes de seguir a
execução.

Neste exemplo, a função que será paralelizada é a funcao_a (linha 8).

Ela contém um laço que é executado cem mil vezes e para cada iteração
adiciona o elemento 1 à lista minha_lista, definida globalmente na linha
6.

Vamos criar 10 threads (e processos) para executar 10 instâncias dessa

função, na qual, esperamos que o número de elementos na lista ao final
da execução do programa seja de 1 milhão (10 threads X cem mil
iterações).

Atenção!

Observe que os códigos dos scripts são praticamente idênticos, com

exceção das classes construtoras thread e process na linha 16 dos dois
scripts.

Para criar essas 10 threads ou processos, temos um laço de 10

iterações (linha 15), em que criamos (linha 16) e iniciamos (linha 18)
cada thread ou processo. Veja os códigos a seguir:

Script Threads_var.Py
content_copy
 Script Processos_var.Py
content_copy

É função do programador armazenar uma referência para as suas

threads ou processos, de maneira que possamos verificar seu estado ou
interrompê-las. Para isso, armazenamos cada thread ou processo criado
em uma lista chamada tarefas (linha 17).

Logo após a criação das threads ou processos, vamos imprimir o

número de itens na variável minha_lista (linha 20); aguardar o término da
execução das threads ou processos pela iteração da lista tarefas e
utilizando o método join() (linhas 22 e 23); e, por fim, imprimimos o
número de itens final da variável minha_ lista (linha 25).

Nos seguintes códigos, temos o resultado de cada script, que são:

Saída Do Script Threads_var.Py

content_copy
 Saída Do Script Processos_var.Py
content_copy

Apesar da saída do script thread.py ter ficado confusa (já iremos

retornar nesse problema), observe que o número de itens da variável
minha_lista muda durante a execução do programa quando usamos
thread e não muda quando usamos processos.

Isso acontece, pois a área de memória das threads é compartilhada, ou

seja, elas têm acesso às mesmas variáveis globais. Em contrapartida,
as áreas de memória dos processos não são compartilhadas. Cada
processo acaba criando uma versão própria da variável minha_lista.

Travas (Lock)

No exemplo anterior, a função funcao_a incluía o elemento 1 à lista a

cada iteração, utilizando o método append(). No exemplo a seguir, a
funcao_a incrementará a variável global contador. Observe o código a
seguir, script threads_inc.py e verifique o resultado impresso no console
seguinte:

Script Threads_inc.Py
content_copy
 Saída Do Script Threads_inc.Py
content_copy

O valor impresso ao final do programa deveria ser 10.000.000 (10

threads X 1.000.000 de iterações), porém foi impresso 3.316.688. Você
deve estar se perguntando por que aconteceu isso, se o GIL garante que
apenas uma thread esteja em execução por vez.

Por que não aconteceu isso no exemplo anterior? O

método utilizado para inserir um elemento na lista
(append), na visão do GIL, é atômico, ou seja, ele é
executado de forma segura e não pode ser
interrompido no meio de sua execução.

O incremento de variável (+=1), que está sendo usado no exemplo atual

(linha 11), não é atômico. Ele é, na verdade, composto por duas
operações, a leitura e a atribuição, e não temos como garantir que as
duas operações serão realizadas atomicamente.

Veja a imagem a seguir, em que temos um contador inicialmente com o

valor 0 e três threads incrementando esse contador. Para incrementar, a
thread realiza duas operações: lê o valor do contador e depois atribui o
valor lido incrementado de um ao contador:

Threads em execução.

Cada thread é executada em um determinado tempo t. Em t1, a thread1

lê e incrementa o contador, que passa a valer 1. Em t2, a thread2 lê o
contador (valor 1). Em t3, a thread3 lê e incrementa o contador, que
passa a valer 2. Em t4, a thread2 incrementa o contador, porém a partir
do valor que ela leu, que era 1.

No final, o contador passa a valer 2, erroneamente. Esse resultado

inesperado devido à sincronia na concorrência de threads (ou
processos) se chama condição de corrida.
Para evitar a condição de corrida, utilizamos a primitiva lock (trava). Um
objeto desse tipo tem somente dois estados: travado e destravado.
Quando criado, ele fica no estado destravado. Esse objeto tem dois
métodos: acquire e release.

Quando no estado destravado, o acquire muda o estado dele para

travado e retorna imediatamente. Quando no estado travado, o acquire
bloqueia a execução até que outra thread faça uma chamada ao método
release e destrave o objeto. Veja como adaptamos o código anterior
para utilizar o lock no script threads_inc_lock.py a seguir:

Script Threads_inc_lock.Py
content_copy

Primeiramente, definimos a variável global lock utilizando o construtor

lock(), também do módulo threading (linha 7). Depois, vamos utilizar
essa trava para “envolver” a operação de incremento. Imediatamente
antes de incrementar o contador, chamamos o método acquire() da
variável lock (linha 13), de forma a garantir exclusividade na operação de
incremento (linha 14).

Logo após o incremento, liberamos a trava utilizando o método release

(linha 15). Com apenas essa modificação, garantimos que o resultado
estará correto. Podemos verificar o resultado no console abaixo.

Saída Do Script Threads_inc_lock.Py

content_copy
Aproveitamos este exemplo para corrigir o problema de impressão no
console de forma desordenada. Esse problema ocorria, pois o print
também não é uma operação atômica. Para resolver, envolvemos o print
da linha 17 com outra trava, print_lock, criada na linha 8.

Compartilhando variáveis entre processos

Para criar uma área de memória compartilhada e permitir que diferentes

processos acessem a mesma variável, podemos utilizar a classe value
do módulo multiprocessing.

No exemplo a seguir, script processos.py, criaremos uma variável do

tipo inteiro e a compartilharemos entre os processos. Essa variável fará
o papel de um contador e a função paralelizada vai incrementá-la:

Script Processos.Py
content_copy

Saída Do Script Processos.Py

content_copy
Para permitir que a variável seja compartilhada, declaramos uma
variável chamada contador utilizando o construtor da classe value, onde
passamos como primeiro argumento um caractere com o tipo da
variável compartilhada (‘i’ 🡪 inteiro) e seu valor inicial (0) (linha 12).

Como não temos acesso a variáveis globais entre os

processos, precisamos passar esta para o construtor
process por meio do parâmetro args. Como a
passagem de parâmetros é posicional, o parâmetro
índice da funcao_a recebe o valor da variável índice e o
parâmetro cont recebe uma referência para a variável
contador (linha 15).

Isso já é o suficiente para termos acesso à variável contador por meio

do parâmetro cont da função funcao_a. Porém, não resolve a condição
de corrida.

Para evitar esse problema, vamos utilizar uma trava (lock) para realizar a
operação de incremento, assim como fizemos no exemplo anterior.

Curiosidade
O Python já disponibiliza essa trava nos objetos do tipo value, não sendo
necessário criar uma variável específica para a trava (lock). Observe
como foi realizada a trava utilizando o método get_lock() (linha 7).

Observe pelo console que agora nossa variável está com o valor certo:
um milhão!

Para corrigir o problema da impressão desordenada, basta criar uma

variável do tipo lock e passá-la como parâmetro, assim como fizemos
no exemplo anterior e com a variável contador.

video_library
Utilizando Python na programação
concorrente
Neste vídeo, abordaremos programação paralela usando o conceito de
Thread em Python

video_library
Exercícios de Python na programação
concorrente

Falta pouco para atingir seus objetivos.

Vamos praticar alguns conceitos?

Questão 1

Observe as afirmativas e responda:

I – É possível alcançar a concorrência em processadores de apenas

um núcleo.
II – O paralelismo é uma técnica para permitir executar várias
operações ao mesmo tempo.
III – Programas e processos têm a mesma definição.
IV – As threads pertencem a um determinado processo.

Das afirmativas anteriores, quais estão corretas?

A II e III

B I e IV

C I, II e IV

D I, II

E I, II e III

Parabéns! A alternativa C está correta.

A única afirmação errada é a III, pois processo é um programa em

execução.
Questão 2

Qual o valor impresso pelo script a seguir:?

Script Processos.Py
content_copy

Script processos.py.

A 100

B 1000

C 2000

D 10000

E 20000

Parabéns! A alternativa B está correta.

Apenas a thread consegue acessar a variável global minha_lista.

São executadas 10 threads X 100 iterações = 1000.
3 - Desenvolvimento Web com Python
Ao final deste módulo, você será capaz de identificar o Python como ferramenta para
desenvolvimento Web.

Visão geral

Introdução

Atualmente, existem diversas opções de linguagem de programação

para desenvolver aplicações Web, sendo as principais: PHP, ASP.NET,
Ruby e Java.

De acordo com o site de pesquisas W3Techs, o PHP é a linguagem mais

utilizada nos servidores, com um total de 79% de todos os servidores
utilizando essa linguagem.

Grande parte da utilização do PHP se deve aos gerenciadores de

conteúdo, como WordPress, Joomla e Drupal, escritos em PHP e que
têm muita representatividade na Web hoje.

Curiosidade

O Python também pode ser utilizado para desenvolver aplicações Web?

Atualmente, existem diversos frameworks que facilitam a criação de

aplicações Web em Python.

Os frameworks podem ser divididos em, basicamente, dois tipos: full-

stack e não full-stack. Veja cada um deles a seguir:

Frameworks Full-stack expand_more

Disponibilizam diversos recursos internamente, sem a

necessidade de bibliotecas externas. Dentre os recursos,
podemos citar:
 Respostas à requisição;
Mecanismos de armazenamento (acesso ao banco de dados);
Suporte a modelos (templates);
Manipulação de formulários;
Autenticação;
Testes;
Servidor para desenvolvimento, entre outros.

O principal framework Python full-stack é o Django.

Frameworks não Full-stack expand_more

Oferecem os recursos básicos para uma aplicação Web, como

resposta à requisição e suporte a modelos. Os principais
frameworks dessa categoria são o Flask e o CherryPy.

Normalmente, para aplicações maiores, são utilizados os

frameworks full-stack, que também são um pouco mais
complexos de se utilizar.

Para este módulo, usaremos o Flask.

Conceito

Pela descrição de seus desenvolvedores, micro não quer dizer que toda
a aplicação precisa ficar em apenas um arquivo ou que falta alguma
funcionalidade, mas que o núcleo de funcionalidades dele é limpo e
simples, porém extensível.

O desenvolvedor fica livre para escolher qual suporte a modelos

(templates) utilizar, qual biblioteca de acesso ao banco de dados e
como lidar com formulários. Existem inúmeras extensões compatíveis
com o Flask.

Flask
É um micro framework Web em Python.

Iniciar o desenvolvimento com Flask é muito simples e

mostraremos isso ao longo deste módulo. Apesar de
não ser full-stack, o Flask disponibiliza um servidor
Web interno para desenvolvimento.

A configuração padrão inicia um servidor local na porta 5000, que pode

ser acessado por: http://127.0.0.1:5000.

Começaremos com uma aplicação Web básica que retorna “Olá,

mundo.” quando acessamos pelo navegador o nosso servidor em
http://127.0.0.1:5000.

O nome do nosso script é flask1.py e está apresentado a seguir:

Script Flask1.Py
content_copy
 Saída Do Script Flask1.Py-5
content_copy

Na primeira linha, importamos a classe flask, que é a classe principal do

framework. É a partir de uma instância dessa classe que criaremos
nossa aplicação Web. Na linha 2, é criada uma instância da classe flask,
onde passamos __name__ como argumento para que o Flask consiga
localizar, na aplicação, arquivos estáticos, como css e javascript, e
arquivos de modelos (templates), se for o caso.

Curiosidade

O Flask utiliza o conceito de rotas para direcionar o acesso às páginas

(ou endpoints). As rotas servem para guiar as requisições feitas ao
servidor para o trecho de código que deve ser executado. Os nomes das
rotas são os nomes utilizados pelo usuário para navegar na sua
aplicação.

Por isso, utilize nomes com significado e de fácil memorização. No caso

do Flask, as rotas são direcionadas para funções, que devem retornar
algum conteúdo.

Na linha 5, utilizamos o decorador @app.route(‘/’) para criar uma rota

para a URL raiz da nossa aplicação (‘/’). Esse decorador espera como
parâmetro a rota, ou URL, que será utilizada no navegador, por exemplo.

Toda requisição feita para uma rota é encaminhada para a função

imediatamente abaixo do decorador. No nosso caso, para a função
ola_mundo (linha 6). O retorno dessa função é a resposta que o nosso
servidor enviará ao usuário. Pela linha 7, a função ola_mundo retorna a
string “Olá, mundo.”.

Ao iniciar a execução do script, recebemos no console algumas

informações, incluindo em qual endereço o servidor está “escutando”.

Ao digitar no navegador a URL http://127.0.0.1:5000, será exibida a frase

“Olá, mundo.”, como na imagem seguinte:

Resultado do acesso a http://127.0.0.1:5000.

Rotas e parâmetros

Aprimorando rotas

Para ilustrar melhor o uso de rotas, vamos alterar o exemplo anterior de

forma que a rota (URL) para a função ola_mundo seja
http://127.0.0.1:5000/ola.

Observe o script flask2.py e compare com o anterior. Veja que o

parâmetro do decorador @app.route da linha 5 agora é ‘/ola’:

Script Flask2.Py
content_copy

Se acessarmos as seguintes URLs no navegador, veremos o seguinte:

http://127.0.0.1:5000/ola expand_more

Recebemos como resposta “Olá, mundo.”, como mostrado na

imagem a seguir:
 Resultado do acesso de http://127.0.0.1:5000/ola.

http://127.0.0.1:5000 expand_more

Recebemos um erro (404) de página não encontrada (Not

Found), pois a rota para a URL raiz da aplicação não existe mais,
como mostrado na imagem a seguir:

Resultado do acesso de http://127.0.0.1:5000.

Vamos acertar nossa aplicação para criar, também, uma rota para a URL
raiz da aplicação (@app.route(‘/’)).

Vamos chamar a função dessa rota de index e criar essa rota conforme
linhas 5 a 7. Veja o resultado no script flask3.py a seguir:

Script Flask3.Py
content_copy

Veja, na imagem a seguir, que agora podemos acessar tanto a rota para
função índice (URL: /) (imagem A), onde é retornado “Página principal”,
quanto a rota da função ola_mundo (URL: /ola) (imagem B), que é
retornado “Olá, mundo.”:

Resultado do acesso a http://127.0.0.1:5000 e a http://127.0.0.1:5000/ola.

Recebendo parâmetros

O decorador de rota (route) também permite que sejam passados

parâmetros para as funções. Para isso, devemos colocar o nome do
parâmetro da função entre < e> na URL da rota.

No próximo exemplo, vamos mudar a rota da função ola_mundo de

forma que seja possível capturar e retornar o nome passado como
parâmetro:

Script Flask4.Py
content_copy
Observe a URL da rota na linha 9, em que utilizamos a variável nome
entre < e>, que é o mesmo nome do parâmetro da função ola_mundo.
Isso indica que qualquer valor que for adicionado à URL após ‘/ola/’ será
passado como argumento para a variável nome da função ola_mundo.

Veja na imagem a seguir, em que acessamos a URL

http://127.0.0.1:5000/ola/Amigo:

Resultado do acesso a http://127.0.0.1:5000/ola/Amigo.

Porém, se tentarmos acessar a URL http://127.0.0.1:5000/ola,

receberemos um erro, pois removemos a rota para essa URL. Para
corrigir esse problema, vamos adicionar uma segunda rota para a
mesma função, bastando adicionar outro decorador @app.route para a
mesma função ola_mundo, conforme o script flask5.py a seguir:

Script Flask5.Py
content_copy

Observe que agora temos duas rotas para a mesma função (linhas 9 e
10). Em qualquer uma das URL, o usuário será direcionado para a
função ola_mundo.

Atenção!
A rota com URL ‘/ola/’ aceita requisições tanto para ‘/ola’ quanto ‘/ola/’.

Como nessa nova configuração o parâmetro nome pode ser vazio

quando acessado pela URL ‘/ola’, definimos o valor padrão “mundo” para
ele (linha 11).

Ao acessar essas duas URLs ‘/ola/’ e ‘/ola/Amigo’, obtemos os

resultados exibidos nos resultados exibidos na imagem A e B,
respectivamente:

Resultado do acesso a http://127.0.0.1:5000/ola/ e do acesso a http://127.0.0.1:5000/ola/Amigo.

Métodos HTTP e modelos

Métodos HTTP

Precisamos, para isso, utilizar o parâmetro methods do decorador

@app.route(), que espera uma lista de strings com o nome dos métodos
aceitos.

As aplicações Web disponibilizam diversos métodos

para acessar uma URL: GET, POST, PUT e DELETE. Por
padrão, as rotas do Flask somente respondem às
requisições GET. Para responder a outros métodos, é
necessário explicitar, na rota, quais métodos serão
aceitos.

Observe no script flask6.py, a seguir, em que criamos a rota para a

função logar e passamos como argumento uma lista contendo duas
strings, ‘GET’ e ‘POST’ (linha 15). Isso indica que essa rota deve
responder às requisições do tipo GET e POST.

Script Flask6.Py
content_copy
Para verificar o método que foi utilizado na requisição, usamos o
atributo method do objeto request, que retorna uma das strings: GET,
POST, PUT ou DELETE.

O objeto request é uma variável global disponibilizada pelo Flask e pode

ser utilizada em todas as funções. Para cada requisição, um novo objeto
request é criado e disponibilizado.

Com o objeto request, temos acesso a muitas outras propriedades da

requisição, como: cookie, parâmetros, dados de formulário, mimetype
etc.

Neste exemplo, utilizamos o atributo method do objeto request para

verificar o método passado na requisição e retornar conteúdos
diferentes dependendo do método (linhas 17 a 20).

Atenção!
Caso seja requisitada uma rota que exista, porém o método não seja
aceito pela rota, o erro retornado é o 405 – Method Not Allowed (método
não permitido), e não o 404 – Not Found (não encontrado), como ocorre
quando a rota não existe.

Observe que ativamos o modo debug do servidor interno do Flask (linha

4). Isso nos permite visualizar melhor os avisos e erros durante o
desenvolvimento.

Utilizando modelos

As funções no Flask precisam retornar algo. O retorno das funções pode

ser uma string simples e até uma string contendo uma página inteira em
HTML. Porém, criar páginas dessa maneira é muito complicado,
principalmente devido à necessidade de escapar (scape) o HTML, para
evitar problemas de segurança, por exemplo.

Para resolver esse problema, o Flask, por meio da extensão Jinja2,

permite utilizar modelos (templates) que são arquivos texto com alguns
recursos a mais, inclusive escape automático.

No caso de aplicações Web, os modelos normalmente são páginas

HTML, que são pré-processadas antes de retornarem ao requisitante,
abrindo um novo leque de possibilidades no desenvolvimento Web.

A cada requisição, podemos alterar uma mesma página de acordo com

um contexto (valores de variáveis, por exemplo). Com a utilização de
marcadores (tags) especiais, é possível injetar valores de variáveis no
corpo do HTML, criar laços (for), condicionantes (if/else), filtros etc.

Para criar e utilizar os modelos, por convenção, os HTMLs precisam

ficar dentro da pasta templates, no mesmo nível do arquivo que contém
a aplicação Flask.

Para ilustrar, no próximo exemplo (script flask7.py), vamos alterar nossa

aplicação de forma que seja retornada uma página HTML ao se acessar
a raiz da aplicação (‘/’).

Para isso, criaremos um arquivo chamado indice.html na pasta

templates, no mesmo nível do script flask7.py, conforme vemos na
árvore de diretório a seguir:

Árvore de diretório.

O conteúdo do modelo indice.html está exibido abaixo do script

flask7.py.

Para o modelo ser acessado na URL raiz (‘/’), a função index() deve ser a
responsável por retorná-lo. Para isso, vamos utilizar a função
render_template disponibilizada pelo Flask, que recebe o nome do
arquivo que desejamos retornar.

Observe a linha 7 do script flask7.py, em que utilizamos essa função e

passamos “indice.html” como parâmetro.

Script Flask7.Py
content_copy

Modelo Indice.Html
content_copy

Ao acessar http://127.0.0.1:5000, recebemos o resultado exibido na

imagem a seguir:
Resultado do acesso a http://127.0.0.1:5000.

Como dito anteriormente, os modelos são páginas HTML turbinadas,

nas quais podemos utilizar delimitadores especiais para alterar nossa
página. Os dois tipos de delimitadores são:

Expressões: {{ ... }}
Serve para escrever algo no modelo, como o valor de uma variável.

Declarações: {% ... %}
Serve para ser utilizado em laços e condicionantes, por exemplo.

Antes de serem retornadas ao usuário, essas páginas são renderizadas,

ou seja, os delimitadores são computados e substituídos.

No próximo exemplo, alteraremos a nossa aplicação de forma que o

nome passado como parâmetro para a rota ‘/ola/’ seja exibido dentro do
HTML.

Para isso, vamos criar um arquivo chamado ola.html na pasta

templates, conforme abaixo no script flask8.py. Observe que utilizamos
o delimitador de expressões com a variável ({{nome_recebido}}),
indicando que escreveremos o conteúdo dessa variável nesse local
após a renderização (linha 4 do arquivo ola.html após o script flask8.py).

Script Flask8.Py
content_copy

Modelo Ola.Html
content_copy
Além de informar a página que queremos renderizar na função
render_templates, podemos passar uma ou mais variáveis para essa
função. Essas variáveis ficarão disponíveis para serem utilizadas em
expressões ({{ }}) e declarações ({% %}) dentro do modelo (template).

No exemplo, desejamos exibir o nome passado via URL na página. Para

passar a variável nome para o HTML, precisamos chamar a função
render_template com um parâmetro a mais, conforme linha 12 e
destacado na imagem a seguir:

Destaque da sintaxe da função render_template do Flask.

A variável nome_recebido estará disponível para ser usada dentro do

modelo ola.html. Esse nome pode ser qualquer outro escolhido pelo
programador, mas lembre-se de que ele será usado, também, dentro do
modelo.

Para finalizar, utilizamos o delimitador de expressões envolvendo o

nome da variável (linha 4 do html). Ao ser renderizada, essa expressão
será substituída pelo valor da variável, conforme a imagem seguinte,
onde passamos a string “Amigo” para a variável nome e,
consequentemente, nome_recebido:

Resultado do acesso a http://127.0.0.1:5000/ola/Amigo.

video_library
Desenvolvendo aplicações Web com
Python
Neste vídeo, abordaremos framework Flask para desenvolvimento de
aplicações Web.

Falta pouco para atingir seus objetivos.

Vamos praticar alguns conceitos?

Questão 1

Considere o código a seguir, em que temos um servidor Flask

escutando na porta 5000, e responda:

Exercicio1.Py
content_copy

O que será apresentado no navegador se acessarmos a URL

http://127.0.0.1:5000/ola/EAD?

A Olá, mundo.

Olá, mundo.
B
Olá, EAD.

C Olá, EAD.

D O programa vai apresentar um erro.

Olá, EAD.
E
Olá, mundo.

Parabéns! A alternativa C está correta.

A URL acessada está de acordo com a rota da linha 9.

Questão 2
Considere o código a seguir, no qual temos um servidor Flask
escutando na porta 5000, e responda:

Exercicio2.Py
content_copy

O que será apresentado no navegador se acessarmos a URL

http://127.0.0.1:5000/ola?

A Olá, GET.

Olá, GET.
B
Olá, POST.

C Olá, POST.

D O programa vai apresentar um erro.

Olá, POST.
E
Olá, GET.

Parabéns! A alternativa C está correta.

O navegador utiliza, por default, o método GET. Com isso, será

executada a rota para a função ola_get, da linha 10.
4 - Ciência de Dados em Python
Ao final deste módulo, você será capaz de identificar o Python como ferramenta para Ciência
de Dados.

Visão geral

Introdução

Desde o século XVII, as ciências experimentais e teóricas são

reconhecidas pelos cientistas como os paradigmas básicos de pesquisa
para entender a natureza. De umas décadas para cá, a simulação
computacional de fenômenos complexos evoluiu, criando o terceiro
paradigma, a ciência computacional.

A ciência computacional fornece ferramentas necessárias para tornar

possível a exploração de domínios inacessíveis à teoria ou experimento.

Com o aumento das simulações e experimentos, mais dados são

gerados e um quarto paradigma emerge, que são as tecnologias e
técnicas associadas à Ciência de Dados.

A Ciência de Dados é uma área de conhecimento que envolve a

utilização de dados para gerar impactos em uma instituição, seja uma
universidade, uma empresa, um órgão federal etc., de forma a resolver
um problema real utilizando os dados.

Em 1996, Fayyad apresentou a definição clássica do processo de

descoberta de conhecimento em bases de dados, conhecido por KDD
(Knowledge Discovery in Databases):

“KDD é um processo, de várias

etapas, não trivial, interativo e
iterativo, para identificação de
padrões compreensíveis, válidos,
 novos e potencialmente úteis a
partir de grandes conjuntos de
dados”.

(FAYYAD, 1996, p. )

As técnicas de KDD (FAYYAD, 1996), também conhecidas como

mineração de dados, normalmente se referem à extração de
informações implícitas, porém úteis, de uma base de dados.

Essas aplicações, tipicamente, envolvem o uso de mineração de dados

para descobrir um novo modelo, e então os analistas utilizam esse
modelo em suas aplicações.

O processo de KDD é basicamente composto por três grandes etapas:

settings
Pré-processamento

settings
Mineração de dados

settings
Pós-processamento
A imagem a seguir mostra todo o processo de KDD:

Visão geral dos passos que compõem o processo de KDD.

A primeira etapa do processo de KDD, conhecida como pré-

processamento, é responsável por selecionar, preparar e transformar os
dados que serão utilizados pelos algoritmos de mineração.

Algumas atividades envolvidas no pré-processamento são:

Coleta e integração expand_more

Quando é necessário que dados provenientes de diversas fontes

sejam consolidados em uma única base de dados. Essa
atividade é bastante encontrada na construção de data
warehouses.

Codificação expand_more

Significa transformar a natureza dos valores de um atributo. Isso

pode acontecer de duas diferentes formas: uma transformação
 de dados numéricos em categóricos — codificação numérico-
categórica –, ou o inverso — codificação categórico-numérica.

Construção de atributos expand_more

Pode ser necessário criar colunas em uma tabela, por exemplo,

refletindo alguma transformação dos dados existentes em
outras colunas, após a coleta e integração dos dados.

Limpeza de dados expand_more

Pode ser subdividida em complementação de dados ausentes,

detecção de ruídos e eliminação de dados inconsistentes.

A partição dos dados expand_more

Consiste em separar os dados em dois conjuntos disjuntos. Um

para treinamento (abstração do modelo de conhecimento) e
outro para testes (avaliação do modelo gerado).

A segunda etapa do KDD, conhecida como mineração de dados, é a

aplicação de um algoritmo específico para extrair padrões de dados.
Hand (2001), define a etapa de mineração de dados da seguinte forma:

Mineração de dados é a análise de

(quase sempre grandes) conjuntos
de dados observados para descobrir
relações escondidas e para
consolidar os dados de uma forma
tal que eles sejam inteligíveis e úteis
aos seus donos.

(HAND, 2001, p.6)

Esta etapa, normalmente, é a que atrai maior atenção, por ser ela que
revela os padrões ocultos nos dados.

Os algoritmos de mineração podem ser classificados

como supervisionados e não supervisionados. Nos
primeiros, os algoritmos “aprendem” baseados nos
valores que cada dado já possui. Os algoritmos são
 treinados (ajustados), aplicando uma função e
comparando o resultado com os valores existentes.

Já nos não supervisionados, os dados não foram classificados

previamente e os algoritmos tentam extrair algum padrão por si só.

JA seguir, apresentaremos alguns algoritmos que podem ser realizados

durante a etapa de mineração de dados.

Não supervisionados:

Uma das técnicas de mineração de

dados mais utilizada para comércio
eletrônico, cujo objetivo é encontrar
regras para produtos comprados em
uma mesma transação. Ou seja, a
Regras de
presença de um produto em um
associação
conjunto implica a presença de outros
produtos de outro conjunto; com isso,
sites de compras nos enviam
sugestões de compras adicionais,
baseado no que estamos comprando.

Reúne, em um mesmo grupo, objetos

de uma coleção que mantenham
algum grau de afinidade. É utilizada
Agrupamento uma função para maximizar a
similaridade de objetos do mesmo
grupo e minimizar entre elementos de
outros grupos.

Supervisionados:

Tem como objetivo descobrir uma

função capaz de mapear (classificar)
um item em uma das várias classes
predefinidas. Se conseguirmos obter a
Classificação
função que realiza esse mapeamento,
qualquer nova ocorrência pode ser
também mapeada, sem a necessidade
de conhecimento prévio da sua classe.

É uma técnica para se estimar uma

variável a partir de uma função. A
Regressão linear regressão, normalmente, tem o
objetivo de encontrar um valor que
não foi computado inicialmente.

Tabela: Algoritmos durante a etapa de mineração de dados.

Frederico Tosta de Oliveira

A última etapa do KDD, o pós-processamento, tem como objetivo

transformar os padrões dos dados obtidos na etapa anterior, de forma a
torná-los inteligíveis, tanto ao analista de dados quanto ao especialista
do domínio da aplicação (SOARES, 2007).

Conceitos

Apresentaremos algumas situações de forma a explicar alguns

algoritmos de mineração e como eles podem ser implementados em
Python.

Utilizaremos a biblioteca Pandas para realizar a leitura de dados, a

biblioteca Scikit-Learn para realizar o treinamento e utilização dos
algoritmos de mineração de dados e a biblioteca Matplotlib para gerar a
visualização de resultados.

Algoritmos supervisionados

Supervisionado – regressão linear

Neste exemplo, utilizaremos uma série histórica fictícia de casos de

dengue de uma determinada cidade e, com o auxílio do algoritmo
supervisionado de regressão linear, predizeremos casos futuros.

A série está em uma planilha (arquivo CSV) com duas colunas, ano e
casos (número de casos). Na planilha, temos o número de casos de
2001 a 2017. Utilizaremos essa série histórica e aplicaremos o
algoritmo de regressão linear para estimar os casos de dengue para o
ano de 2018.

A seguir, temos o código do script regressao.py, o arquivo CSV

(dados_dengue.csv) e a saída do console.

Script Regressão.Py
content_copy

Dados_dengue.Csv
content_copy
 Saída Do Script Regressão.Py
content_copy

Após importar os módulos necessários, vamos passar para a primeira

etapa do KDD, o pré-processamento. Neste caso simples, vamos realizar
apenas a coleta e integração que, na prática, é carregar a planilha dentro
do programa.

Para isso, utilizamos a função read_csv da biblioteca Pandas, passando

como parâmetro o nome do arquivo (linha 7).

A classe da biblioteca Scikit-Learn utilizada para

realizar a regressão linear se chama LinearRegression.
Para realizar a regressão, ela precisa dos dados de
treinamento (parâmetro X) e seus respectivos
resultados (parâmetro y).

No nosso exemplo, como desejamos estimar o número de casos,

utilizaremos os anos como dado de treinamento e o número de casos
como resultado. Ou seja, teremos os anos no parâmetro X e os casos no
parâmetro y.
Como estamos usando apenas uma variável para o parâmetro X, o ano,
temos uma regressão linear simples e o resultado esperado é uma reta,
onde temos os anos no eixo x e os casos no eixo y.

Após carregar o arquivo, vamos separar os dados das colunas nas

respectivas variáveis. Observe a sintaxe para obter os anos (linha 9) e
casos (linha 10). O Pandas detecta, automaticamente, o nome das
colunas e permite extrair os elementos das colunas utilizando o nome.

Atenção!

O próximo passo é criar o objeto do tipo LinearRegression e atribuí-lo a

uma variável (linha 13). Esse objeto será utilizado para treinar (ajustar) a
equação da reta que será gerada pela regressão. Para realizar o
treinamento (fit), precisamos passar os parâmetros X e y (linha 14).

Após a execução do método fit, o objeto regr está pronto para ser
utilizado para predizer os casos para os anos futuros, utilizando o
método predict (linha 17).

Ao chamar o método predict passando o ano 2018 como argumento,

recebemos como retorno o número de casos previsto para 2018,
conforme impresso no console da figura Saída do script regressão.py
(330).

A partir da linha 21, temos a etapa de pós-processamento, na qual

utilizamos a biblioteca Matplotlib para exibir um gráfico com os dados
da série (pontos em preto), a reta obtida pela regressão, em azul, e o
valor predito para o ano de 2018, em vermelho, como na imagem a
seguir:

Gráfico da série dos casos de dengue.

Supervisionado ‒ classificação

Os algoritmos de classificação são do tipo supervisionado, nos quais

passamos um conjunto de características sobre um determinado item
de uma classe de forma que o algoritmo consiga compreender,
utilizando apenas as características, qual a classe de um item não
mapeado.

Para este exemplo, utilizaremos um conjunto de dados (dataset) criado

em 1938 e utilizado até hoje: o dataset da Flor de Íris (Iris Dataset). Ele
contém informações de cinquenta amostras de três diferentes classes
de Flor de Íris (Iris setosa, Iris virginica e Iris versicolor).

No total, são quatro características para cada amostra,

sendo elas o comprimento e a largura, em centímetros,
das sépalas e pétalas de rosas.

Por ser um dataset muito utilizado e pequeno, o Scikit-Learn já o

disponibiliza internamente.

Vamos treinar dois algoritmos de classificação, árvore de decisão e

máquina de vetor suporte (support vector machine – SVM) para montar
dois classificadores de flores de Íris. A forma como são implementados
esses algoritmos está fora do escopo deste módulo.

Confira o script a seguir, classificação.py, em que utilizamos esses dois

algoritmos:

Script Classificacao.Py
content_copy

Saída Do Script Classificacao.Py

content_copy

Veja a seguir cada etapa do pré-processamento:

account_tree Na etapa de pré-processamento, vamos começar

pela coleta e integração, que é a obtenção do
dataset de flores utilizando a função load_iris()
(linha 9). Essa função retorna um objeto onde
podemos acessar as características das flores pelo
atributo data e os rótulos, ou classes das flores,
pelo atributo target.
 account_tree Na linha 11, separamos as características das
flores na variável características. Ela contém uma
lista com 150 itens, onde cada item contém outra
lista com quatro elementos. Observe o conteúdo
dos dois primeiros itens dessa lista no
console.Cada um dos quatro elementos
corresponde ao comprimento da sépala, largura da
sépala, comprimento da pétala e largura da pétala,
respectivamente.

account_tree Na linha 12, separamos os rótulos (ou classes) na

variável rótulo. Ela contém uma lista com 150 itens
que variam entre 0, 1 ou 2. Cada número
corresponde a uma classe de flor (0: Iris-Setosa;
1:Iris-Versicolor; 2:Iris-Virginica). Como dito na
introdução deste módulo, esse mapeamento entre
categorias e números se chama codificação
categórico-numérica. Essa etapa de pré-
processamento já foi realizada e disponibilizada
pela função load_iris().

account_tree Outra etapa de pré-processamento que

precisaremos realizar é a partição dos dados. Ela
nos permitirá verificar a qualidade do algoritmo de
classificação. Para isso, precisamos particionar
nossos dados em treino e teste.

Os dados de treino são, como o próprio nome diz, utilizados para treinar
(ajustar) o algoritmo, enquanto os dados de testes são utilizados para
verificar a acurácia dele, comparando o valor calculado para os testes
com os valores reais.

Dica
Para separar as amostras em treino e teste, o Scikit-Learn disponibiliza
uma função chamada train_test_split, que recebe como primeiro
parâmetro uma lista com as características e segundo parâmetro uma
lista com os rótulos.

Essa função retorna quatro novas listas:

De treino;
De teste das características;
De treino;
De teste dos rótulos.
Observe a linha 19, onde utilizamos essa função para gerar quatro novas
variáveis: características para treino (carac_treino); características para
teste (carac_teste); rótulos para treino (rot_treino); e rótulos para teste
(rot_teste).

Com a etapa de pré-processamento concluída, o próximo passo é treinar

um algoritmo de classificação com os dados de treino. Para isso,
criamos uma instância do classificador DecisionTree passando como
parâmetro a profundidade máxima da árvore, ou seja, o número máximo
de níveis, ou camadas, a partir do nó raiz, que a árvore encontrada
poderá ter (linha 24).

Veremos como a árvore ficou ao término do script.

Esse objeto será utilizado para treinar (ajustar) a árvore
de decisão. Para realizar o treinamento (fit),
precisamos passar os parâmetros X e y, que conterão
as características de treino e rótulos de treino
respectivamente (linha 25).

Após treinado o algoritmo, vamos utilizar o método predict do objeto

árvore, passando como argumento as características para teste. Como
resultado, receberemos uma lista com os rótulos preditos (linha 27).

Esse resultado será utilizado como parâmetro para a função

accuracy_score, que calcula a acurácia do classificador, comparando os
resultados preditos com os resultados reais (linha 28).

Analogamente, faremos o treinamento de um algoritmo

de classificação utilizando o SVM, por meio da classe
SVC (support vector classification) em que utilizaremos
os valores padrão do construtor para o classificador
(linhas 30 a 34).

No pós-processamento, vamos imprimir a acurácia de cada

classificador (linhas 37 e 38) e uma representação textual da árvore,
utilizando a função export_text (linha 41).

Observe que a acurácia do classificador SVC foi ligeiramente melhor que

da árvore de decisão, 0,97 contra 0,92 da árvore.

Uma representação gráfica da árvore de decisão gerada pode ser vista

na seguinte imagem:

Representação da árvore de decisão com profundidade 2.

Alterando a profundidade da árvore para 3 e executando novamente o

programa, encontramos uma acurácia de 0,97 e a seguinte árvore é
exibida na imagem a seguir:

Representação da árvore de decisão com profundidade 3.

Durante o treinamento de algoritmos, devemos experimentar diferentes

parâmetros, a fim de encontrar o melhor resultado.
Algoritmos não supervisionados

Não supervisionado ‒ agrupamento

Exemplos de algoritmo de agrupamento são k-means (k-medias) e

mean-shift.

O objetivo de um algoritmo de agrupamento é reunir

objetos de uma coleção que mantenham algum grau
de afinidade. É utilizada uma função para maximizar a
similaridade de objetos do mesmo grupo e minimizar
entre elementos de outros grupos.

No próximo exemplo (script agrupamento.py), utilizaremos o algoritmo

k-medias para gerar grupos a partir do dataset de Flor de Íris. Porém,
como o agrupamento é um algoritmo não supervisionado, não
utilizaremos os rótulos para treiná-lo. O algoritmo vai automaticamente
separar as amostras em grupos, que serão visualizados em um gráfico.

Na etapa de pré-processamento, começaremos pela coleta e integração

que é a obtenção do dataset de flores utilizando a função load_iris()
(linha 8).

Na linha 10, separamos as características das flores na variável

características. Lembrando que as características das flores são:
comprimento da sépala (índice 0), largura da sépala (índice 1),
comprimento da pétala (índice 2) e largura da pétala (índice 3).

Na etapa de mineração de dados, treinaremos o

algoritmo de agrupamento K-medias com as
características das flores. Para isso, criamos uma
instância da classe KMeans passando como parâmetro
o número de grupos (ou classes) que desejamos que o
algoritmo identifique (n_clusters) (linha 13).

Passamos o número 3, pois sabemos que são 3 classes de flor, mas

poderíamos alterar esse valor. O objeto grupos criado será utilizado para
treinar (ajustar) o algoritmo. Para realizar o treinamento (fit), precisamos
passar apenas parâmetros X, que conterão as características das flores
(linha 14).

Após o treino, podemos utilizar o atributo labels_ do objeto grupos para

retornar uma lista com o índice do grupo ao qual cada amostra
pertence. Como o número de grupos (n_clusters) é 3, o índice varia
entre: 0, 1 e 2. Veja o código a seguir:

Script Agrupamento.Py
content_copy
A partir da linha 18, temos a etapa de pós-processamento, em que
utilizamos a biblioteca Matplotlib para exibir dois gráficos, onde objetos
do mesmo grupo apresentam a mesma cor.

Observe os gráficos a seguir. O gráfico A contém os resultados do

agrupamento e o gráfico B contém os resultados reais da amostra:

Gráfico: Resultado do agrupamento e Resultados reais da amostra.

video_library
Aplicando Python para o tratamento
de dados
Neste vídeo, abordaremos o treinamento supervisionado.

video_library
Exercícios de aplicação do Python
para o tratamento de dados
Falta pouco para atingir seus objetivos.

Vamos praticar alguns conceitos?

Questão 1

De acordo com o processo de descoberta de conhecimento em

base de dados (KDD) e analisando as assertivas a seguir, quais
atividades podem fazer parte da etapa de pré-processamento?

I. Coleta e Integração.
II. Codificação.
III. Construção de atributos.
IV. Visualização dos dados.

Agora, assinale a alternativa correta:

A I e II

B I, II e III

C I, III e IV

D II, III e IV

E I, II e IV

Parabéns! A alternativa B está correta.

Todas fazem parte do pré-processamento, exceto a visualização,

que faz parte do pós-processamento.

Questão 2

Em algumas situações, precisamos transformar um atributo ou

característica de uma amostra de categoria para um número. Qual o
nome dessa atividade?

A Coleta e integração
 B Codificação

C Construção de atributos

D Partição dos dados

E Limpeza dos dados

Parabéns! A alternativa B está correta.

A codificação categórico-numérica transforma string em números.

Considerações finais
Como visto neste tema, a linguagem funcional pode resolver alguns
problemas relacionados à execução do programa, chamados de efeitos
colaterais.

Mesmo que não utilizemos todas as diretrizes da programação

funcional, como imutabilidade dos dados, é uma boa prática utilizarmos
funções puras, de forma a evitar a dependência do estado da aplicação
e alteração de variáveis fora do escopo da função.

Em Python, podemos criar tanto programas concorrentes quanto

paralelos. Apesar do GIL (Global Interpreter Lock) permitir executar
apenas uma thread de cada vez por processo, podemos criar múltiplos
processos em uma mesma aplicação.

Com isso, conseguimos tanto gerar códigos concorrentes (múltiplas

threads), quanto paralelos (múltiplos processos).

Apesar do Python não ser a primeira escolha para desenvolvimento

Web, mostramos como é simples a utilização do framework Flask para
essa finalidade. Assim como o Flask, outros frameworks mais
completos, como Django, facilitam o desenvolvimento desse tipo de
aplicação. Sites como Instagram e Pinterest utilizam a combinação
Python+Django, mostrando que essa combinação é altamente escalável!

A utilização do Python como ferramenta para Ciência de Dados evolui a

cada dia. As principais bibliotecas para análise e extração de
conhecimento de base de dados, mineração de dados e aprendizado de
máquinas têm uma implementação em Python.
Apesar de não ter sido mostrado neste tema, o console do Python é
muito utilizado para realizar experimentações nesta área.

headset
Podcast
Ouça este podcast sobre os principais assuntos abordados no tema.

Explore +
Acesse a documentação oficial do Python sobre as funções e os
operadores que se integram bem ao paradigma de programação
funcional, para aprender mais sobre o assunto.

Pesquise no site da Jinja2 e conheça mais detalhadamente as

funcionalidades da linguagem de modelos (templates) para Python.

Referências
CONCORRENTE. Dicionário On-line de Português –2009-2020.
Consultado na Internet em: 25 mar. 2022.

FAYYAD, U. M.; PIATETSKY-SHAPIRO, G.; SMYTH, P.; UTHURUSAMY, R.

(Eds.). From data mining to knowledge discovery in databases. AI
Magazine, v. 17, n. 3, p. 37-54, 1996.

FLASK. Web development, one drop at a time. 2010.

HAND, D.; MANNILA, H.; SMYTH, P. Principles of data mining.

Massachusetts: MIT Press, 1991.

HUNT, J. A beginners guide to Python 3 programming. Basileia: Springer,

2019.

MATPLOTLIB. Visualization with Python. John Hunter, Darren Dale, Eric

Firing, Michael Droettboom and the Matplotlib development team, 2012-
2020.

PANDAS. Sponsored project of NumFOCUS. 2015.

PYTHON. Python Software Foundation. Copyright 2001-2020.

SCIKIT-LEARN. Machine Learning in Python. 2007.

W3TECHS. Web Technology Surveys. 2009-2020.

Material para download

Clique no botão abaixo para fazer o download do
conteúdo completo em formato PDF.

Download material

O que você achou do conteúdo?

Relatar problema