Como criar relatórios com o Python?

Após uma extensa construção de uma análise por meio do Python há sempre o desejo de compartilhar os resultados em formato de relatório. No post de hoje, apresentamos alguns meios de criar esses arquivos em diferentes IDEs da Linguagem.

Google Colab

O Google Colab é uma Interface de uso do Python na nuvem, portanto, é possível utiliza-lo de qualquer máquina e local, sem a necessidade da instalação do Python e de um software para o uso da linguagem.

A questão é que pela característica do Colab de ser utilizado em Nuvem, algumas integrações que possibilitam a exportação de documentos em PDF podem não funcionar.

Entretanto, há uma forma útil de realizar o procedimento, no caso, convertendo diretamente o Notebook (o arquivo .ipynb) para PDF utilizando o seguinte comando:

!sudo apt-get install texlive-xetex texlive-fonts-recommended texlive-plain-generic

Ele permitirá a instalação das ferramentas necessárias para a construção do arquivo PDF. Em seguida, renderizamos o arquivo PDF utilizando o nbconverter no arquivo .ipynb contido nos Arquivos do Colab (é necessário realizar o download do arquivo em .ipynb e fazer o upload do mesmo na aba de Arquivos do Colab), usando o seguinte comando:

!jupyter nbconvert --to pdf /content/arquivo.ipynb

Como resultado, o arquivo PDF irá aparecer na aba de Arquivos do Colab (atualize caso não aparecer).

Jupyter

O Jupyter possui uma função nativa em sua plataforma que permite a exportação do arquivo .ipynb em diversos tipos de formatos.

Entretanto, antes de utiliza-las é necessário a instalação de ferramentas que possibilitam a IDE renderizar os documentos, como é o caso do PDF ou HTML. Para utilizar, use

!pip install -U notebook-as-pdf
!pyppeteer-install

E seguindo o

file ->  Download as -> HTMl(.html)

ou 

file ->  Download as -> PDF via HTML(.pdf) or PDF via pyppeteer(.html)

Quarto - VS Code, Rstudio e Jupyter

Uma forma relativamente nova é utilizando o Software Quarto da empresa Posit (antiga Rstudio) para renderizar arquivos .ipynb direto de aplicações como VS Code, Rstudio e o Jupyter Notebook. É necessário instalar o Quarto por meio do Marketplace do VS Code. Para utilizar com o Rstudio e Jupyter, é necessário instalar o aplicativo por meio de seu site.

Vejamos como realizar o procedimento utilizando o VS Code.

Em View -> Command Pallet escreva "Quarto:", e aparecerá algumas opções:

  • Quarto: New Document (qmd) - o arquivo padrão do Quarto, constituído pelo Markdown com blocos de códigos e o
  • Quarto: New Notebook (ipynb)
  • Quarto: New Presentation

Para renderizar estes documentos é possível tanto pela opção "render" (se estiver disponível), por código no terminal (checar a documentação do Quarto) e também pelo Command Pallet, com as seguintes opções:

  • Quarto: Render PDF
  • Quarto: Render DOCX
  • Quarto: Render HTML
  • Quarto: Render

Ao final, é possível obter o relatório desejado.

______________________________________

Quer saber mais?

Veja nossa trilha de cursos Ciência de Dados para Economia e Finanças.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

Dashboard Financeiro com IA e Shiny Python: Análise de Dados Abertos da CVM

Este artigo apresenta um tutorial completo sobre como construir uma ferramenta de análise financeira de ponta. Utilizando Shiny for Python, demonstramos a automação da coleta de dados das Demonstrações Financeiras Padronizadas (DFP) da CVM e o tratamento dessas informações com Pandas. O ponto alto do projeto é a integração da IA Generativa do Google Gemini, que atua como um assistente de análise, interpretando os dados filtrados pelo usuário e fornecendo insights contábeis e financeiros em tempo real. O resultado é um dashboard dinâmico que democratiza a análise de dados complexos e acelera a tomada de decisão.

Econometria, ML ou IA para previsão da PMS?

Prever a Pesquisa Mensal de Serviços (PMS/IBGE) é um desafio por natureza: trata-se de uma série mensal, sujeita a volatilidade e choques que vão de fatores sazonais a mudanças estruturais no setor. Para enfrentar esse problema, realizamos um exercício de comparação entre três abordagens de modelagem: econometria tradicional (ARIMA), machine learning (XGBoost) e inteligência artificial (TimeGPT).

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.