top of page

Tipos de variáveis

  • Foto do escritor: Amanda Nascimento
    Amanda Nascimento
  • 23 de fev.
  • 1 min de leitura


Variáveis em programação são usadas para armazenamento, em data science, as variáveis podem ser classificadas em diferentes tipos com base nos dados.



Variáveis em programação



As variáveis são estruturas de dados que armazenam informações e podem ter diferentes tipos dependendo da linguagem de programação.

Alguns tipos comuns são:


  • Inteiro (Integer): Armazena números inteiros, como 1, 42, -5.

  • Ponto flutuante (Float): Armazena números decimais, como 3.14, -0.99.

  • Cadeia de caracteres (String): Armazena sequências de caracteres, como "olá", "data science".

  • Booleano (Boolean): Armazena valores lógicos, como True ou False.

  • Listas/Arrays: Armazenam uma coleção de elementos, podendo ser de diferentes tipos.

  • Objetos: Estruturas mais complexas que podem armazenar dados e métodos associados a esses dados.



Variáveis em Data Science



  1. Variáveis Categóricas:


    • Nominais: Não têm uma ordem ou hierarquia. Exemplos: sexo (masculino/feminino), cor (azul, vermelho, etc.).

    • Ordinais: Possuem uma ordem ou hierarquia. Exemplos: educação (ensino médio, graduação, pós-graduação), classificação de estrelas (1 estrela, 2 estrelas, etc.).


  2. Variáveis Numéricas (Quantitativas):


    • Discretas: São contáveis e assumem valores inteiros. Exemplos: número de filhos, número de visitas a um site.

    • Contínuas: Podem assumir um número infinito de valores dentro de um intervalo. Exemplos: altura, peso, temperatura.


  3. Variáveis Temporais:

    • Referem-se a dados que têm um componente de tempo. Exemplos: data de nascimento, hora de início de um evento, datas de transações.


  4. Variáveis Textuais:

    • Dados em formato de texto, como descrições, opiniões ou qualquer outro conteúdo não estruturado.

      Quando você lida com variáveis que representam textos (como comentários, resenhas, ou mensagens), a stemização pode ser aplicada a essas variáveis para reduzir a complexidade e a variabilidade das palavras, tornando a análise de dados mais eficaz.

© 2017-2025  Criado e desenvolvido por Amanda Nascimento

  • Discord
  • GitHub
  • youtube
  • LinkedIn Amanda
bottom of page