DEV Community: Suami Medeiros

vem ver isso aqui rapidin

Suami Medeiros — Mon, 23 Mar 2026 19:30:14 +0000

Fran Borges

Mar 23

Engenharia de Prompt: Por Que a Forma Como Você Pergunta Muda Tudo(Um guia introdutório)

#ai #productivity #beginners #braziliandevs

Comments 2

7 min read

Análise de correspondência, o que é e como fazer com Python, usando Naruto como exemplo

Suami Medeiros — Mon, 02 Feb 2026 21:21:21 +0000

Dentro desse artigo vamos explorar diferentes técnicas para análise de dados categóricos, para entender de forma lúdica vamos vestir nossas bandanas e nos transportar para o mundo de Naruto (que eu particularmente gosto muito). Vamos seguir a seguinte linha de raciocínio: Imagine que você seja um sensei na vila de konoha acompanhando seus alunos no exame chunin e deseja saber qual o estilo de luta que é mais popular entre os shinobis de cada aldeia para traçar estratégias junto com os mesmos. Vamos lá?

Indíce

O inicio de tudo - Análise de correspondência
Definindo nosso cenário básico - Importando bibliotecas
Carregando nossos dados para análise
Visualizando-os com uma tabela de contingência
Calculando os perfis de linha e coluna - Qual é o estilo da aldeia?
- Visualizando o perfil de linha de maneira estruturada
Teste QUI-Quadrado - Isso é uma coincidência ou não?
Resíduos padronizados - Quem está fora do esperado?
Decomposição SVD - Reduzindo o mundo em duas dimensões
Mapa de Correspondência (Biplot) - O mapa final do mundo do Naruto
Interpretação final
Biblioteca Prince - Otimizando o tempo
Conclusão

O inicio de tudo - Análise de correspondência

Para isso vamos conhecer nossas armas: A análise de correspondência simples é uma técnica estatística multivariada utilizada para explorar e visualizar relações entre as variáveis categóricas em tabelas de contingência. Para compreender melhor esse conceito é bom entender uma categoria como um conceito que representa grupos não numéricos, ou seja, se você estiver agrupando coisas que são diferentes de grupos numéricos então você está usando categorias.

Dentro do nosso cenário, vamos imaginar que recebemos o relatório com os resultados feito pelos pesquisadores da aldeia e vamos começar a analisar esses dados:

Definindo nosso cenário básico - Importando bibliotecas

Nesse primeiro momento vamos garantir que todas as nossas bibliotecas estão importadas e vamos configurar o estilo do nosso gráfico afim de garantir um aspecto mais visivelmente agradável.

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from scipy.stats import chi2.contigency

sns.set_style('whitegrid')
plt.rcParams.udate((
  'font.family': 'sans-serif',
  'font.size': 11,
  'axes.titlesize': 15,
  'axes.titleweight': 'bold',
  'axes.labelsize': 12
))

Carregando nossos dados para análise

Nessa parte da análise vamos carregar o relatório que nos foi enviado para que possamos visualizar melhor em gráficos e ter uma noção melhor de quais são as aldeias¹ comparados com os tipos de estilo de luta².

¹: Nesse relatório as aldeias são apresentadas como linhas na tabela
²: Nesse relatório os estilos de luta são apresentados como colunas na tabela

dados = pd.read_csv('tabela_contigencia_naruto.csv', index_col=0)

Agora que carregamos nosso relatório, vamos visualizar os dados de forma básica para termos uma ideia geral do cenário:

print('Forma da tabela', dados.shape)
data

Visualizando-os com uma tabela de contingência

Aqui temos mais uma de nossas armas: A tabela de contingência nos ajuda a cruzar duas categorias relacionadas — que no nosso caso são aldeias e estilos de luta —

Utilizaremos um heatmap (mapa de calor) para visualizar os dados brutos de uma forma mais intuitiva. Nele podemos visualizar através de tons, onde quanto mais escuro mais shinobis existem naquela combinação.

plt.figure(figsize=(10,6))
sns.heatmap(
    dados, 
    annot=True, 
    fmt='d', 
    cmap='TlordRd', 
    linewidth=0.5, 
    linecolor='#cccccc', 
    cbar_kws={'label': 'Quantidade de Shinobis'})
plt.title('Tabela de Contingência - Dados Brutos') 
plt.xlabel('Estilo de Luta')
plt.ylabel('Aldeia')
plt.tight_layout()
plt.show()

Calculando os perfis de linha e coluna - Qual é o estilo da aldeia?

Agora que podemos visualizar nosso dado de formas diferentes vamos começar a nos perguntar o que esse dado precisa nos dizer como pode ser visto abaixo:

Olhar para o perfil de linha é como perguntar: "De todos os shinobis da vila de Konoha, qual a porcentagem de cada estilo?", ou seja, nós dividismo cada valor pela soma da linha, essa informação nos aproxima do que seria o perfil de combate geral em cada aldeia.
Já olhar para o perfil de coluna nos diz justamente o contrário: "De todos os que preferem Taijutsu, quantos são de cada aldeia?", ou seja, olhamos para o perfil de um estilo específico visto por cada aldeia.

Para calcular o perfil de linha vamos realizar o calculo dos dados:

row_profile = dados.div(dados.sum(axis=1), axis=0)
print('Perfil de linha (proporção por aldeia)')
print(row_profile.round(3))
print('\nSoma por linha (deve ser 1.0):', row_profile.sum(axis=1).values)

Já para o perfil de coluna faremos o contrário como foi explicado:

col_profile = dados.div(dados.sum(axis=0), axis=1)
print('Perfil de coluna (proporção por estilo)')
print(col_profile.round(3))
print('\nSoma por coluna (deve ser 1.0):', col_profile.sum(axis=0).values)

Visualizando o perfil de linha de maneira estruturada

Perfeito! Agora que entendemos o conceito e conseguimos visualizar nossos numeros brutos dos perfis, vamos visualiza-los em um gráfico:

CORES_ALDEIAS = {
'Konoha': '#F25C54',
'Suna': '#F2A83A',
'Kiri': '#3AA3F2',
'Ame': '#8E5CF2'
}

fig, ax = plt.subplots(figsize=(10,6))
x = np.arange(len(dados.colums))
width = 0.2

for idx, aldeia in enumerate(dados.index):
    ax.bar(x + idx * width, row_profile.loc[aldeia] * 100,
        width, label=aldeia, color=CORES_ALDEIAS[aldeia],
        edgecolor='white', linewidth=0.8)
    ax.set_title('Perfil de Linha - "Perfil de combate" de cada aldeia')
    ax.set_xlabel('Estilo de luta')
    ax.set_ylabel('Proporção (%)')
    ax.set_xticks(x + width * 1.5)
    ax.set_ylim(0, 42)
    ax.yaxis.set_major_formatter(plt.FuncFormatter(lambda v, _: f'{v:.0f}%'))
    plt.tight_layout()
    plt.show()

Teste QUI-Quadrado - Isso é uma coincidência ou não?

Um dos aspectos mais importantes em uma análise de dados é questionar nossa base com carater investigativo, dentro do nosso cenário devemos nos perguntar se há mesmo uma relação entre aldeias e estilos de luta ou se estamos atribuindo causalidade³ para dados correlacionados⁴.

³: Causalidade refere-se a uma relação de causa e efeito entre duas informações, onde o efeito de uma influencia diretamente o efeito da segunda.
⁴: Já a correlação mostra uma associação entre duas informações, mas não implica causalidade.

Para nos auxiliar nessa investigação vamos utilizar mais uma de nossas armas ninjas: O teste qui-quadrado, ele nos ajuda a fazer exatamente essa verificação onde se o p-valor for menor que 0,05 podemos dizer então que não há coincidência e que existe uma associação real entre as informações analisadas.

p < 0,05 - Existe associação significativa (não é coincidência)
p > 0,05 - Não há evidência suficiente de associação

Para informações mais detalhadas sobre o assunto, [leia o artigo](https://docs-scipy-org.translate.goog/doc/scipy-1.17.0/reference/generated/scipy.stats.chisquare.html?_x_tr_sl=en&_x_tr_tl=pt&_x_tr_hl=pt&_x_tr_pto=tc](https://docs-scipy-org.translate.goog/doc/scipy-1.17.0/reference/generated/scipy.stats.chisquare.html?_x_tr_sl=en&_x_tr_tl=pt&_x_tr_hl=pt&_x_tr_pto=tc )

chi2, p_value, dof, expected = chi2_contingency(dados)

print('Teste Qui-Quadrado')
print(f'Chi-Quadrado : {chi2:.4f}')
print(f'P-valor      : {p_value:.4f}')
print(f'Graus de lib.: {dof}')
print()

if p_value < 0.05:
    print('Resultado: p < 0,05 - Existe associação')
else:
    print('Resultado: p > 0,05 - Não existe associação')

print('Frequência Esperada (Se não houvesse associação)')
expected_df = pd.DataFrame(expected, index=dados.index, columns=dados.columns)
print(expected_df.round(2))

Resíduos padronizados - Quem está fora do esperado?

Após nossa análise investigativa temos a certeza que estamos no caminho certo! Sem a associação entre a aldeia e o estilo, as propoções seriam quase iguais em todos os lugares.

Para continuar nossa análise devemos questionar novamente nossa base de dados e entender quem está fora do esperado. Para isso vamos conhecer mais uma de nossas armas ninjas: Os resíduos padronizados nos proporcionam uma medição dessa diferença: O que vemos de fato x O que veríamos se tudo fosse igual ou parecido.

Afim de calcular essa informação seguimos a formula de resíduo onde resíduo = (observado - esperado) / esperado (raiz quadrada de esperado).

n = dados.sum().sum()
row_sums = dados.sum(axis=1)
col_sums = dados.sum(axis=0)

residuals = pd.DataFrame(index=dados.index), columns=dados.columns, dtype=float)

for i in dados.index:
    for j in dados.columns:
        expected_ij = (row_sums[i] * col_sums[j]) / n
        residuals.loc[i, j] = dados.loc[i, j] - expected_ij) / np.sqrt(expected_ij)

print('Resíduos Padronizados)
print(residuals.round(3))

Agora com nossos números brutos definidos, podemos visualiza-los em gráfico onde:

Valor positivo (azul): Mais do que o esperado, associação forte.
Valor negativo (vermelho): Menos do que o esperado. Fórmula: resíduo = (observado - esperado) / esperado(raiz quadrada de esperado)

plt.figure(figsize=(10,6))
sns.heatmap(residuals, annot=True, fmt='.2f', cmap='RdBu_r', center=0,
linewidths=0.5, linecolor='#cccccc',
cbar_ks={'label': 'Resíduo Padronizado'},
annot_kws={'size': 16, 'weight': 'bold'},
vmin=-1.8, vmax=1.8)
plt.title('Resíduos Padronizados\nAzul= Acima do esperado | Vermelho = Abaixo do esperado')
plt.xlabel('Estilo de Luta')
plt.ylabel('Aldeia')
plt.tight_layout()
plt.show()

Decomposição SVD - Reduzindo o mundo em duas dimensões

Vamos imaginar o mapa do mundo de naruto:

Podemos observar nossa amostra com mil aldeias e mil estilos de luta. Dentro desse cenário é impossível de visualizar, concorda? Para isso a decomposição SVD ajuda a pegar todas essa informação e comprimi-la em duas dimensões, como se você fosse um cartógrafo e decidisse criar um mapa mais simplificado que ainda captura informações importantes.

Não perde tudo, só os detalhes menos relevantes. É como usar o sharingan: você foca no que importa.

Em termos mais técnicos: A SVD (Singular Value Decomposition) é o coração matemático da CA (Correspondency Analysis). Para ela temos algumas etapas necessárias afim de aplica-la efetivamente:

1. Normalizar a matriz
2. Calcular a matriz
3. Aplicar SVD para obter as coordenadas

Primeiro vamos normalizá-la:

P = dados.values / n
print('Matriz de Proporções (P)')
print(pd.DataFrame(P, index=dados.index, columns=dados.columns).round(3))
print(f'Soma total (deveser 1.0): {P.sum():.1f}')

Em seguida calculamos a matriz Z e massas:

row_mass = P.sum(axis=1) # massa das linhas
col_mass = P.sum(axis=0) # massa das colunas

print ('Massa das linhas (aldeias):')
for aldeia, massa in zip(dados.index, row_mass):
    print(f'{aldeia}: {massa:.3f}')

print ('Massa das colunas (estilos):')
for estilo, massa in zip(dados.colums, col_mass):
print(f' {estilo}: {massa:.3f}')

# Matriz Z (resíduos padronizados pela massa)
Z = (P - np.outer(row_mass, col_mass)) / np.sqrt(np.outer(row_mass, col_mass))

print('Matriz Z (entrada SVD)')
print(pd.DataFrame(Z, index=dados.index, columns=dados.columns).round(4))

E por fim aplicamos a SVD de fato:

U,s, Vt = np.linalg.svd(Z, full_matrices=False)

print('Valores Singulares (s)')
for i, val in enumetate (s):
    print(f' s[{i}] = {val:.4f}')

# Coordenadas nas duas primeiras dimensões
row_coords = U[:, :2] * s[:2]
col_coords = Vt.T[:, :2] * s[:2]

# Inércia explicada por dimensão
inertia = s**2
explained_var = inertia / inertia.sum() * 100

print('Inércia explicada por dimensão')
for i, var in enumerate(explained_var):
    print(f' Dimensão {i+1}: {var:.2f}%')
print(f'\n Acumulada (Dim 1 + 2): {explained_var[0] + explained_var[1]:.2f}%')

print('Coordenadas das aldeias')
    coords_aldeias = pd.DataFrame(row_coords, index=dados.columns, columns=['Dim ', 'Dim 2'])
print(coords_aldeias.round(4))

print('Coordenadas dos estilos')
coords_estilos = pd.DataFrame(col_coords, index=dados.columns, columns=['Dim 1', 'Dim 2'])
print(coords_estilos.round(4))

Mapa de Correspondência (Biplot) - O mapa final do mundo do Naruto

Finalmente nos aproximamos ao final de nossa análise afim de podermos traçar as melhores estratégias para nossos queridos alunos!

Pontos próximos = relação forte.

Se Konoha e Taijutsu estão do mesmo lado do mapa, significa que a Konoha é conhecida por Taijutsu. Faz sentido, né? Rock Lee, Guy-Sensei, todos são de Konoha e são mestres de Taijutsu.

Pontos longe = relação fraca.

Se Kiri fica do outro lado, significa que os shinobis de Kiri não são tão voltados para Taijutsu.

A origem do mapa (centro) é o ponto neutro, sem associação forte com nada.

# maior residuo padronizado positivo

associacoes = {}
for aldeia in dados.index:
    estilo_mais_forte = residuals.loc[aldeia].idxmax()
    associacoes[aldeia] = estilo_mais_forte

CORES_ESTILOS = {}
for aldeia, estilo in associacoes.items():
    CORES_ESTILOS[estilo] = CORES_ALDEIAS[aldeia]
for estilo in dados.columns:
    if estilo in dados.columns:
        CORES_ESTILOS[estilo] = '#999999'

print(' Associações por resíduo mais forte: ')
for aldeia, estilo in associacoes.items():
    print(f' {aldeia} - {estilo} (resíduo: {residuals.loc[aldeia, estilo]:.2f})')

fig, ax = plt.subplots(figsize=(10,8))

# Linhas de referência
ax.axhline(0, color='#aaaaaa', linewidth=0.8, linestyle='--')
ax.axvline(0, color='#aaaaaa', linewidth=0.8, linestyle='--')

# Linhas conectando ao centro
for i in range(len(dados.index)):
    ax.plot([0, row_coords[i, 0]], [0, row_coords[i,1]],
        color=CORES_ALDEIAS[dados.columns[i]], linewidth=1.5, alpha=0.4)

# Aldeias (círculos)
for i, aldeia in enumerate(dados.index):
    ax.scatter(row_coords[i,0], row_coords[i,1],
        s=100, c= CORES_ALDEIAS[aldeia], edgecolors='black',
        linewidth=1.5, zorder=5)
    ax.annotate(aldeia, (row_coords[i,0], row_coords[i,1]),
        textcoords='offset points', xytext=(12,9),
        fontsize=13, fontweight='bold', color=CORES_ALDEIAS[aldeia])

# Estilos (quadrados)
for i, estilo in enumerate(dados.columns):
    ax.scatter(row_coords[i,0], row_coords[i,1],
        s=100, c=CORES_ALDEIAS[aldeia], edgecolors='black',
        linewidth=1.5, zorder=5)
    ax.annotate(aldeia,(row_coords[i,0], row_coords[i,1]),
        textcoords='offset points', xytext=(12,9),
        fontsize=13, fontweight='bold', color=CORES_ALDEIAS[aldeia])


# Legenda das associações
legend_handles = []
for aldeia, estilo in associacoes.items():
    legend_handles.append(
        plt.Line2D([0], [0], marker='o), color='w',
        markerfacecolor=CORES_ALDEIAS[aldeia], markersize=12,
        label=f'{aldeia} ● {estilo}', linestyle='None')
        )
legend_handles.append(

plt.Line2D([0], [0], marker='o', color='w', markerfacecolor='#cccccc',

markersize=10, label='● = Aldeia', linestyle='None')

)

legend_handles.append(

plt.Line2D([0], [0], marker='s', color='w', markerfacecolor='#cccccc',

markersize=10, label='■ = Estilo', linestyle='None')

)

ax.legend(handles=legend_handles, loc='lower right', fontsize=10,

framealpha=0.95, title='Associações', title_fontsize=11)

ax.set_title('Mapa de Correspondência (Biplot)\nCores iguais = aldeia e estilo mais associados')

ax.set_xlabel(f'Dimensão 1 ({explained_var[0]:.1f}% da inércia)')

ax.set_ylabel(f'Dimensão 2 ({explained_var[1]:.1f}% da inércia)')

ax.set_title('Mapa de Correspondência (Biplot)\nCores iguais = aldeia e estilo mais associados')

ax.set_xlabel(f'Dimensão 1 ({explained_var[0]:.1f}% da inércia)')

ax.set_ylabel(f'Dimensão 2 ({explained_var[1]:.1f}% da inércia)')

Interpretação final

No final do mapa, você veria Konoha bem perto de Taijutsu ( Rock Lee e Guy), Kiri perto de Senjutsu (por exemplo), e assim por diante.
Cada cluster conta uma história sobre quem se parece com quem no mundo dos shinobis.
É basicamente isso. A Análise de Correspondência é um mapa que mostra quais categorias se parecem entre si, sem precisar olhar para uma tabela cheia de números!

Biblioteca Prince - Otimizando o tempo

Durante toda a análise, calculamos manualmente cada etapa: a matriz de proporções, as massas, a matriz Z, a decomposição SVD e as coordenadas.

Isso foi muito importante para entender o que acontece por baixo dos panos, como se você fosse um Sensei explicando cada movimento de uma técnica de luta aos seus Genins.

Mas imagina que agora você precisa executar a técnica o mais rápido possível para uma missão (Ou, talvez... A vila esteja sendo atacada e precisam saber com quem podem contar de cada Aldeia). É exatamente isso que a biblioteca PRINCE oferece, ela encapsula toda essa matemática em poucas linhas de código, assim como o Naruto não precisa pensar em cada passo do Rasenshuriken depois que já dominou a técnica.

O Prince entrega tudo pronto: coordenadas das aldeias, coordenadas dos estilos, inércia explicada e contribuições de cada ponto. É a diferença entre um genin aprendendo Taijutsu passo a passo e um jounin executando a técnica em um segundo.

A única desvantagem que percebo é que, assim como usar um jutsu poderoso sem entender sua origem, você perde a visibilidade do que acontece internamente. Por isso, entender a implementação manual primeiro é fundamental antes de partir para algo mais avançado como o Prince.

Conclusão

Obrigada por ler até aqui! :)

Fontes:

Para ter acesso a todo código da análise sinta-se a vontade para se basear no repósitorio: https://github.com/surocham/ca_naruto

Agradecimento especial para @cherryramatis que me ajudou revisando este artigo. 💗💗💗

Minha Jornada na Área de Dados: Um Guia Para Quem Está Começando

Suami Medeiros — Fri, 30 Jan 2026 23:08:56 +0000

Hoje recebi uma mensagem no LinkedIn da Mari perguntando como foi meu início na área de dados. A resposta honesta? Ainda estou descobrindo.

Mas o fato de alguém me perguntar isso já mostra que estou no caminho certo. Fico feliz que meus posts do desafio #100DiasDeCodigo estejam alcançando pessoas que, assim como eu, buscam uma oportunidade em dados.

Mesmo sem saber tudo, mas muito motivada e determinada, decidi criar este guia para quem se sente perdido nessa área.

Por Que Este Guia É Diferente?

Existem milhares de conteúdos excelentes sobre transição de carreira para dados. Mas ao encontrar minhas publicações, talvez você tenha curiosidade de saber exatamente como eu fiz e estou fazendo: com os erros, acertos e a bagunça organizada que é aprender enquanto se constrói uma carreira.

Meu Contexto (Aviso: Não Faça Isso em Casa)

Estou fazendo muitas coisas simultaneamente e não recomendo isso para ninguém:

Pós-graduação na FIAP
Ativa em comunidades de dados: DataTalks da Laura, AI Girls, Indicium, ComuniDados, Data Creators e He4rt Devs
Mãe solo conciliando rotina doméstica, estudos e busca por vagas

Não é fácil, mas encontrei pessoas incríveis que me ajudam demais! Agradecimento especial ao @ Ricardo e @ Cherry.

A Decisão Que Mudou Tudo

Quando decidi entrar em dados, não sabia por onde começar. Pensei: "Quero muito isso e vou fazer acontecer, mesmo sem saber exatamente como".

Tive medo. Ainda me sinto insegura sobre muitas coisas. Mas já faz um tempo que comecei e não me arrependo. Cada dia aprendo algo novo e descubro múltiplas formas de resolver um mesmo problema.

Minha evolução: não sabia nem fazer cálculo no Excel, hoje crio planilhas limpas e organizadas. Posso dizer que estou orgulhosa de mim!

Ferramentas que descobri: RStudio, Google Colab (Jupyter), Databricks, Qlik, AWS, Docker, Azure, Fabric

5 Passos Para Não Se Perder

Saiba o que você quer agora - clareza no objetivo de curto prazo
Anote seu objetivo final - visualize seu destino
Organize metas cronologicamente - dê check quando alcançá-las
Compartilhe com o máximo de pessoas - isso evita desistência e promove seu trabalho
Contribua com a comunidade - ajude quem está começando

Meu Caminho: De Dev para Dados

Como desenvolvedora, já tinha feito bootcamp de Python pela Embraer. Pesquisei: "Qual a melhor forma de entrar na área de dados hoje?"

A resposta: Análise de Dados.

Em eventos de tecnologia em Belém, conversei com @ Gustavo Ramos e a Artemisia (referências em dados) que confirmaram: essa é a porta de entrada.

Hard Skills Essenciais

Power BI
Excel
Python
SQL

Soft Skills: O Diferencial

É sobre negócios. Tenho consumido conteúdo do Sasaki e aprendido como as empresas realmente esperam que analistas de dados entreguem: resultados na mesa.

Meu Plano de Estudos

Dos quatro itens essenciais, eu só tinha Python. Precisei correr atrás do resto.

Excel

Playlist do Boson Treinamentos no YouTube

Power BI

Evento com Karine Lago (referência em Power BI) - criei meu primeiro dashboard
Evento da Hashtag Treinamentos
Curso "Power BI para Business Intelligence" da Data Science Academy (gratuito, +70 horas) - questionei o tempo todo se aquele conteúdo gratuito era real!
Bootcamp de Análise de Dados pela DIO
Bootcamp focado em Azure e Fabric

Certificações Conquistadas (Gratuitas!)

Databricks Fundamentals
IBM Data Fundamentals
Curso de Docker pelo LinuxTips
Curso de AWS pelo ChamaAsMina do LinuxTips

Próximas Certificações na Mira

PI-900
AWS Practitioner
Google Cloud
Badges e certificações Databricks

(Alô, alguém me patrocina? 😅)

Outras Ferramentas

Tableau
Looker Studio

A Jornada Continua: sobre Comunidade

Nesse meio tempo, migrei para Linux Arch e explorei os repositórios 4Noobs da He4rt.

Como uma coisa leva à outra, vi o guia de Arch Linux e também o de Obsidian. Aí lembrei que a Cherry escreveu um artigo incrível no DEV sobre como compartilhar conhecimento com o mundo.

Obrigada a comunidade He4rt que me acolheu desde 2022, sempre tirei muitas duvidas, sempre participei dos eventos (quando dava) e a troca real, valeu demais pelos toques.

O Segredo? Não Existe Segredo

Uma série de coisas me trouxe até aqui. De pouquinho em pouquinho, vou chegando mais perto dos meus objetivos, tentando não surtar nem desistir.

A verdade é que a jornada não é linear. É cheia de desvios, descobertas e conexões inesperadas. E está tudo bem.

Obrigada por chegar até aqui! Se você também está nessa jornada, vamos trocar experiências nos comentários?

#AreaDeDados #AnaliseDeDados #100DiasDeCodigo #TransiçãoDeCarreira #DevCommunity

My first time participating in Hacktoberfest 2024

Suami Medeiros — Sun, 13 Oct 2024 13:46:19 +0000

This is a submission for the 2024 Hacktoberfest Writing challenge: Maintainer Experience

This was my first time participating in this event, and I was really happy because I was able to actively contribute to open-source projects that I really like and follow.

I made a total of five PRs in beginner-level projects since I wasn't very confident in my developer skills. So I started my journey with a really cool project of useful links for learning programming languages. My first PR was rejected because I messed up the commit formatting, hehe. I didn't give up, tried again, and now I'm waiting, hoping it will be approved.

The second PR was for a really cool app made with Flutter and Rust, which is very similar to Notion, called AppFlowy. This PR was a bit challenging for me because I wasn't sure how to contribute. I looked at the issues, evaluated the documentation, and didn't have much success, but I still tried something and submitted the PR. I'm also waiting for that one to be accepted.

The third PR was to add a link to a learning path for C, and the fourth was to update the README of a project idea, which was really nice. Now I'm searching for my last repository to submit a PR and wait.

But I absolutely loved this experience and recommend it to every beginner dev, it's worth gold!