Pular para conteúdo

Comece em 5 minutos

Três caminhos prontos para baixar e analisar um dataset público real, do zero. Escolha o domínio mais próximo do seu trabalho — todos seguem o mesmo padrão.

Pré-requisitos

  • Python 3.12+
  • uv para gerenciar ambientes (recomendado).
# Cria um projeto novo
uv init quantilica-demo && cd quantilica-demo

Se preferir pip puro, substitua uv add por pip install nos comandos abaixo.

Baixa os metadados completos do IPCA-15 (agregado 1705) e mostra a estrutura: períodos disponíveis, localidades cobertas, variáveis.

uv add "sidra-fetcher @ git+https://github.com/Quantilica/sidra-fetcher.git"

from sidra_fetcher.fetcher import SidraClient

with SidraClient() as client:
    agregado = client.get_agregado(1705)  # IPCA-15

    print(f"Agregado: {agregado.nome}")
    print(f"Periodicidade: {agregado.periodicidade.frequencia}")
    print(f"Períodos disponíveis: {len(agregado.periodos)}")
    print(f"Localidades cobertas: {len(agregado.localidades)}")

    ultimos = agregado.periodos[-5:]
    for p in ultimos:
        print(f"  {p.id}  ({p.data_inicio} → {p.data_fim})")

Saída esperada: nome do agregado, frequência mensal, ~84 períodos, dezenas de localidades, e os últimos 5 períodos com data de início e fim já parseados.

Próximos passos:

Baixa o histórico completo de taxas e preços do Tesouro Direto via API CKAN, lê com Polars e plota a yield curve por tipo de título.

uv add "tesouro-direto-fetcher[analysis] @ git+https://github.com/Quantilica/tesouro-direto-fetcher.git"

import asyncio
from pathlib import Path
from tesouro_direto_fetcher import downloader, reader, plot

dest = Path("./dados")

asyncio.run(
    downloader.download(
        dest_dir=dest,
        dataset_id="taxas-dos-titulos-ofertados-pelo-tesouro-direto",
    )
)

csv = next(dest.glob("taxas-*.csv"))
df = reader.read_prices(csv)

chart = plot.plot_prices(df, bond_type="Tesouro Selic")
chart.save("selic.html")

Saída esperada: CSV baixado em ./dados/, DataFrame com colunas tipadas, e um arquivo selic.html com a curva pronta para abrir no navegador.

Próximos passos:

Baixa os microdados do SIH-RD (Internações Hospitalares) para São Paulo nos últimos 3 anos. Sem dependências externas — datasus-fetcher roda em Python puro e está no PyPI.

uv add datasus-fetcher

datasus-fetcher data \
    --data-dir ./dados \
    sih-rd \
    --start 2022-01 \
    --end 2024-12 \
    --regions sp \
    --threads 4

Saída esperada: dezenas de arquivos .dbc em ./dados/sih-rd/, com retry automático, verificação de integridade e versionamento por data.

Para abrir os .dbc, use o leitor pyreaddbc ou a conversão via quantilica-io.

Próximos passos:

Baixa um intervalo de anos do BDMEP em paralelo, com encoding e cabeçalhos já tratados, e exporta direto em Parquet.

uv add "inmet-fetcher @ git+https://github.com/Quantilica/inmet-fetcher.git"

inmet-fetcher fetch 2020:2024 --data-dir ./dados --workers 4
inmet-fetcher read --data-dir ./dados --uf SP,RJ --output sudeste.parquet

Saída esperada: ZIPs anuais baixados, dados unificados em sudeste.parquet com colunas em snake_case, datetime nativo e valores nulos limpos.

Próximos passos:

O que vem junto, de graça

Toda ferramenta Quantilica entrega o mesmo conjunto de garantias — você não precisa pedir:

  • Retry automático com backoff exponencial em qualquer erro de rede.
  • Proveniência SHA-256 em manifestos .manifest.json ao lado de cada arquivo baixado.
  • Saída tipada em Parquet (via quantilica-io) ou dataclasses Python.
  • Logging estruturado consistente em toda a stack.
  • Idempotência — rodar duas vezes não baixa duas vezes.

Esses comportamentos vêm do pacote de fundação quantilica-core. Você nunca precisa configurar isso à mão.

Próximos passos

  1. Princípios de Design — entenda por que o sistema tem essa forma.
  2. Cookbook — receitas que combinam múltiplos domínios.
  3. Arquitetura — como -fetcher, -sql e -pipelines se conectam.