Neste exercício, iremos explorar a evolução de código em sistemas reais.

Iremos utilizar a ferramenta GitEvo. Essa ferramenta analisa a evolução de código em repositórios Git nas linguagens Python, JavaScript, TypeScript e Java, e gera relatórios HTML como este.

Mais exemplos de relatórios podem ser podem ser encontrados em https://github.com/andrehora/gitevo-examples.

Selecione um repositório relevante na linguagem de sua preferência (Python, JavaScript, TypeScript ou Java). Você pode encontrar projetos interessantes nos links abaixo:

• Python: https://github.com/topics/python?l=python
• JavaScript: https://github.com/topics/javascript?l=javascript
• TypeScript: https://github.com/topics/typescript?l=typescript
• Java: https://github.com/topics/java?l=java

Instale a ferramenta GitEvo com o comando:

$ pip install gitevo

Execute a ferramenta no repositório selecionado utilizando o comando abaixo (ajuste conforme a linguagem do repositório). Substitua <git_url> pela URL do repositório que será analisado:

# Python
$ gitevo -r python <git_url>

# JavaScript
$ gitevo -r javascript <git_url>

# TypeScript
$ gitevo -r typescript <git_url>

# Java
$ gitevo -r java <git_url>

Por exemplo, para analisar o projeto Flask escrito em Python:

$ gitevo -r python https://github.com/pallets/flask

Após executar a ferramenta GitEvo, é gerado um relatório HTML contendo diversos gráficos sobre a evolução do código.

Abra o relatório HTML e observe com atenção os gráficos.

Selecione um dos gráficos de evolução e explique-o com suas palavras. Por exemplo, você pode:

• Detalhar a evolução ao longo do tempo
• Detalhar se as curvas estão de acordo com boas práticas
• Explicar grandes alterações nas curvas
• Explorar a documentação do repositório em busca de explicações para grandes alterações
• etc.

Seja criativo!

1. Crie um fork deste repositório (mais informações sobre forks aqui).
2. Adicione o relatório HTML no seu fork.
3. No Moodle, submeta apenas a URL do seu fork.

Responda às questões abaixo diretamente neste arquivo README.md do seu fork:

Repositório selecionado: <URL_DO_REPOSITORIO_SELECIONADO_AQUI> Gráfico selecionado: <IMAGEM_DO_GRAFICO_SELECIONADO_AQUI> Explicação: <EXPLICACAO_AQUI>

1. Repositório selecionado: https://github.com/TheAlgorithms/Python
2. Gráfico selecionado: http://127.0.0.1:5500/exploring-code-evolution/report_Python.html#production-and-test-files
3. Explicação: No gráfico Production and test files, é possível perceber a quantidade de "arquivos de produção" (isto é, os arquivos com os algoritmos) em comparação com os arquivos de teste em python. Na imagem, nota-se que enquanto o número do primeiro tipo de arquivo cresceu consistentemente ao longo dos anos, a quantidade do segundo permaneceu praticamente a mesma. Para efeitos de comparação, em 2020 havia 487 arquivos de produção e 7, de teste. Já em 2025, há 1.320 arquivos do primeiro tipo e 22 do segundo. Evidentemente, isso representa uma má prática de programação, pois uma cobertura baixa de testes expõe o programa à vulnerabilidades e bugs não percebidos, além de impactar negativamente a sua manutenibilidade a longo prazo. A fim de mudar esse cenário, seria necessário que a quantidade de arquivos de teste crescesse juntamente com o repositório para melhorar, assim, a métrica de cobertura de testes dos programas.