análise

Análise Exploratória de Dados (EDA)

Porisabellabeatriz1603@gmail.com

A Análise Exploratória de Dados (EDA) é um processo inicial de investigação dos dados que busca compreender sua estrutura, identificar padrões, detectar anomalias e formular hipóteses. Esse processo utiliza tanto métodos estatísticos quanto visualizações para fornecer insights que guiam a análise posterior.

LISTA DE EXERCÍCIOS

ACESSE A BASE DE DADOS PARA AS QUESTÕES AQUI

QUESTÃO 1- Qual é a média das vendas semanais de todas as lojas presentes na nossa base de dados?

Neste exercício, você vai calcular a média das vendas semanais (coluna Weekly_Sales) por loja (coluna Store) e exibir o resultado em forma de gráfico interativo.

PASSOS:

  1. Selecione as colunas de interesse: Store e Weekly_Sales.
  2. Agrupe os dados por loja utilizando groupby() e calcule a média das vendas semanais para cada loja.
  3. Crie um gráfico de barras interativo com o Plotly que mostre as médias calculadas.

DICAS:

  • Utilize df.groupby('Store')['Weekly_Sales'].mean() para calcular a média.
  • Utilize px.bar() da biblioteca Plotly para criar o gráfico.
análise
				
					import pandas as pd
import plotly.express as px

# Função para importar os dados
def importar_dados():
    file_path = 'Walmart_Sales.csv'
    df = pd.read_csv(file_path)
    return df

# Função para calcular a média das vendas semanais por loja e plotar o gráfico
def calcular_media_vendas_loja(df):
    # Agrupar os dados e calcular a média
    media_vendas = df.groupby('Store')['Weekly_Sales'].mean().reset_index()

    # Criar o gráfico de barras interativo
    fig = px.bar(media_vendas, x='Store', y='Weekly_Sales', title='Média das Vendas Semanais por Loja',
                 labels={'Store': 'Loja', 'Weekly_Sales': 'Média das Vendas (US$)'}, color='Weekly_Sales')
    fig.show()

# Função principal
def main():
    df = importar_dados()
    calcular_media_vendas_loja(df)

# Executar
if __name__ == "__main__":
    main()

QUESTÃO 2- Desvio Padrão das Vendas Semanais por Loja

Neste exercício, você vai calcular o desvio padrão das vendas semanais (Weekly_Sales) para cada loja (Store) e exibir o resultado em forma de gráfico interativo.

PASSOS:

  1. Selecione as colunas de interesse: Store e Weekly_Sales.
  2. Agrupe os dados por loja utilizando groupby() e calcule o desvio padrão das vendas semanais.
  3. Prepare os dados para o gráfico interativo, transformando os valores calculados em um DataFrame.
  4. Crie um gráfico de barras interativo com o Plotly.

DICAS:

  • Utilize df.groupby('Store')['Weekly_Sales'].std() para calcular o desvio padrão.
  • Converta o resultado em um DataFrame para facilitar a manipulação.
  • Utilize px.bar() para criar o gráfico.
				
					import pandas as pd
import plotly.express as px

# Função para importar os dados
def importar_dados():
    file_path = 'Walmart_Sales.csv'
    df = pd.read_csv(file_path)
    return df

# Função para calcular o desvio padrão das vendas semanais por loja e plotar o gráfico
def calcular_desvio_padrao_vendas_loja(df):
    # Agrupar os dados e calcular o desvio padrão
    desvio_vendas = df.groupby('Store')['Weekly_Sales'].std().reset_index()
    desvio_vendas.columns = ['Store', 'Desvio_Padrao']

    # Exibir os dados calculados
    print("Desvio padrão das vendas semanais por loja:")
    print(desvio_vendas)

    # Criar o gráfico de barras interativo
    fig = px.bar(desvio_vendas, x='Store', y='Desvio_Padrao',
                 title='Desvio Padrão das Vendas Semanais por Loja',
                 labels={'Store': 'Loja', 'Desvio_Padrao': 'Desvio Padrão (US$)'},
                 color='Desvio_Padrao', color_continuous_scale='Viridis')
    fig.update_layout(xaxis=dict(tickmode='linear'))  # Garantir que todas as lojas apareçam no gráfico
    fig.show()

# Função principal
def main():
    df = importar_dados()
    calcular_desvio_padrao_vendas_loja(df)

# Executar
if __name__ == "__main__":
    main()

QUESTÃO 3- Qual é a soma total das vendas semanais por loja? Como podemos visualizar esse total de maneira ordenada?

PASSOS:

  1. Carregue a base de dados.
  2. Agrupe os dados pela coluna Store utilizando groupby().
  3. Calcule a soma das vendas semanais por loja.
  4. Ordene o resultado para facilitar a visualização.

DICAS:

  • Utilize df.groupby('Store')['Weekly_Sales'].sum() para agrupar e somar as vendas.
  • Utilize sort_values() para ordenar os resultados de forma decrescente.
				
					import pandas as pd

# Função para importar os dados
def importar_dados():
    file_path = 'Walmart_Sales.csv'
    df = pd.read_csv(file_path)
    return df

# Função para calcular a soma das vendas semanais por loja
def somar_vendas_por_loja(df):
    # Agrupar os dados por loja e calcular a soma das vendas
    soma_vendas = df.groupby('Store')['Weekly_Sales'].sum().reset_index()

    # Ordenar as vendas de forma decrescente
    soma_vendas = soma_vendas.sort_values(by='Weekly_Sales', ascending=False)

    print("Soma total das vendas semanais por loja:")
    print(soma_vendas)

# Função principal
def main():
    df = importar_dados()
    somar_vendas_por_loja(df)

# Execução da função main
if __name__ == "__main__":
    main()

QUESTÃO 4- Qual é a mediana das vendas semanais (Weekly_Sales) para cada loja (Store)? Como podemos visualizar essa mediana de forma clara e comparativa entre as lojas?

PASSOS:

  1. Carregue a base de dados.
  2. Agrupe os dados por loja utilizando groupby().
  3. Calcule a mediana das vendas semanais para cada loja.
  4. Exiba os resultados de maneira ordenada e clara.

DICAS:

  • Utilize df.groupby('Store')['Weekly_Sales'].median() para calcular a mediana.
  • Ordene os valores para facilitar a comparação.
				
					import pandas as pd

# Função para importar os dados
def importar_dados():
    file_path = 'Walmart_Sales.csv'
    df = pd.read_csv(file_path)
    return df

# Função para calcular a mediana das vendas semanais por loja
def calcular_mediana_vendas_por_loja(df):
    # Agrupar os dados por loja e calcular a mediana
    mediana_vendas = df.groupby('Store')['Weekly_Sales'].median().reset_index()

    # Ordenar os resultados pela mediana
    mediana_vendas = mediana_vendas.sort_values(by='Weekly_Sales', ascending=False)

    print("Mediana das vendas semanais por loja:")
    print(mediana_vendas)

# Função principal
def main():
    df = importar_dados()
    calcular_mediana_vendas_por_loja(df)

# Execução da função main
if __name__ == "__main__":
    main()

QUESTÃO 5- Quantas vezes cada preço de combustível aparece na base de dados e qual o percentual de cada preço em relação ao total de entradas?

PASSOS:

  1. Carregue a base de dados.
  2. Utilize o método value_counts() para contar o número de ocorrências de cada valor na coluna Fuel_Price.
  3. Calcule o percentual de cada preço em relação ao total de entradas utilizando a opção normalize=True do value_counts().
  4. Exiba os resultados de forma clara e use um gráfico para mostrar a distribuição percentual de preços.

DICAS:

  • Utilize df['Fuel_Price'].value_counts(normalize=True) para contar as ocorrências e calcular os percentuais.
  • O gráfico de barras pode ser útil para visualizar os percentuais de cada preço de combustível.
análise
				
					import pandas as pd
import plotly.express as px

# Função para importar os dados
def importar_dados():
    file_path = 'Walmart_Sales.csv'
    df = pd.read_csv(file_path)
    return df

# Função para contar valores únicos e calcular percentuais
def contar_valores_unicos(df):
    # Contagem de valores únicos e percentuais
    contagem_combustivel = df['Fuel_Price'].value_counts(normalize=True).reset_index()
    contagem_combustivel.columns = ['Fuel_Price', 'Percentual']
    
    # Ordenar por percentual
    contagem_combustivel = contagem_combustivel.sort_values(by='Percentual', ascending=False)
    
    # Exibir o resultado
    print("Contagem de preços de combustível e seus percentuais:")
    print(contagem_combustivel)

    # Criar gráfico com Plotly
    fig = px.bar(contagem_combustivel, x='Fuel_Price', y='Percentual',
                 title="Percentual de Preços de Combustível",
                 labels={'Fuel_Price': 'Preço do Combustível', 'Percentual': 'Percentual (%)'},
                 color='Fuel_Price',
                 color_continuous_scale='Viridis')
    fig.show()

# Função principal
def main():
    df = importar_dados()
    contar_valores_unicos(df)

# Execução da função main
if __name__ == "__main__":
    main()

QUESTÃO 6- Quais são os valores únicos presentes na coluna 'Store' e quantas lojas diferentes existem na base de dados?

PASSOS:

  1. Carregue a base de dados.
  2. Utilize o método unique() para obter os valores únicos da coluna Store.
  3. Calcule o número de lojas distintas presentes na coluna Store.
  4. Exiba os resultados de forma clara e utilize um gráfico para ilustrar a distribuição dos valores únicos.

DICAS:

  • Utilize df['Store'].unique() para obter os valores únicos na coluna Store.
  • Utilize len(df['Store'].unique()) para contar o número de lojas únicas.
  • O gráfico de barras pode ser útil para mostrar a quantidade de lojas distintas.
análise
				
					import pandas as pd
import plotly.express as px

# Função para importar os dados
def importar_dados():
    file_path = 'Walmart_Sales.csv'
    df = pd.read_csv(file_path)
    return df

# Função para visualizar valores únicos em uma coluna
def visualizar_valores_unicos(df):
    # Obter valores únicos e contar o número de lojas únicas
    lojas_unicas = df['Store'].unique()
    num_lojas = len(lojas_unicas)

    # Exibir os resultados
    print(f"Valores únicos na coluna 'Store': {lojas_unicas}")
    print(f"Número de lojas únicas: {num_lojas}")

    # Criar gráfico com Plotly
    lojas_contagem = df['Store'].value_counts().reset_index()
    lojas_contagem.columns = ['Store', 'Count']
    
    fig = px.bar(lojas_contagem, x='Store', y='Count',
                 title="Distribuição de Lojas na Base de Dados",
                 labels={'Store': 'Número da Loja', 'Count': 'Contagem'},
                 color='Store',
                 color_continuous_scale='Viridis')
    fig.show()

# Função principal
def main():
    df = importar_dados()
    visualizar_valores_unicos(df)

# Execução da função main
if __name__ == "__main__":
    main()

QUESTÃO 7- Quais são as vendas semanais das lojas com um preço de combustível acima de $3?

PASSOS:

  1. Carregue a base de dados.
  2. Utilize o método query() para filtrar as lojas onde o preço do combustível é maior que $3.
  3. Exiba as vendas semanais dessas lojas filtradas.
  4. Crie um gráfico para visualizar as vendas semanais das lojas que atendem a essa condição.

DICAS:

  • Utilize df.query('Fuel_Price > 3') para filtrar as lojas com preço de combustível maior que $3.
  • Um gráfico de barras pode ser útil para visualizar as vendas semanais dessas lojas.
análise
				
					import pandas as pd
import plotly.express as px

# Função para importar os dados
def importar_dados():
    file_path = 'Walmart_Sales.csv'
    df = pd.read_csv(file_path)
    return df

# Função para filtrar dados e exibir vendas semanais
def filtrar_dados(df):
    # Filtrar lojas com preço de combustível maior que $3
    filtro = df.query('Fuel_Price > 3')
    
    # Exibir as vendas semanais das lojas filtradas
    print("Vendas semanais das lojas com preço de combustível acima de $3:")
    print(filtro[['Store', 'Weekly_Sales', 'Fuel_Price']])

    # Criar gráfico com Plotly para visualizar as vendas semanais
    fig = px.bar(filtro, x='Store', y='Weekly_Sales',
                 title="Vendas Semanais das Lojas com Preço de Combustível Acima de $3",
                 labels={'Store': 'Número da Loja', 'Weekly_Sales': 'Vendas Semanais ($)'},
                 color='Store',
                 color_continuous_scale='Viridis')
    fig.show()

# Função principal
def main():
    df = importar_dados()
    filtrar_dados(df)

# Execução da função main
if __name__ == "__main__":
    main()

Caso o Python ainda não esteja instalado em seu dispositivo, clique no botão abaixo para realizar a instalação.

INSTALE O PYTHON AQUI

Posts Similares

biblioteca

Lista com as principais bibliotecas Python

Porisabellabeatriz1603@gmail.com

Bibliotecas em linguagens de programação são coleções de códigos pré-escritos que facilitam o desenvolvimento de software. Elas fornecem funções, classes e métodos que você pode usar para realizar tarefas comuns sem precisar escrever o código do zero. BIBLIOTECAS PADRÃO Python vem com uma ampla variedade de bibliotecas padrão que são incluídas automaticamente quando você instala…

python

AULA 7 – DICIONÁRIOS EM PYTHON E ARGUMENTOS

Porisabellabeatriz1603@gmail.com

Card Exemplo LISTA DE EXERCÍCIOS #1 Clique no botão abaixo e inicie agora os exercícios de “Listas” CLIQUE AQUI Card Exemplo LISTA DE EXERCÍCIOS #2 Clique no botão abaixo e inicie agora os exercícios de “Manipulando sets no Python” CLIQUE AQUI Card Exemplo ARTIGO #1 Clique no botão abaixo e inicie agora os exercícios de…

python

AULA 1 – PANDAS

Porisabellabeatriz1603@gmail.com

Card Exemplo LISTA DE EXERCÍCIOS #1 Clique no botão abaixo e inicie agora os exercícios de “An’álise de dados com Pandas” CLIQUE AQUI Card Exemplo DESAFIO #1 Clique no botão abaixo e inicie agora o desafio de “Imóveis” CLIQUE AQUI CURSO PYTHON Este curso completo foi desenvolvido para levar você de iniciante absoluto a um…

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *