Projectos Practicum/TripleTen

Projectos criados durante o curso de analise de dados no bootcamp Practicum/TripleTen

🛠 Ferramentas Utilizadas

👨‍💻 Autor

• @ Gerson Barroso

🚀 Sobre mim

. . .

🔗 Links

🎓 Aprendizados

Durante o desenvolvimento destes projetos de análise de dados em Python, diversos aprendizados foram adquiridos, tanto em termos técnicos quanto metodológicos. Alguns dos principais incluem:

• Manipulação Eficiente de Dados: Aprimoramento no uso do Pandas para filtrar, transformar e agregar dados de forma otimizada, reduzindo o tempo de processamento.
• Visualização e Comunicação de Insights: Melhor entendimento sobre como escolher os gráficos adequados e como tornar as visualizações mais impactantes usando Matplotlib e Seaborn.
• Tratamento de Dados Reais: Experiência na limpeza e preparação de dados do mundo real, lidando com valores ausentes, dados inconsistentes e outliers.
• Análise Estatística e Exploratória: Aplicação de conceitos estatísticos para compreender distribuições, correlações e tendências nos dados.
• Automação e Reprodutibilidade: Criação de scripts reutilizáveis para tornar o processo de análise mais eficiente e replicável em diferentes cenários.
• Melhores Práticas em Programação: Organização do código, uso de funções modulares e documentação clara para facilitar a manutenção e escalabilidade dos projetos.
• Esses aprendizados contribuíram para um entendimento mais profundo sobre análise de dados e boas práticas de desenvolvimento, tornando cada projeto mais eficiente e estruturado.

✍️ Melhorias

Ao longo do desenvolvimento dos projetos, foram aplicadas diversas melhorias para otimizar a análise e visualização dos dados. Algumas das principais melhorias incluem:

• Eficiência no Processamento de Dados: Uso otimizado do Pandas para manipulação eficiente de grandes conjuntos de dados, incluindo melhorias no desempenho ao carregar e processar arquivos CSV e Excel.
• Visualizações Aprimoradas: Implementação de gráficos mais informativos e personalizados com Matplotlib e Seaborn, utilizando cores, anotações e layouts mais claros para facilitar a interpretação dos insights.
• Automatização de Processos: Scripts refinados para automação de tarefas repetitivas, como limpeza de dados e geração de relatórios, reduzindo o tempo de análise.
• Integração de Novas Bibliotecas: Uso de bibliotecas adicionais para enriquecer as análises, como SciPy para estatísticas avançadas e Plotly para visualizações interativas.
• Melhoria na Qualidade dos Dados: Implementação de técnicas avançadas de tratamento de dados ausentes e outliers para garantir análises mais precisas.
• Essas melhorias aumentaram a eficiência e a precisão das análises, tornando os projetos mais robustos e fáceis de interpretar.

Screenshots

💻 Executar os projectos

1️⃣ Instalar o python 3.9.6 e Bibliotecas Necessárias

• Antes de iniciar, certifique-se de que possui o Python instalado. Caso ainda não tenha, baixe e instale a versão mais recente em python.org.

• Em seguida, instale o Jupyter Notebook e as bibliotecas utilizadas nos projetos executando os seguintes comandos no terminal ou prompt de comando:

pip install jupyter==1.1.1
pip install numpy==1.24.2
pip install pandas==1.5.2
pip install seaborn==0.12.2
pip install plotly==5.15.0

2️⃣ Executar o Jupyter Notebook

jupyter notebook

3️⃣ Abrir e Executar os Notebooks

• Navegue até a pasta onde os notebooks do projeto estão salvos.
• Clique no arquivo desejado (.ipynb) para abri-lo.
• Para executar as células de código, pressione Shift + Enter ou clique no botão ▶️ "Run".

4️⃣ Fechar o Jupyter Notebook

• Após finalizar a análise, para encerrar o Jupyter Notebook, pressione Ctrl + C no terminal e confirme a interrupção pressionando Y.