Bem-vindo ao meu repositório de Análise Exploratória e Tratamento de Dados Temporais! Neste projeto, realizei uma análise aprofundada de dados temporais usando Python, com foco nas bibliotecas Pandas, Statistics e Seaborn. Além da exploração dos dados, também conduzi tratamentos importantes para garantir a qualidade e a utilidade das informações.
O objetivo deste projeto é demonstrar minha capacidade de realizar análises detalhadas de dados temporais, incluindo o tratamento de dados para melhorar a qualidade e a confiabilidade das informações. A análise exploratória e o tratamento de dados são etapas fundamentais na extração de insights valiosos de conjuntos de dados temporais.
Este repositório contém os seguintes arquivos e pastas:
notebooks/: Esta pasta contém o Jupyter Notebook onde conduzi a análise exploratória e o tratamento de dados. Você pode visualizá-lo diretamente no GitHub ou baixá-lo para executá-lo em seu próprio ambiente.
data/: Nesta pasta, você encontrará os dados brutos que utilizei para a análise. Certifique-se de verificar a fonte dos dados e os termos de uso.
resultados/: Aqui, você encontrará gráficos, visualizações e informações adicionais que foram gerados durante a análise, bem como os dados após o tratamento.
Durante a análise, conduzi as seguintes etapas de tratamento de dados:
Limpeza de dados: Removi valores ausentes, duplicados e dados inconsistentes que poderiam afetar a análise. Transformação de dados: Realizei conversões de tipos de dados e criei novas variáveis derivadas para uma análise mais aprofundada. Análise estatística: Utilizei a biblioteca Statistics para calcular métricas descritivas e identificar tendências nos dados. Ferramentas Utilizadas Durante a análise e o tratamento de dados, utilizei as seguintes bibliotecas Python:
Pandas Statistics Seaborn