Problemática: Esta base de dados é referente a carros usados na ‘Índia’. Através dos dados existentes, quais informações relevantes poderíamos obter sobre esses carros usados do país em questão?
Python - Base de dados
=> id: Número único por linha para representar cada observação;
=> nome: Nome do carro usado
=> localizacao: Cidade de localização do carro na Índia
=> ano: Ano de fabricação do carro
=> quilometros_percorridos: Quilômetros percorridos pelo carro em km
=> tipo_de_combustivel: Tipo de combustível utilizado pelo carro
=> transmissao: Transmissão do carro
=> tipo_proprietario: Quantos donos o carro já possuiu
=> quilometragem_por_litro: Quantos km o carro faz com 1 lt
=> motor: Quantidade de cilindradas do motor
=> potencia: Potência do motor em bhp
=> assentos: Quantidade de assentos do carro
=> novo_preco: Variável que possui um preço do carro em LAKh
=> preco: Variável que possui preco do carro também em LAKh
Obs.: 1 Lakh, chamado de um laque, é uma unidade do sistema de numeração indiana. Um laque indiano equivale a 100.000 (cem mil) rupias indianas. E 1 rupia equivale a 0,06 centavos. Assim, 1 Lakh = 6.415,62 reais.
Python - Importação das Bibliotecas
O primeiro passo nesse caso é importar bibliotecas necessárias para análise:
# -----------------# Bibliotecas necessarias para Analise dos Dadosimport pandas as pdimport numpy as npimport scipy as sp# -----------------# Bibliotecas Gráficasimport matplotlib.pyplot as pltimport seaborn as sns# -----------------import plotly.express as px# -----------------
# -----------------# Quantis mais colunas# -----------------dados[["quilometros_percorridos","preco"]].quantile([0,0.25,0.5,0.75,1]) #Pandas# -----------------
quilometros_percorridos
preco
0.00
171.0
0.44
0.25
34000.0
3.50
0.50
53416.0
5.64
0.75
73000.0
9.95
1.00
6500000.0
160.00
OBS.: Para não ficar sempre mostrando mais de uma solução, vamos focar no Pandas e seguir com ela até o fim desse minicurso.
Python - Medidas de dispersão
Calculando variância das variáveis
# -----------------dados.var(numeric_only=True) # O padrão é False# -----------------
ano 1.059125e+01
quilometros_percorridos 7.128040e+09
assentos 6.587914e-01
preco 1.251695e+02
dtype: float64
OBS.: Ele considera os tipos de dados numéricos e calcula as métricas como int, float.
Python - Medidas de dispersão
Calculando covariância entre as variáveis
# -----------------dados.cov(numeric_only=True) # O padrão é False# -----------------
ano
quilometros_percorridos
assentos
preco
ano
10.591255
-5.161682e+04
0.021573
11.169366
quilometros_percorridos
-51616.822165
7.128040e+09
6201.221577
-11735.383472
assentos
0.021573
6.201222e+03
0.658791
0.473281
preco
11.169366
-1.173538e+04
0.473281
125.169489
OBS.: Ele considera os tipos de dados numéricos e calcula as métricas como int, float.
Python - Medidas de dispersão
Calculando correlação entre as variáveis
# -----------------# Quantis mais colunas# -----------------dados.corr(numeric_only=True) # O padrão é False e correlação de Pearson# -----------------
ano
quilometros_percorridos
assentos
preco
ano
1.000000
-0.187859
0.008216
0.305327
quilometros_percorridos
-0.187859
1.000000
0.090221
-0.011493
assentos
0.008216
0.090221
1.000000
0.052225
preco
0.305327
-0.011493
0.052225
1.000000
OBS.: Ele considera os tipos de dados numéricos e calcula as métricas como int, float.
Python - Variáveis Qualitativas
Calculando frequências quando as variáveis são categóricas
nome
Mahindra XUV500 W8 2WD 55
Maruti Swift VDI 49
Maruti Swift Dzire VDI 42
Honda City 1.5 S MT 39
Maruti Swift VDI BSIV 37
..
Chevrolet Beat LT Option 1
Skoda Rapid 1.6 MPI AT Elegance Plus 1
Ford EcoSport 1.5 TDCi Ambiente 1
Hyundai i10 Magna 1.1 iTech SE 1
Hyundai Elite i20 Magna Plus 1
Name: count, Length: 2041, dtype: int64
Python - Variáveis Qualitativas
Calculando frequências quando as variáveis são categóricas
# ---------------------# Teste de Qui-Quadradofrom scipy.stats import chisquarefrom scipy.stats import chi2_contingency# Aplicando Teste Qui-Quadrado na Tabela. c, p, dof, expected = chi2_contingency(tabela_cruzada)print(p)# ---------------------
0.34358871263824625
Python - Variáveis Qualitativas
Criando tabelas cruzadas entre as variáveis
# ---------------------# Teste de Qui-Quadrado com Transmissao e Localizaçãotabela_cruzada = pd.crosstab(dados['transmissao'], dados['localizacao']) # ---c, p, dof, expected = chi2_contingency(tabela_cruzada)print(p)# ---------------------
1.3894902634085349e-55
# ---------------------# Tabela Cruzada para Transmissao e Localizaçãotabela_cruzada# --------
localizacao
Ahmedabad
Bangalore
Chennai
Coimbatore
Delhi
Hyderabad
Jaipur
Kochi
Kolkata
Mumbai
Pune
transmissao
Automatic
72
179
136
303
204
232
62
245
88
359
169
Manual
203
261
455
469
456
644
437
527
566
590
596
Python - Criação de variáveis
# -----------------# Criação da variável 'Car_Age'como uma novas variávelfrom datetime import date# ---print("O ano atual é: "+str(date.today().year) )# --dados['idade_carro'] = date.today().year - dados['ano']# --dados[["nome", "preco", "ano", "idade_carro"]]# -----------------
O ano atual é: 2026
nome
preco
ano
idade_carro
0
Maruti Wagon R LXI CNG
1.75
2010
16
1
Hyundai Creta 1.6 CRDi SX Option
12.50
2015
11
2
Honda Jazz V
4.50
2011
15
3
Maruti Ertiga VDI
6.00
2012
14
4
Audi A4 New 2.0 TDI Multitronic
17.74
2013
13
...
...
...
...
...
7248
Volkswagen Vento Diesel Trendline
NaN
2011
15
7249
Volkswagen Polo GT TSI
NaN
2015
11
7250
Nissan Micra Diesel XV
NaN
2012
14
7251
Volkswagen Polo GT TSI
NaN
2013
13
7252
Mercedes-Benz E-Class 2009-2013 E 220 CDI Avan...
NaN
2014
12
7253 rows × 4 columns
Python - Criação de variáveis
# -----------------# Criação da variável 'Marca' do carro# str.split: quebra as strings# str.get(0): pega todas as posições 0 de cada lista criada da linhadados['marca'] = dados.nome.str.split().str.get(0)# --dados[['nome','marca']].head()# -----------------
nome
marca
0
Maruti Wagon R LXI CNG
Maruti
1
Hyundai Creta 1.6 CRDi SX Option
Hyundai
2
Honda Jazz V
Honda
3
Maruti Ertiga VDI
Maruti
4
Audi A4 New 2.0 TDI Multitronic
Audi
OBS.: Para retornar data.frames com duas ou mais colunas selecionadas, é necessário utilizar dois pares de [], ou seja, df[[colname(s)]]. O primeiro par retorna uma série, enquanto os colchetes duplos retornam um dataframe.
Python - Verificando variáveis
Antes dos gráficos, vamos verificar quais variáveis são numéricas e quais são categóricas
# -----------------fig, axes = plt.subplots(3, 2, figsize = (18, 18))fig.suptitle('Gráficos de Barras para todas as variáveis categóricas da base de dados')sns.countplot(ax = axes[0, 0], x ='tipo_de_combustivel', data = dados, color ='blue', order = dados['tipo_de_combustivel'].value_counts().index);sns.countplot(ax = axes[0, 1], x ='transmissao', data = dados, color ='blue', order = dados['transmissao'].value_counts().index);sns.countplot(ax = axes[1, 0], x ='tipo_proprietario', data = dados, color ='blue', order = dados['tipo_proprietario'].value_counts().index);sns.countplot(ax = axes[1, 1], x ='localizacao', data = dados, color ='blue', order = dados['localizacao'].value_counts().index);sns.countplot(ax = axes[2, 0], x ='marca', data = dados, color ='blue', order = dados['marca'].head(20).value_counts().index);sns.countplot(ax = axes[2, 1], x ='ano', data = dados, color ='blue', order = dados['ano'].head(20).value_counts().index);axes[1][1].tick_params(labelrotation=45);axes[2][0].tick_params(labelrotation=90);axes[2][1].tick_params(labelrotation=90);# -----------------
Gráficos de Barras entre duas variáveis categóricas e uma numérica
# -------------------# Criando uma Tabela para geração do gráfico distinta por categoriasdfp = dados.pivot_table(index='ano', columns='transmissao', values='preco', aggfunc='mean')# -------------------dfp.head(10)# -----------
transmissao
Automatic
Manual
ano
1998
3.900000
0.610000
1999
NaN
0.835000
2000
NaN
1.175000
2001
NaN
1.543750
2002
NaN
1.294000
2003
11.305000
1.258000
2004
3.931667
1.463600
2005
4.467778
1.569167
2006
10.853636
2.124925
2007
6.825000
2.514286
Python - Gráficos
Gráficos de Barras entre duas variáveis categóricas e uma numérica
dfp.plot.barh(fontsize=10, rot =0) \ .set_title("Transmissao Vs Preço", fontsize=18)
O que podemos concluir de forma breve até esse momento com o estudo:
Existem uma frequência maior de carros manuais;
Os carros de transmissão automáticos são mais caros que os carros manuais;
Existe uma correlação fraca/moderada negativa, entre o ano dos carros e os preços, ou seja, quanto maior a idade do carro, mais barato ele é.
Existe uma correlação fraca entre idade do carro e quilometragem percorrida, ou seja, quanto mais antigo for o carro, mais quilometragem provavelmente percorreu.
.png)
