Skip to content

Latest commit

 

History

History
115 lines (78 loc) · 4.16 KB

README.md

File metadata and controls

115 lines (78 loc) · 4.16 KB

Análise de Dados de Transações Comerciais

Visão Geral

Este projeto tem como objetivo realizar uma análise exploratória de dados (EDA) de transações comerciais fictícias. O conjunto de dados contém informações sobre transações, incluindo o número da fatura, código do item, descrição do item, quantidade comprada, data da fatura, preço unitário, ID do cliente, país e preço total.

A análise envolve o tratamento de dados, exploração de padrões e a geração de insights úteis para entender o comportamento de compra dos clientes.

Estrutura do Notebook

1. Importação das Bibliotecas

Inicialmente, são importadas as bibliotecas necessárias para manipulação e análise dos dados.

 import numpy as np
 import pandas as pd
 import matplotlib.pyplot as plt
 import seaborn as sns

2. Carregamento dos Dados

Os dados são carregados de um arquivo CSV utilizando o pandas.

 df = pd.read_csv('Data.csv', delimiter=',')
 df.head()

3. Limpeza dos Dados

Realiza-se a remoção de espaços em branco das colunas e substituição de valores vazios por NaN.

 df.columns = [col.strip() for col in df.columns]
 df = df.applymap(lambda x: x.strip() if isinstance(x, str) else x)
 df = df.applymap(lambda x: np.nan if x == '' else x)

4. Análise Descritiva Inicial

A função describe() é utilizada para obter estatísticas descritivas das colunas numéricas do dataset.

 df.describe()

5. Exploração de Dados e Visualizações

Foi utilizadas bibliotecas como matplotlib e seaborn para gerar gráficos e explorar padrões e tendências dos dados, como a distribuição de compras por cliente, por país, entre outros.

6. Tratamento de Valores Nulos

Identifiquei e tratei valores nulos por meio de técnicas como a substituição por médias ou a exclusão de registros incompletos, conforme apropriado.

7. Análise de Outliers

Detectaei e tratei valores atípicos que poderiam afetar a análise, garantindo uma interpretação mais precisa dos dados.

8. Geração de Novas Features

Criei novas colunas a partir dos dados existentes, como o TotalPrice, calculado pela multiplicação da Quantity pelo UnitPrice.

 df['TotalPrice'] = df['Quantity'] * df['UnitPrice']

9. Conclusão e Insights

A análise resulta em insights sobre o comportamento de compra, como a identificação de clientes mais valiosos, os itens mais comprados, padrões de compra por país, entre outros. Além disso, são feitas recomendações para ações futuras, como melhorar o atendimento aos clientes mais frequentes.

Como Utilizar Este Notebook

1. Requisitos

  • Python 3.x
  • Bibliotecas necessárias:

    • numpy

    • pandas

    • matplotlib

    • seaborn Você pode instalar as dependências necessárias com o seguinte comando:

      pip install numpy pandas matplotlib seaborn

2. Execução

  1. Clone o repositório: 
    git clone https://github.com/Ogarit/Analise_Exploratoria_RFM_Transacoes_Comerciais.git
  2. Navegue até o diretório do projeto: 
    cd Analise_Exploratoria_RFM_Transacoes_Comerciais
  3. Coloque o arquivo de dados Data.csv no mesmo diretório que o notebook.
  4. Abra o Jupyter Notebook e execute todas as células sequencialmente.

3. Modificação

Este notebook é flexível e pode ser modificado para atender a necessidades específicas, como alteração de parâmetros de análise ou adição de novas seções.

Estrutura dos Dados

O conjunto de dados contém as seguintes colunas:

  • InvoiceNo: Número da fatura (identificador único para cada transação).
  • StockCode: Código do item (identificador do produto).
  • Description: Descrição do item.
  • Quantity: Quantidade comprada do item.
  • InvoiceDate: Data da fatura (momento da transação).
  • UnitPrice: Preço unitário do item.
  • CustomerID: ID do cliente que realizou a compra.
  • Country: País onde o cliente está localizado.
  • TotalPrice: Preço total (calculado como Quantity * UnitPrice).