Análise de empresas Unicórnios.

Analise das maiores startaps de capital fechado do mundo que chegaram a unicórnio, ou seja seu faturamento passou de 1 bilhão.

Requisitos:

Ter o jupyter notebook instalado.
Ter o arquivo Startups in 2021 end.csv na mesma pasta do arquivo Projeto 01 unicórnios.ipynb

Pacotes instalados:

Pandas

pip install pandas

Matplotlib

pip install matplotlib

Seaborn

pip install seaborn

Numpy

pip install numpy

Processo das ferramentas que foram usadas:

Código que importa a tabela em csv e trás para o python.

df = pd.read_csv('Startups in 2021 end.csv')

Código que vê o tamanho total da tabela , suas linhas e colunas.

df.shape

Mostra as primeiras 5 linhas da tabela.

df.head()

Visualiza em forma de lista o nome da cada coluna na tabela.

df.columns

Renomeia as colunas da tabela.

df.rename(columns={
    'Unnamed: 0': 'Id',
    'Company':'Empresa',
    'Valuation ($B)':'Valor ($)',
    'Date Joined':'Data de Adesão',
    'Country':'Pais',
    'City':'Cidade',
    'Industry':'Setor',
    'Select Investors':'Investidores'
    
},inplace=True)

Visualiza o tipo dos dados na tabela e valores nulos.

df.info()

Plota um gráfico de mapa de calor

plt.figure(figsize=(15,6))
plt.title('Analisando Campos Nulos')
sns.heatmap(df.isnull());

Visualiza campos únicos da tabela

df.nunique()

Visualiza campos únicos da tabela na coluna setor.

df['Setor'].unique()

Visualiza os campos unicos da tabela na coluna setor e conta a quantidade de vezes que aparece, com o normalize aparece em formato de porcentagem.

Com essa pequena análise vemos que as fintecs são a maioria nas startaps.

df['Setor'].value_counts(normalize=True)

Plota um gráfico de barras.

plt.figure(figsize=(15,6))
plt.title('Analise dos Setores')
plt.bar(df['Setor'].value_counts().index,df['Setor'].value_counts());
plt.xticks(rotation=45,ha='right');

Criou-se uma variavel onde filtra a coluna país por porcentagem.

analise =round( df['Pais'].value_counts(normalize=True)*100,1)

Plota um gráfico de pizza.

plt.figure(figsize=(15,6))
plt.title('Análise dos Paises Geradores de unicórnios.')
plt.pie(
    analise,
    labels = analise.index,
    shadow=True,
    startangle=90,
    autopct='%1.1f%%');

Plota um gráfico de pizza, só que mostrando os 10 primeiros na lista.

plt.figure(figsize=(15,6))
plt.title('Análise dos Paises Geradores de unicórnios.')
plt.pie(
    analise.head(10),
    labels = analise.index[0:10],
    shadow=True,
    startangle=90,
    autopct='%1.1f%%');

Mostra as primeiras 10 linhas do filtro da variável analise.

analise.head(10)

Converte a coluna para o tipo data.

df['Data de Adesão']= pd.to_datetime(df['Data de Adesão'])

df['Data de Adesão'].head()

Cria-se mais 2 colunas para a extração do mês e o ano.

df['Mes'] = pd.DatetimeIndex(df['Data de Adesão']).month
df['Ano'] = pd.DatetimeIndex(df['Data de Adesão']).year

df.head()

Cria-se uma tabela filtrada por país ,ano , mes e empresa.

tb_grup = df.groupby(by=['Pais','Ano','Mes','Empresa']).count()['Id'].reset_index()
tb_grup

Código para achar valores mais especificos na tabela, como por exemplo uma páis a ser buscado.

Nesta pequena filtragem percebemos que a nubank foi a primeira a atingir o unicórnio aqui no Brasil em 2018.

tb_grup.loc[
    tb_grup['Pais']== 'Brazil'
]

Código para transforma a coluna em um valor flutuante , float.

df['Valor ($)']= pd.to_numeric(df['Valor ($)'].apply(lambda linha: linha.replace('$','')))
df.head()

Cria-se uma nova tabela filtrada , só que desta vez por país e valor.

analise_valor = analise_pais.sort_values('Valor ($)',ascending=False)
analise_valor.head()

Plota a nova tabela filtrada em um gráfico. para uma melhor visualização.

plt.figure(figsize=(15,6))
plt.plot(analise_valor['Pais'],analise_valor['Valor ($)']);
plt.xticks(rotation=45,ha='right');

Aprendizado:

transformar toda uma coluna em tipo data.
tranformar toda uma coluna em valor flutuante.

Dificuldades do projeto: