Projeto de Expectativa de Vida - OMS

Projeto para UC de Adminsitração de dados - 2024

Este projeto analisa dados de expectativa de vida, PIB per capita e gastos com saúde para diversos países, com foco especial no Brasil (2000-2015). Ele também gera estatísticas descritivas e gráficos para visualização dos dados.

Componentes da Equipe:

Thalyson da Silva Siqueira
Caio Lucius Nascimento Sales
Jailton Dayvid Silva de Morais
Danilo de Macêdo Fernandes
Alexandre Nascimento Caminha
Vinicius Magno Ferreira da Cruz

Requisitos

Python (versão 3.6 ou superior)
pip (gerenciador de pacotes do Python)

Passos para Instalação

Siga as etapas abaixo para configurar o ambiente e instalar todas as dependências necessárias.

1. Instalar Python e pip

Baixe e instale a versão mais recente do Python.
Certifique-se de marcar a opção "Add Python to PATH" durante a instalação.
Verifique se o Python e o pip foram instalados corretamente executando os comandos abaixo no Prompt de Comando:
```
python --version
pip --version
```

2. Clonar o Repositório

Abra o Prompt de Comando e navegue até a pasta onde deseja clonar o repositório.
Execute o comando abaixo para clonar o repositório:
```
git clone
```
Navegue até a pasta do projeto:
```
cd life_expectancy_A3   
```

3.Executar a Aplicação

Execute o arquivo "setup.bat" para instalar todas as dependências dentro de um ambiente virtual e executar o script principal.
```
setup.bat
```

Tratamento de dados e tópicos analisados:

O script principal index.py realiza várias etapas para analisar os dados de expectativa de vida, PIB per capita e gastos com saúde para diversos países, com foco especial no Brasil (2000-2015). Aqui está uma explicação detalhada de cada etapa do código:

1. Configuração Inicial

import pandas as pd

pd.set_option('display.max_rows', None)
pd.set_option('display.max_columns', None)

df = pd.read_csv('life_expectancy_db.csv')

print(df.head().to_markdown(index=False, numalign="left", stralign="left"))

print(df.info())

Configuração de exibição do pandas: Define a exibição máxima de linhas e colunas.
Leitura do arquivo CSV: Carrega o arquivo life_expectancy_db.csv em um DataFrame.
Exibição das primeiras linhas: Mostra as primeiras 5 linhas do DataFrame.
Informações do DataFrame: Exibe informações sobre as colunas e tipos de dados.

2. Remoção de Espaços em Branco dos Nomes das Colunas

df.columns = df.columns.str.strip()

Esta linha remove espaços em branco no início e no final dos nomes das colunas do DataFrame df. Isso garante que os nomes das colunas sejam consistentes e evita problemas com espaços extras.

3. Filtragem dos Dados para o Brasil

df_brazil = df[df['Country'] == 'Brazil']

Esta linha filtra o DataFrame df para incluir apenas as linhas onde a coluna Country é igual a 'Brazil'. O resultado é um novo DataFrame df_brazil contendo apenas dados do Brasil.

4. Cálculo de Estatísticas Descritivas

desc_stats = df_brazil[['Life expectancy', 'GDP', 'percentage expenditure']].describe()
desc_stats = desc_stats.round(2)

Essas linhas calculam estatísticas descritivas (como média, desvio padrão, mínimo, máximo, etc.) para as colunas Life expectancy, GDP e percentage expenditure do DataFrame df_brazil. Os valores são arredondados para duas casas decimais para facilitar a leitura.

5. Impressão das Estatísticas Descritivas

print("Estatísticas Descritivas para o Brasil (2000-2015):\n")
print(desc_stats.to_markdown(numalign="left", stralign="left"))

Essas linhas imprimem as estatísticas descritivas calculadas no console, formatadas em Markdown para melhor legibilidade.

6. Exportação das Estatísticas Descritivas para CSV

desc_stats.to_csv('desc_stats_brazil.csv', index=True)

Esta linha exporta as estatísticas descritivas para um arquivo CSV chamado desc_stats_brazil.csv.

7. Criação de Gráfico de Linha

   df_brazil_melted = df_brazil.melt('Year', ['Life expectancy', 'GDP', 'percentage expenditure'])
   plt.figure(figsize=(10, 6))
   for label, df_group in df_brazil_melted.groupby('variable'):
      plt.plot(df_group['Year'], df_group['value'], marker='o', label=label)
   plt.title('Brasil: Expectativa de Vida, PIB per capita e Gastos com Saúde (2000-2015)')
   plt.xlabel('Year')
   plt.ylabel('Valores')
   plt.xticks(rotation=45)
   plt.legend()
   plt.grid(True)
   plt.tight_layout()

   plt.savefig('line_plot_brazil_life_expectancy_gdp_health_expenditure.png')

   plt.show()

Este bloco de código cria um gráfico de linha mostrando a evolução da expectativa de vida, PIB per capita e gastos com saúde ao longo dos anos no Brasil. O gráfico é salvo como um arquivo PNG e exibido na tela.

8. Cálculo da Média por País

country_means = df.groupby('Country')[['Life expectancy', 'GDP', 'percentage expenditure']].mean()

Esta linha calcula a média da expectativa de vida, PIB per capita e gastos com saúde para cada país no DataFrame original df.

9. Ordenação e Impressão dos Países com Maior e Menor Expectativa de Vida

country_means_sorted = country_means.sort_values(by='Life expectancy', ascending=False)

print("\nTop 10 países por expectativa de vida média (2000-2015):\n")
print(country_means_sorted.head(10).round(2).to_markdown(numalign="left", stralign="left"))

print("\nÚltimos 10 países por expectativa de vida média (2000-2015):\n")
print(country_means_sorted.tail(10).round(2).to_markdown(numalign="left", stralign="left"))

Essas linhas ordenam os países pela expectativa de vida média em ordem decrescente e imprimem os 10 países com maior e menor expectativa de vida no console,

country_means_sorted.head(10).round(2).to_csv('top_10_countries_life_expectancy.csv', index=True)
country_means_sorted.tail(10).round(2).to_csv('bottom_10_countries_life_expectancy.csv', index=True)

Estas linhas exportam os dados dos 10 países com maior e menor expectativa de vida para arquivos CSV chamados top_10_countries_life_expectancy.csv e bottom_10_countries_life_expectancy.csv, respectivamente.

ograndlucius/life_expectancy_A3