Pipeline ETL utilizando o Chocolate Bar Ratings dataset
Desafio proposto no módulo Explorando IA Generativa em um Pipeline de ETL com Python, que compõe o Santander Bootcamp 2023 - Ciência de Dados com Python
O dataset escolhido foi obtido no Kaggle e contém mais de 1700 avaliações de especialistas de barras de chocolates distintas, além de informações sobre sua região de origem, porcentagem de cacau, variedade do grão de cacau e onde os grãos foram cultivados. As notas variavam entre 1 e 5, com 3.75 sendo o valor qe corte para ser considerada uma barra chocolate louvável.
Os dados foram extraídos no GoogleColab, avaliados quanto a presença de duplicações, nulos e discrepantes, e as colunas renomeadas. A coluna Bean_Type foi excluída por possuir um grande número de dados nulos, e a coluna Cocoa_Percentage foi transformada em float e excluiu-se os valores maiores do que 100. Ao final, ficamos com 8 colunas e 1714 registros.
Elaboramos quatro tabelas para identificar as empresas, localidades, países e porcentagens de cacau com as melhores notas, e as extraímos em arquivos .csv.