thais-telles/Analise-Dados

📊 Ciência de Dados

Autor: Thiago Klebis

O código disponibilizado é uma aplicação web desenvolvida com a biblioteca Streamlit em Python. A aplicação tem o objetivo de realizar análise de dados a partir de um arquivo carregado pelo usuário.

⬇️ FUNÇÕES

• Escolha de sessão: O usuario deve escolher entre a opção "Analise" e "Treinamento".

• Carregar arquivo de dados: O usuário pode selecionar um arquivo nos formatos CSV, XLSX, JSON ou TXT para carregar na aplicação.

• Exibir dados do arquivo: Após o arquivo ser carregado, os primeiros registros são exibidos ao usuário. O número de linhas a serem exibidas pode ser configurado através de um controle deslizante.

• Excluir/Alterar valor de linha: O usuário pode interagir com o DataFrame exibido e realizar a exclusão ou alteração de valores de linhas específicas.

• Verificar Tipos das Variáveis: O código exibe os tipos das variáveis presentes no DataFrame. O usuário tem a opção de modificar o tipo das variáveis selecionadas.

• Análise de Variáveis Duplicadas: O código verifica se existem variáveis duplicadas no DataFrame e, se houver, oferece opções de tratamento, como exclusão das variáveis duplicadas ou manutenção de apenas uma ocorrência.

• Análise de Dados Missing: O código realiza uma análise de dados missing, exibindo a quantidade de valores faltantes por variável. O usuário pode selecionar opções de tratamento para variáveis numéricas e categóricas, como exclusão da variável, substituição pela média (para numéricas) ou moda (para categóricas), ou exclusão de linhas.

• Detecção e Visualização de Outliers: O código detecta outliers nas variáveis numéricas do DataFrame e os exibe ao usuário. Além disso, é possível selecionar uma variável e aplicar tratamentos, como remoção dos outliers ou substituição por limites.

• Gerar Gráfico de Barras: O usuário pode gerar um gráfico de barras a partir dos dados do DataFrame. O gráfico é exibido utilizando a biblioteca Matplotlib.

  

• ⬇️ FUNÇÕES

• Escolha de sessão: O usuario deve escolher entre a opção "Analise" e "Treinamento".

• Carregar arquivo de dados: O usuário pode selecionar um arquivo nos formatos CSV, XLSX, JSON ou TXT para carregar na aplicação.

• Exibir dados do arquivo: Após o arquivo ser carregado, os primeiros registros são exibidos ao usuário. O número de linhas a serem exibidas pode ser configurado através de um controle deslizante.

• Excluir/Alterar valor de linha: O usuário pode interagir com o DataFrame exibido e realizar a exclusão ou alteração de valores de linhas específicas.

• Verificar Tipos das Variáveis: O código exibe os tipos das variáveis presentes no DataFrame. O usuário tem a opção de modificar o tipo das variáveis selecionadas.

• Análise de Variáveis Duplicadas: O código verifica se existem variáveis duplicadas no DataFrame e, se houver, oferece opções de tratamento, como exclusão das variáveis duplicadas ou manutenção de apenas uma ocorrência.

• Análise de Dados Missing: O código realiza uma análise de dados missing, exibindo a quantidade de valores faltantes por variável. O usuário pode selecionar opções de tratamento para variáveis numéricas e categóricas, como exclusão da variável, substituição pela média (para numéricas) ou moda (para categóricas), ou exclusão de linhas.

• Detecção e Visualização de Outliers: O código detecta outliers nas variáveis numéricas do DataFrame e os exibe ao usuário. Além disso, é possível selecionar uma variável e aplicar tratamentos, como remoção dos outliers ou substituição por limites.

• Análise Descritiva: O aplicativo exibe uma análise descritiva do DataFrame carregado, mostrando estatísticas básicas como média, desvio padrão, mínimo, máximo e quartis.

• Treinamento de Modelos de Classificação: O aplicativo permite treinar modelos de classificação usando a biblioteca PyCaret. É possível selecionar as variáveis de entrada, a variável alvo e comparar diferentes modelos de classificação.

• Inserir novos Dados para previsão: O aplicativo permite criar um novo Dataframe para que faça uma previsão da variável preditora.

• Previsão: Será realizado a previsão com o melhor modelo escolhido após treinamento, será fornecido um Dataframe para avaliar o resultado da variável preditora.

• Download: Ao final, tem a possibilidade de baixar o arquivo do resultado da revisão.