Este repositório contém os códigos utilizados para realizar a análise da base NYC Taxi trips, mais especificamente no contexto de um teste técnico para a vaga de Engenheiro de dados na DataSprints.
Para reproduzir as análises é necessário rodar os seguintes comandos no terminal (já é necessário ter o python3 e o venv instalados):
git clone https://github.com/vittorfp/NYC-Taxi-Trips-analysis.git
cd NYC-Taxi-Trips-analysis/
python3 -m venv .venv
source .venv/bin/activate
make dataOs comandos acima vão clonar o repositório, criar um venv, realizar o download dos dados a partir dos links fornecidos na especificação do teste (pode dermorar) e realizar sua inserção em um banco de dados SQLite, para que seja possível realizar consultas SQL nos dados (um dos requisitos do teste técnico).
Após esse comando abra um jupyter lab na raiz do repositório e fique a vontade para refazer as análises utilizando
os notebooks que estão dentro da pasta notebooks. Observação: Os notebooks devem ser executados com o kernel
NYC-taxi-trips-analysis (também foi criado com o comando rodado, mais detalhes no Makefile) que possui
todas as dependências necessárias instaladas.
O arquivo Análise.html é uma versão em HTML do notebook utilizado para realizar as análises.
Foi criado um script para simular o stream dos dados. Pode ser acessado utilizando o comando a seguir.
make stream
O script inicia o envio de dados para um Kinesis Data Stream, e espera que o bash possua as variaveis de ambiente AWS_ACCESS_KEY_ID e
AWS_SECRET_ACCESS_KEY exportadas no BASH e que o comando make data já tenha sido rodado. A taxa de transferencia de dados do stream fica limitada à taxa de Upload
da conexão local de internet.
A estrutura utilizada para processamento foi provisionada na AWS utilizando Terraform, e tem seus detalhes explicados no repositório https://github.com/vittorfp/aws-sample-stream.
├── LICENSE
├── Makefile <- Makefile with commands like `make data` or `make train`
├── README.md <- The top-level README for developers using this project.
├── data
│ ├── external <- Data from third party sources.
│ ├── interim <- Intermediate data that has been transformed.
│ ├── processed <- The final, canonical data sets for modeling.
│ └── raw <- The original, immutable data dump.
│
├── docs <- A default Sphinx project; see sphinx-doc.org for details
│
├── models <- Trained and serialized models, model predictions, or model summaries
│
├── notebooks <- Jupyter notebooks. Naming convention is a number (for ordering),
│ the creator's initials, and a short `-` delimited description, e.g.
│ `1.0-jqp-initial-data-exploration`.
│
├── references <- Data dictionaries, manuals, and all other explanatory materials.
│
├── reports <- Generated analysis as HTML, PDF, LaTeX, etc.
│ └── figures <- Generated graphics and figures to be used in reporting
│
├── requirements.txt <- The requirements file for reproducing the analysis environment, e.g.
│ generated with `pip freeze > requirements.txt`
│
├── setup.py <- makes project pip installable (pip install -e .) so src can be imported
├── src <- Source code for use in this project.
│ ├── __init__.py <- Makes src a Python module
│ │
│ ├── data <- Scripts to download or generate data
│ │ └── make_dataset.py
│ │
│ ├── features <- Scripts to turn raw data into features for modeling
│ │ └── build_features.py
│ │
│ ├── models <- Scripts to train models and then use trained models to make
│ │ │ predictions
│ │ ├── predict_model.py
│ │ └── train_model.py
│ │
│ └── visualization <- Scripts to create exploratory and results oriented visualizations
│ └── visualize.py
│
└── tox.ini <- tox file with settings for running tox; see tox.testrun.org
Project based on the cookiecutter data science project template. #cookiecutterdatascience