https://github.com/benzerinsio/heartdisease-eda
📊 Análise Exploratória de Dados (EDA) - Doenças Cardíacas | Estudo em Exploração de Fatores Cardíacos para prática e demonstração de técnicas analíticas e visuais.
https://github.com/benzerinsio/heartdisease-eda
analise-de-dados analise-exploratoria analise-exploratoria-de-dados eda exploratory-data-analysis exploratory-data-visualizations
Last synced: 7 months ago
JSON representation
📊 Análise Exploratória de Dados (EDA) - Doenças Cardíacas | Estudo em Exploração de Fatores Cardíacos para prática e demonstração de técnicas analíticas e visuais.
- Host: GitHub
- URL: https://github.com/benzerinsio/heartdisease-eda
- Owner: benzerinsio
- Created: 2025-03-04T15:14:15.000Z (8 months ago)
- Default Branch: main
- Last Pushed: 2025-03-05T00:00:20.000Z (8 months ago)
- Last Synced: 2025-03-05T00:28:54.959Z (8 months ago)
- Topics: analise-de-dados, analise-exploratoria, analise-exploratoria-de-dados, eda, exploratory-data-analysis, exploratory-data-visualizations
- Language: Jupyter Notebook
- Homepage:
- Size: 0 Bytes
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# ❤️ Investigação de Fatores Cardíacos
*Projeto de Análise Exploratória de Dados (EDA) - Felipe V. Sousa*
Bem-vindo(a)! Este repositório apresenta uma **Análise Exploratória de Dados (EDA)** no conjunto de dados Heart Disease UCI, investigando fatores clínicos e sua relação com a presença de doença cardíaca.
🔗 [Visualizar o Notebook](https://github.com/benzerinsio/HeartDisease-EDA/blob/main/EDA-HeartDisease.ipynb)
## 🎯 Objetivo da Análise
Explorar variáveis clínicas (como `age`, `cholestoral`, `oldpeak` e `chest_pain_type`) e o diagnóstico (`target`), para entender distribuições, identificar padrões e avaliar o impacto de duplicatas (>70%) nas associações com doença cardíaca, gerando insights acionáveis e preparando o terreno para modelos preditivos.
## 📊 Fonte de Dados
Os dados vêm do arquivo Heart Disease UCI, contendo 1025 registros de pacientes (UCI Machine Learning Repository).
## 🛠️ Bibliotecas Utilizadas
- **Pandas**: Manipulação e análise de dados.
- **NumPy**: Cálculos numéricos e operações matemáticas.
- **Seaborn**: Visualizações estatísticas como heatmaps e countplots.
- **Matplotlib**: Criação de gráficos comparativos e pairplots.
## 💬 Conclusão
Esta EDA revelou padrões sutis no dataset cardíaco: `oldpeak` baixo associa-se a maior prevalência de doença (`target=1`), enquanto `typical angina` é 3 vezes mais inofensiva e `non-anginal pain` tem mais de 3 vezes maior chance de indicar doença. Duplicatas (>70%) são proporcionais, com impacto mínimo nas análises (variações ~0.02). A baixa correlação entre variáveis e a mistura nos dados sugerem que modelos de Machine Learning, combinando múltiplas features, têm potencial para alta precisão na classificação de doenças cardíacas.