Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

Awesome Lists | Featured Topics | Projects

https://github.com/paulo-santos-ds/analise_corrida_taxi

Este projeto tem como objetivo analisar os dados de um aplicativo fictício de caronas. Encontrar padrões nas informações disponíveis, entender as preferências dos passageiros e o impacto de fatores externos nas corridas.
https://github.com/paulo-santos-ds/analise_corrida_taxi

math matplotlib numpy pandas python3 seaborn sql

Last synced: about 1 month ago
JSON representation

Este projeto tem como objetivo analisar os dados de um aplicativo fictício de caronas. Encontrar padrões nas informações disponíveis, entender as preferências dos passageiros e o impacto de fatores externos nas corridas.

Awesome Lists containing this project

README 

        
# Análise Corridas de Taxi



## Descrição do Projeto

Este projeto tem como objetivo analisar os dados de um aplicativo fictício de caronas. Encontrar padrões nas informações disponíveis, entender as preferências dos passageiros e o impacto de fatores externos nas corridas. 

 

 **Ferramentas e Bibliotecas Utilizadas**

* Python: Linguagem principal utilizada para a análise.

* Pandas: Biblioteca para manipulação e análise de dados.

* Numpy e scipy: Biblioteca que visa possibilitar a computação numérica com Python

* Matplotlib.pyplot e seaborn: Bibliotecas para criação de gráficos.

Tabelas



Para este projeto foram construídas tabelas através de consultas a banco de dados utilizando SQL.

**Descrição Banco de Dados** Um banco de dados com informações sobre corridas de táxi em Chicago:

* tabela neighborhoods: dados sobre os bairros da cidade

   * nome: nome do bairro

   * neighborhood_id: código do bairro

* tabela cabs: dados sobre os táxis

   * cab_id: código do veículo

   * vehicle_id: a identificação técnica do veículo

   * company_name: a empresa proprietária do veículo

* tabela trips: dados sobre corridas

   * trip_id: código da corrida

   * cab_id: código do veículo que opera a corrida

   * start_ts: data e hora do início da corrida (tempo arredondado para a hora)

   * end_ts: data e hora do fim da corrida (tempo arredondado para a hora)

   * duration_seconds: duração da corrida em segundos

   * distance_miles: distância do percurso em milhas

   * pickup_location_id: código do bairro de retirada

   * dropoff_location_id: código do bairro de entrega

* tabela weather_records: dados sobre o clima

   * record_id: código de registro meteorológico

   * ts: gravar data e hora (tempo arredondado para a hora)

   * temperatura: temperatura quando o registro foi feito

   * descrição: breve descrição das condições meteorológicas, ex. "chuva leve" ou "nuvens esparsas"

**Esquema de tabela**

**Tabelas Utilizadas**

* moved_project_sql_result_01: número de corridas para cada empresa de táxi

* moved_project_sql_result_04: número médio de viagens que terminaram em cada bairro

* moved_project_sql_result_07: dados sobre viagens do Loop para o Aeroporto Internacional O'Hare.

Metodologia

**Extração Dados Banco**

* Querys d SQl para realizar a extração dos dados necessários para análise

**Análise Exploratória de Dados**

* Importar as bibliotecas necessárias

* Carregar e visualizar os dados

**Análise dos Dados**

* Quantidade de viagens por companhia

* Quantidade de viagens médias por bairro

**Criando e Validando Hipóteses**

* A duração média dos passeios do Loop para o Aeroporto Internacional O'Hare muda nos sábados chuvosos.

  

# Resultados

Podemos rejeitar a hipótese nula, ou seja, podemos rejeitar que o tempo médio da viagem nos sábados independem se a condição do tempo é boa ou ruim. Para testar esta hipótese utilizei o método de Igualdade entre as médias de duas populações, principalmente devido ao fato da diferença de tamanho entre os conjuntos de dados, caso estivessem iguais, teria utilizado o dados da mesma população onde a diferença entre elas seriam a condição de tempo.

Aprendizados



* Consultas SQL: extração de direto de bancos de dados utilizando SQL.

* Análise de dados: interpretação e extração de insights valiosos a partir de dados.

* Manipulação de tabelas: reorganização e transformação de dados para facilitar a análise.

* Criação de gráficos: utilização de bibliotecas como Matplotlib, Seaborn para visualizar dados de maneira intuitiva e informativa.

* Formulação de hipóteses: desenvolvimento e teste de suposições sobre o comportamento dos clientes com base nos dados.

* Documentação de projetos: elaboração de documentação clara e detalhada para garantir que o projeto seja compreensível e replicável.

* Utilização de bibliotecas e ferramentas: aplicação prática de diversas bibliotecas e ferramentas do ecossistema Python.

* Tomada de decisões baseadas em dados: uso de insights derivados da análise de dados para orientar decisões estratégicas.



## 🛠️ Instalação



1. Clone este repositório

2. Instale as dependências listadas acima

3. Execute o aplicativo: