{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Análise de dados com Python\n",
    "## Esse treinamento apresenta algumas das principais ferramentas disponíveis na linguagem python para análise de dados. Abordaremos os seguintes tópicos:\n",
    "### 1 - Compreensão dos dados\n",
    "### 2 - Análise estatística dos dados\n",
    "### 3 - Operações em DataFrames\n",
    "### 4 - Análises de negócio\n",
    "### 5 - SVM e RF como classificadores para o problema da predição\n",
    "\n",
    "##### Fonte: IBGE / DETRAN"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 1 - Compreensão dos dados"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 2,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Import nas bibliotecas (pandas as pd / matplotlib / numpy as np)\n",
    "# Carregar os dados\n",
    "# Recorte horizontal (FILTRA O MUNICIPIO - RIO DE JANEIRO)\n",
    "# Recorte Vertical (FILTRAR APENAS A COLUNA MUNICIPIO)\n",
    "# Filtro por valores (FILTRAR MUNICIPIOS COM MAIS DE 10000 AUTOMOVEIS)\n",
    "# Recorte de colunas (FILTRAR 3 COLUNAS APENAS - MUNICIPIO / AUTOMOVEL / ONIBUS)\n",
    "# Criação de colunas com operações (CRIAR COLUNA RELATION - RELAÇÃO ENTRE AUTOMOVEIS E ONIBUS)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 2 - Análise estatística dos dados"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 3,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Análise descritiva dos dados (DESCRIBE)\n",
    "# Plot scatter da distribuição (RELATION X AUTOMOVEL)\n",
    "# Plot histograma (RELATION / AUTOMOVEL / ONIBUS)\n",
    "# Plot kde (RELATION)\n",
    "# Medidas estatísticas (VAR / STD / MEAN / CORR)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 3 - Operações em DataFrames"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 4,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Carregar outro arquivo .csv\n",
    "# Exibir os dados\n",
    "# Realizar análises estatísticas (USE OS COMANDOS ANTERIORES)\n",
    "# Exiba o melhor PIB do estado\n",
    "# Exiba o pior PIB do estado\n",
    "# Apresente os 5 melhores PIB\n",
    "# Apresente os 5 piores PIB\n",
    "# Combine os 2 DataFrames"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 4 - Análises de negócio"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "#### Algumas análises de negócio\n",
    "\n",
    "##### 1 - Apresente a relação entre número de automóveis por habitante nas 5 cidades com maior PIB\n",
    "##### 2 - Uma famosa empresa fabricante de pneus para caminhões deseja montar uma fábrica no estado do RJ. Apresente aos gestores uma cidade candidata à abertura da fábrica que atenda pelo menos 3 cidades com baixo custo operacional de deslocamento. (Este é um exercício de estratégia de negócio, utilize outras fontes de consulta para avaliar a sua decisão)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 5,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Efetue análises de negócio a partir dos dados visualizados"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 5 - SVM e RF como classificadores para o problema da predição"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 6,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Faça recorte dos dados para classificação\n",
    "# Entenda o modelo de classificação (PIB BOM / PIB RUIM)\n",
    "# Problema da classificação binária\n",
    "# Efetue o treinamento\n",
    "# Efetue os testes\n",
    "# Avalie a acurácia do modelo\n",
    "# Execute os mesmos testes com outro classificador"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 2",
   "language": "python",
   "name": "python2"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 2
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython2",
   "version": "2.7.12"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 2
}