Prova-Modulo-3

Last updated: May 16th, 20202020-05-16Project preview

Prova Módulo 3

Coloque seu nome aqui

Enviar por e-mail até 13h para caiodesalopes@gmail.com

Prova com consulta a internet à vontade.

Parte Teórica - 1 ponto

1 - Cite dois atributos (que você acessa com .) de um numpy array e o que são.

2 - Qual a diferença de qcut e cut? Quando devo usar um quando devou usar o outro?

3 - Resuma os principais passos e comandos git para criar se chegar a um pull request no GitHub.

4 - Explique o conceito de roteamento no Flask e para que serve.

Parte Prática - 9 pontos

Análise de dados.

Dados:

  • Na pasta dados_vendas
    • 12 meses de dados de vendas de diversos produtos
    • Tabela com os nomes dos produtos e preço de produtos

Perguntas:

  1. (2,0) Limpeza e cruzamento dos dados

    • caso não consiga efetuar essa etapa, usar os dados dados_limpos/sales.csv para responder as perguntas
  2. (0,25) Mostre um overview do dataset

  3. (0,5) Qual é a quantidade total de iPhone vendidas?
  4. (0,25) Crie uma coluna de receita
  5. (1,0) Mostre com uma visualização qual cidade teve a maior receita geral
  6. (1,0) Mostre com uma visualização o melhor mês de receita
  7. (1,0) Mostre com uma visualização a diferença nas vendas de celulares
  8. (1,0) Mostre com uma visualização a quantidade total de vendas de cada tipo de produto
  9. (1,0) Qual sua hipótese para a razão dos produtos que mais venderam? Mostre com um gráfico se possível
    • escreva sua hipótese em uma célula markdown
  10. (1,5) A que horas devemos exibir anúncios para maximizar a probabilidade de compras? Mostre com um gráfico
    • escreva sua sugestão em uma célula markdown
  11. (1,5) Quais produtos são frequentemente vendidos juntos?
  12. (1,0) Mostre um mapa de calor onde as linhas são cidades, as colunas são os produtos, e os valores são a soma da quantidade de produtos vendidos.

Total da prova: 12 pontos.

Observação:

  • $Receita=Valor \cdot Qtd$
  • Colocar as labels e títulos nos gráficos é bom para o leitor

1. (2,0) Limpeza e cruzamento dos dados

Leia os dados do diretório dados_vendas

Após finalizar a limpeza, você pode comparar com o dataframe dados_limpos/sales.csv para ver se está correto, inclusive existem métodos de comparação como df.equals(another_df)

In [ ]:
 

2. (0,5) Mostre um overview do dataset

Lembre-se que você pode partir de dados_limpos/sales.csv

In [ ]:
 

3. (0,5) Qual é a quantidade total de iPhone vendidas?

In [ ]:
 

4. (0,25) Crie uma coluna de receita

In [ ]:
 

5. (1,0) Mostre com uma visualização qual cidade teve a maior receita geral

In [ ]:
 

6. (1,0) Mostre com uma visualização o melhor mês de receita

In [ ]:
 

7. (1,0) Mostre com uma visualização a diferença nas vendas de celulares

In [ ]:
 

8. (1,0) Mostre com uma visualização da receita de cada tipo de produto

In [ ]:
 

9. (1,0) Qual sua hipótese para a razão dos produtos que mais venderam? Mostre com um gráfico se possível

In [ ]:
 

10. (1,5) A que horas devemos exibir anúncios para maximizar a probabilidade de compras?

In [ ]:
 

11. (1,5) Quais produtos são frequentemente vendidos juntos?

In [ ]:
 

12. (1,0) Mostre um mapa de calor onde as linhas são cidades, as colunas são os produtos, e os valores são a soma da quantidade de produtos vendidos.

In [ ]:
 
Notebooks AI
Notebooks AI Profile20060