0% acharam este documento útil (0 voto)

12 visualizações3 páginas

Untitled4.ipynb - Colab

O documento descreve um processo de análise de vendas utilizando SQLite e bibliotecas Python como Pandas e Matplotlib. Ele inclui a criação de uma tabela de vendas, inserção de dados, exploração e visualização dos dados, destacando o total de vendas por categoria e vendas mensais. O resultado final é um gráfico que ilustra as vendas ao longo do ano de 2023.

Enviado por

diegosousasantos11

Direitos autorais

Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.

Formatos disponíveis

Baixe no formato PDF, TXT ou leia on-line no Scribd

0% acharam este documento útil (0 voto)

12 visualizações3 páginas

Untitled4.ipynb - Colab

Enviado por

diegosousasantos11

Direitos autorais

Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.

Formatos disponíveis

Baixe no formato PDF, TXT ou leia on-line no Scribd

Você está na página 1/ 3

27/04/2025, 22:59 Untitled4.

ipynb - Colab

# Importando as bibliotecas necessárias

import sqlite3
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# Passo 1: Conectar ao banco de dados SQLite e criar a tabela

# Conectando ou criando o banco de dados
conexao = sqlite3.connect('dados_vendas.db')
cursor = conexao.cursor()

# Criando a tabela 'vendas1' (se ainda não existir)

cursor.execute('''
CREATE TABLE IF NOT EXISTS vendas1 (
id_venda INTEGER PRIMARY KEY AUTOINCREMENT,
data_venda DATE,
produto TEXT,
categoria TEXT,
valor_venda REAL
)
''')

# Inserindo dados na tabela

cursor.execute('''
INSERT INTO vendas1 (data_venda, produto, categoria, valor_venda) VALUES
('2023-01-01', 'Produto A', 'Eletrônicos', 1500.00),
('2023-01-05', 'Produto B', 'Roupas', 350.00),
('2023-02-10', 'Produto C', 'Eletrônicos', 1200.00),
('2023-03-15', 'Produto D', 'Livros', 200.00),
('2023-03-20', 'Produto E', 'Eletrônicos', 800.00),
('2023-04-02', 'Produto F', 'Roupas', 400.00),
('2023-05-05', 'Produto G', 'Livros', 150.00),
('2023-06-10', 'Produto H', 'Eletrônicos', 1000.00),
('2023-07-20', 'Produto I', 'Roupas', 600.00),
('2023-08-25', 'Produto J', 'Eletrônicos', 700.00),
('2023-09-30', 'Produto K', 'Livros', 300.00),
('2023-10-05', 'Produto L', 'Roupas', 450.00),
('2023-11-15', 'Produto M', 'Eletrônicos', 900.00),
('2023-12-20', 'Produto N', 'Livros', 250.00);
''')

# Confirmando as mudanças no banco de dados

conexao.commit()

# Passo 2: Explorando os dados

# Lendo os dados da tabela para um DataFrame do Pandas
df_vendas = pd.read_sql_query("SELECT * FROM vendas1", conexao)

# Exibindo as primeiras linhas do DataFrame

print(df_vendas.head())

# Passo 3: Análise dos dados

# Verificando informações gerais
print("\nInformações do DataFrame:")
print(df_vendas.info())

# Verificando estatísticas básicas

print("\nResumo estatístico:")
print(df_vendas.describe())

# Total de vendas por categoria

vendas_por_categoria = df_vendas.groupby('categoria')['valor_venda'].sum().reset_index()
print("\nTotal de vendas por categoria:")
print(vendas_por_categoria)

# Passo 4: Visualização dos dados

# Gráfico de barras do total de vendas por categoria
plt.figure(figsize=(8,5))
sns.barplot(x='categoria', y='valor_venda', data=vendas_por_categoria, palette='viridis')
plt.title('Total de Vendas por Categoria')
plt.xlabel('Categoria')
plt.ylabel('Valor Total de Vendas')
plt.grid(True)
plt.show()

# Gráfico de linha: Vendas ao longo do ano

# Convertendo a coluna data_venda para tipo datetime
df_vendas['data_venda'] = pd.to_datetime(df_vendas['data_venda'])

# Agrupando vendas por mês

vendas_por_mes = df_vendas.resample('M', on='data_venda')['valor_venda'].sum()

https://colab.research.google.com/drive/1EQGWyaQCdz0CiXrycoWY86I7KdMUkjhb?authuser=2#printMode=true 1/3
27/04/2025, 22:59 Untitled4.ipynb - Colab

# Plotando gráfico de vendas por mês

plt.figure(figsize=(10,5))
vendas_por_mes.plot(marker='o')
plt.title('Vendas Mensais - 2023')
plt.xlabel('Mês')
plt.ylabel('Valor Total de Vendas')
plt.grid(True)
plt.show()

# Passo 5: Conclusão
# (Aqui, no relatório em Word/PDF, você escreverá um pequeno texto sobre os insights obtidos)

"""

https://colab.research.google.com/drive/1EQGWyaQCdz0CiXrycoWY86I7KdMUkjhb?authuser=2#printMode=true 2/3
27/04/2025, 22:59 Untitled4.ipynb - Colab

id_venda data_venda produto categoria valor_venda

0 1 2023-01-01 Produto A Eletrônicos 1500.0
1 2 2023-01-05 Produto B Roupas 350.0
2 3 2023-02-10 Produto C Eletrônicos 1200.0
3 4 2023-03-15 Produto D Livros 200.0
4 5 2023-03-20 Produto E Eletrônicos 800.0

Informações do DataFrame:
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 14 entries, 0 to 13
Data columns (total 5 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 id_venda 14 non-null int64
1 data_venda 14 non-null object
2 produto 14 non-null object
3 categoria 14 non-null object
4 valor_venda 14 non-null float64
dtypes: float64(1), int64(1), object(3)
memory usage: 692.0+ bytes
None

Resumo estatístico:
id_venda valor_venda
count 14.0000 14.000000
mean 7.5000 628.571429
std 4.1833 407.484915
min 1.0000 150.000000
25% 4.2500 312.500000
50% 7.5000 525.000000
75% 10.7500 875.000000
max 14.0000 1500.000000

Total de vendas por categoria:

categoria valor_venda
0 Eletrônicos 6100.0
1 Livros 900.0
2 Roupas 1800.0
<ipython-input-1-da4c547be148>:69: FutureWarning:

Passing `palette` without assigning `hue` is deprecated and will be removed in v0.14.0. Assign the `x` variable to `hue` and set

sns.barplot(x='categoria', y='valor_venda', data=vendas_por_categoria, palette='viridis')

https://colab.research.google.com/drive/1EQGWyaQCdz0CiXrycoWY86I7KdMUkjhb?authuser=2#printMode=true 3/3

Untitled4.ipynb - Colab

Enviado por

Untitled4.ipynb - Colab

Enviado por

27/04/2025, 22:59 Untitled4.

# Importando as bibliotecas necessárias

# Passo 1: Conectar ao banco de dados SQLite e criar a tabela

# Criando a tabela 'vendas1' (se ainda não existir)

# Inserindo dados na tabela

# Confirmando as mudanças no banco de dados

# Passo 2: Explorando os dados

# Exibindo as primeiras linhas do DataFrame

# Passo 3: Análise dos dados

# Verificando estatísticas básicas

# Total de vendas por categoria

# Passo 4: Visualização dos dados

# Gráfico de linha: Vendas ao longo do ano

# Agrupando vendas por mês

# Plotando gráfico de vendas por mês

id_venda data_venda produto categoria valor_venda

Total de vendas por categoria:

sns.barplot(x='categoria', y='valor_venda', data=vendas_por_categoria, palette='viridis')

Você também pode gostar

Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.