Projeto Aula 08.05.24

[JairDantas]

Gerando dados fictícios

for produto in produtos:import pandas as pd

Carregando o dataset

df = pd.read_csv('/content/Planilha sem título - Página1 (3).csv')

print(df.head())

Definindo os produtos

produtos = ['tênis', 'bonés', 'camisas', 'meias', 'bermudas', 'capas de celular', 'regatas']

Definindo os meses

meses = ['Janeiro', 'Fevereiro', 'Março', 'Abril', 'Maio', 'Junho', 'Julho', 'Agosto', 'Setembro', 'Outubro', 'Novembro', 'Dezembro']

Criando listas vazias para os dados

dados_produtos = [] dados_meses = [] dados_vendas = [] for mes in meses: dados_produtos.append(produto) dados_meses.append(mes) dados_vendas.append(random.randint(500, 10000)) # vendas entre 500R$ e 10.000R$

Criando o DataFrame

df = pd.DataFrame({ 'Produto': dados_produtos, 'Mês': dados_meses, 'Vendas': dados_vendas })

print(df)

Importando as bibliotecas necessárias

import numpy as np import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression

Gerando dados de exemplo

np.random.seed(0) X = 2 np.random.rand(100, 1) # Variável independente y = 4 + 3 X + np.random.randn(100, 1) # Variável dependente

Dividindo os dados em conjuntos de treinamento e teste

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

Criando um modelo de regressão linear

model = LinearRegression()

Treinando o modelo

model.fit(X_train, y_train)

Fazendo previsões

y_pred = model.predict(X_test)

Plotando os dados de teste e a linha de regressão

plt.scatter(X_test, y_test, color='blue') plt.plot(X_test, y_pred, color='red') plt.title('Regressão Linear Simples') plt.xlabel('Variável Independente') plt.ylabel('Variável Dependente') plt.show()

import numpy as np import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression

Gerando dados de exemplo

np.random.seed(0) X = 2 np.random.rand(100, 1) # Variável independente y = 4 + 3 X + np.random.randn(100, 1) # Variável dependente

Cálculos estatísticos básicos

media_X = np.mean(X) mediana_X = np.median(X) desvio_padrao_X = np.std(X)

media_y = np.mean(y) mediana_y = np.median(y) desvio_padrao_y = np.std(y)

print("Estatísticas da variável independente (X):") print("Média:", media_X) print("Mediana:", mediana_X) print("Desvio Padrão:", desvio_padrao_X)

print("\nEstatísticas da variável dependente (y):") print("Média:", media_y) print("Mediana:", mediana_y) print("Desvio Padrão:", desvio_padrao_y)

Dividindo os dados em conjuntos de treinamento e teste

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

Criando um modelo de regressão linear

model = LinearRegression()

Treinando o modelo

model.fit(X_train, y_train)

Fazendo previsões

y_pred = model.predict(X_test)

Plotando os dados de teste e a linha de regressão

plt.scatter(X_test, y_test, color='blue') plt.plot(X_test, y_pred, color='red') plt.title('Regressão Linear Simples') plt.xlabel('Variável Independente') plt.ylabel('Variável Dependente') plt.show()

import numpy as np import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression

Gerando dados de exemplo

np.random.seed(0) X = 2 np.random.rand(100, 1) # Variável independente y = 4 + 3 X + np.random.randn(100, 1) # Variável dependente

Dividindo os dados em conjuntos de treinamento e teste

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

Criando um modelo de regressão linear

model = LinearRegression()

Treinando o modelo

model.fit(X_train, y_train)

Fazendo previsões

y_pred = model.predict(X_test)

Plotando os dados de teste e a linha de regressão

plt.figure(figsize=(10, 5))

Gráfico de dispersão com a linha de regressão

plt.subplot(1, 2, 1) plt.scatter(X_test, y_test, color='blue') plt.plot(X_test, y_pred, color='red') plt.title('Regressão Linear Simples') plt.xlabel('Variável Independente') plt.ylabel('Variável Dependente')

Histograma das variáveis dependentes (y)

plt.subplot(1, 2, 2) plt.hist(y, color='green', bins=20) plt.title('Histograma das Variáveis Dependentes (y)') plt.xlabel('Valores de y') plt.ylabel('Frequência')

plt.tight_layout() plt.show()

Gráfico de caixa das variáveis independentes (X)

plt.figure(figsize=(6, 5)) plt.boxplot(X) plt.title('Gráfico de Caixa da Variável Independente (X)') plt.ylabel('Valores de X')

plt.show()

[JairDantas]

@PROFSANTARELLI

[JairDantas]

Jair Silva Patricia Santos Dario Lucas