Repositório para conter os códigos criados durante a terceira edição da #imersaodados da #Alura.
Nesta aula foi aprendido a se utilizar a biblioteca pandas para analisar dados a partir de uma fonte na internet.
Por meio da biblioteca foi possível analisar as colunas de dados, apresentando estes de forma visual ao se gerar gráficos de barras e/ou pizza.
Nesta análise inicial, descobrimos que os dados se referem a um estudo de novos fármacos, em que foram testados grupos com drogas e grupos de controle, que não receberam nenhuma droga.
🔗 Acesse o notebook da Aula 01
Nesta aula aprendemos a utilizar a biblioteca Seaborn para apresentar gráficos mais elaborados. Com ele conseguimos deixar nossos gráficos mais legíveis, manipulando configurações que impactam no tamanho do gráfico e das fontes das legendas
Aprendemos, também, a descrever nosso dataframe com o método describe, que retorna informações úteis como médias de valores, valores mínimos e máximos, etc.
Explorando um pouco mais o dataframe, aprendemos que as colunas nomeadas como g se referem à expressões genéticas e as nomeadas com c se referem a linhagens celulares nos quais foram testados os fármacos.
🔗 Acesse o notebook da aula 02
Nesta aula aprendemos a gerar tabelas de frequência utilizando tanto as funções crosstab quando groupby. Aprendemos, também a plotar gráficos de dispersão e de regressão linear com as funções do Seaborn scatterplot e lmplot, respectivamente.
Além disso, pudemos demonstrar a correlação entre expressões gênicas e tipos celulares por meio de um mapa de calor, fornecido pela função heatmap do Seaborn, que mostra correlações diretamente e inversamente proporcionais.
🔗 Acesse o notebook da aula 03
🔗 Visualização aprimorada do notebook da aula 03
Nesta aula passamos a trabalhar com dois dataframes. Além do dados dos experimentos, utilizado nas aulas anteriores, também utilizamos um dataframe com os dados dos resultados do estudo.
Aprendemos sobre os vários métodos de combinação de dados utilizando um específico, o merge, para criar um novo dataframe combinando os dados dos experimentos com o dos resultados.
A partir da combinação destes dados, descobrimos como os compostos utilizados nos experimentos se comportaram nas amostras, verificando se ativaram ou não algum mecanismo de ação.
Pudemos confirmar que os compostos de controle, sem princípio ativo, não ativaram nenhum mecanismo de ação, conforme esperado. Pudemos, também, verificar a proporção de ativação dos mecanismos de ação de compostos com princípio ativo.