📊 Análise Exploratória de Dados (EDA) — Vendas de E-commerce

Projeto de Análise Exploratória de Dados desenvolvido em Python com Jupyter Notebook.
O notebook simula um dataset real de vendas com problemas comuns (dados ausentes, duplicados, outliers e tipos incorretos), aplica um processo completo de limpeza e extrai insights de negócio com visualizações.

---

📁 Estrutura do Projeto

AnaliseEDA/
├── AnaliseEDA.ipynb
└── requirements.txt

---

⚙️ O que o projeto faz

1. Geração de Dados Sintéticos

Simula 100 pedidos de um e-commerce com produtos como Smartphone, Notebook, Fone de Ouvido, Smartwatch e Teclado Mecânico — incluindo problemas propositais para treinar o processo de limpeza.

2. Problemas Introduzidos para Simulação

• Valores ausentes (NaN) em Quantidade, Status_Entrega e Cliente_ID
• Linhas duplicadas
• Tipos de dados incorretos em Preco_Unitario e Cliente_ID
• Outliers em Quantidade

3. Limpeza e Pré-processamento

• Correção de tipos de dados com pd.to_numeric
• Preenchimento de valores ausentes com mediana (numérico) e moda (categórico)
• Remoção de duplicatas
• Tratamento de outliers com limite de 3 desvios padrão

4. Engenharia de Atributos e Insights

• Criação da coluna Total_Venda
• Receita total da empresa
• Receita por categoria
• Produto mais vendido
• Tendência de vendas ao longo do tempo

5. Visualizações

• Gráfico de barras: receita por categoria
• Gráfico horizontal: unidades vendidas por produto
• Gráfico de linha: tendência de vendas por dia
• Gráfico de pizza: distribuição do status de entrega
• Boxplot: antes e após o tratamento de outliers

---

🚀 Como executar

Pré-requisitos

Instale as dependências:

pip install -r requirements.txt

Rodando o notebook

jupyter notebook AnaliseEDA.ipynb

---

🛠️ Tecnologias utilizadas

• Python 3
• Pandas
• NumPy
• Matplotlib
• Seaborn
• Jupyter Notebook