projeto guiado de análise de df

exercicios/para-casa/README.md

@@ -1,50 +1,38 @@
-# Exercício de Casa 🏠 
+# Análise de Dados sobre a Doença de Parkinson 🧠
 
 ## Projeto II
 
-### Explicação do Exercício
-1 - Escolha do Dataset:
-- Utilize o dataset proposto em aula ou selecione um de sua preferência no Kaggle.
-- Faça uma introdução explicando os dados e o motivo da escolha do dataset.
-- Explique o que chamou sua atenção nesses dados e por que você acredita que eles podem gerar bons insights. Quais aspectos relevantes você identificou?
-<br>
+### Descrição do Projeto
+Este projeto visa analisar um dataset contendo informações abrangentes de 2.105 pacientes diagnosticados com a Doença de Parkinson. O objetivo é explorar fatores demográficos, estilo de vida, histórico médico, e sintomas para identificar padrões e possíveis correlações entre esses fatores e o diagnóstico da doença.
 
-2 - Instalação de Bibliotecas:
-- Instale as bibliotecas necessárias para o tratamento de dados, incluindo Pandas e Numpy.
-<br>
 
-3 - Visualizações Gráficas:
+### Estrutura do Projeto
+1 - Dataset:
 
-- Utilize as bibliotecas Matplotlib ou Seaborn para construir gráficos adicionais.
-- Crie no mínimo 4 visualizações gráficas com Pandas.
-<br>
+- O dataset utilizado contém informações como idade, gênero, etnia, IMC, histórico familiar, presença de sintomas, entre outros dados clínicos.
 
-4 - Consultas SQL:
-- Realize consultas SQL nos dados.
-<br>
+2 - Análises Realizadas:
 
-5 - Teste de Hipótese:
-- Conduza um teste de hipótese com base nos dados.
+- Testes de Hipóteses: Investigações sobre a correlação entre depressão e sintomas da Doença de Parkinson, além de análises sobre o impacto do histórico familiar no diagnóstico.
+- Visualizações Gráficas: Gráficos que comparam a média dos fatores de estilo de vida e histórico médico entre pacientes com e sem Parkinson.
+- Consultas SQL: Uso de SQL para explorar dados específicos, como a distribuição de sintomas por gênero e etnia.-
 
-Arquivos que devem ser submetidos:
+### Como executar:
+Pré-requisitos:
 
-- arquivo.csv (ou similar: json, exe, etc) utilizado
-- arquivo .db com entradas de interesse
-- arquivo .ipynb com relatório contendo gráficos e insights sobre dados utilizados.
-- código de criação e edição em sql (.py ou .ipynb)
-- readme.md com todas a documentação das analises.
+- Python 3.x
+- Pandas
+- Matplotlib
+- Seaborn
+- SQLite3
 
-## Extra
+#### Instruções:
 
-Crie uma função que, a partir do dataset escolhido, crie um DataFrame, faça o tratamento dos dados e, por fim, exiba uma visualização gráfica.
-Crie duas amostras e faça consultas com elas usando a operação merge.
+- Clone o repositório.
+- Execute os scripts Python para realizar as análises e gerar os gráficos.
+- As consultas SQL estão integradas nos scripts e podem ser visualizadas diretamente nos resultados.
 
-Terminou o exercício? Dá uma olhada nessa checklist e confere se tá tudo certinho, combinado?!
+#### Resultados:
 
-- [ ] Fiz o fork do repositório.
-- [ ] Clonei o fork na minha máquina (`git clone url-do-meu-fork`).
-- [ ] Resolvi o exercício.
-- [ ] Adicionei as mudanças. (`git add .` para adicionar todos os arquivos, ou `git add nome_do_arquivo` para adicionar um arquivo específico)
-- [ ] Commitei a cada mudança significativa ou na finalização do exercício (`git commit -m "Mensagem do commit"`)
-- [ ] Pushei os commits na minha branch (`git push origin nome-da-branch`)
-- [ ] Criei um Pull Request seguindo as orientaçoes que estao nesse [documento](https://github.com/mflilian/repo-example/blob/main/exercicios/para-casa/instrucoes-pull-request.md).
+- Os gráficos e resultados das análises podem ser visualizados após a execução dos scripts.
+- As interpretações dos testes de hipóteses estão documentadas nos scripts.