Clusteriza-o_e_Analise_de_Dados_de_um_E-Commerce

Este projeto demonstra o uso de técnicas de clusterização para análise de dados de um e-commerce, utilizando algoritmos como K-Means e DBSCAN. O objetivo é aplicar métodos de pré-processamento e avaliação de modelos, bem como visualizar os resultados obtidos a partir da análise de dados de transações de clientes.

Funcionalidades

• Pré-processamento e normalização dos dados utilizando pandas e sklearn
• Análise exploratória de dados com visualizações interativas utilizando matplotlib, seaborn e plotly
• Clusterização com os algoritmos K-Means e DBSCAN
• Avaliação de clusters com métricas:
  • Silhouette Score
  • Calinski-Harabasz Score
  • Davies-Bouldin Score
• Visualização do número ideal de clusters com a ferramenta yellowbrick

Bibliotecas Utilizadas

• pandas – Manipulação de dados
• numpy – Operações matemáticas e numéricas
• matplotlib – Visualizações básicas
• seaborn – Visualizações avançadas
• plotly – Visualizações interativas
• scikit-learn – Algoritmos de machine learning
• yellowbrick – Visualização do número ideal de clusters

Como Usar

Passos Iniciais

1. Clone o repositório:

   git clone https://github.com/Ogarit/Clusteriza-o_e_Analise_de_Dados_de_um_E-Commerce.git

2. Descompacte o arquivo de dados: O arquivo data.rar contém os dados necessários para a análise. Use o WinRAR ou outro software para descompactá-lo.
3. Instale as dependências necessárias: Instale as bibliotecas necessárias utilizando o pip:

   pip install pandas numpy matplotlib seaborn plotly scikit-learn yellowbrick

4. Abra o Jupyter Notebook: Após instalar as dependências, abra o notebook para rodar a análise:

   jupyter notebook cluster.ipynb
   

Estrutura do Projeto

• cluster.ipynb: O notebook principal que contém a análise de clusterização, incluindo o pré-processamento dos dados, a aplicação dos algoritmos e as visualizações.
• data.rar: Arquivo compactado contendo os dados do e-commerce.

Dados

Os dados utilizados neste projeto foram obtidos a partir de um conjunto disponível no Kaggle. O arquivo contém informações de transações realizadas em uma loja online, com as seguintes colunas:

• InvoiceNo: Identificação da transação
• StockCode: Código de estoque do produto
• Description: Descrição do produto
• Quantity: Quantidade de produtos vendidos por transação
• InvoiceDate: Data da transação
• UnitPrice: Preço unitário do produto
• CustomerID: Identificação do cliente
• Country: País de origem da transação