EDA-Fatal_Police_Shootings_USA.ipynb

{
  "cells": [
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "dRZ-xVi1LeMo"
      },
      "source": [
        "# 📊 Análise Descritiva de Disparos Policiais Fatais nos EUA (2015-2020) 🚔\n",
        "\n",
        "\n",
        "Aqui exploraremos os dados dos disparos policiais fatais ocorridos nos Estados Unidos entre 2015 e 2020. Vamos mergulhar nessa análise para entender melhor o cenário desses eventos.\n",
        "\n",
        "## 🎯 Objetivo do Projeto\n",
        "\n",
        "Nosso objetivo é examinar os dados disponíveis e obter insights sobre os disparos policiais fatais nos EUA. Usando técnicas de análise descritiva, investigaremos os padrões, identificaremos as características desses incidentes e entenderemos melhor os fatores que os cercam. Queremos contribuir para uma análise mais abrangente e promover discussões relevantes sobre a questão da violência policial. 📈👮‍♂️\n",
        "\n",
        "## ℹ️ Sobre os Dados\n",
        "\n",
        "Os dados que utilizaremos são abrangentes e percorrem o período de 2015 a 2020. Vamos explorar informações como idade, raça, gênero e outras variáveis relevantes. Esses dados nos ajudarão a entender melhor a dinâmica dos disparos policiais fatais nos EUA. 📅💻\n",
        "\n",
        "Os dados foram obtidos a partir do conjunto de dados \"Fatal Police Shootings\" disponível no Kaggle. Você pode acessar o dataset [aqui](https://www.kaggle.com/datasets/andrewmvd/police-deadly-force-usage-us?select=fatal-police-shootings-data.csv).\n",
        "\n",
        "\n",
        "## 📈 Análise Descritiva\n",
        "\n",
        "Nossa análise descritiva envolverá a exploração dos seguintes aspectos:\n",
        "\n",
        "1. **Tipos de Colunas:** Vamos identificar os diferentes tipos de dados presentes em nosso conjunto de dados, incluindo variáveis numéricas, categóricas e textuais.\n",
        "\n",
        "2. **Valores Nulos:** Investigaremos a quantidade de valores nulos em cada coluna, a fim de avaliar a qualidade dos dados e determinar quais tratamentos podem ser necessários.\n",
        "\n",
        "3. **Valores Únicos em Colunas Categóricas:** Analisaremos o número de valores únicos presentes em colunas categóricas, fornecendo insights sobre a diversidade dessas variáveis.\n",
        "\n",
        "## 🌍 Importância e Impacto\n",
        "\n",
        "O tema dos disparos policiais fatais nos EUA é de extrema relevância e impacto social. Por meio de uma análise descritiva aprofundada, buscamos contribuir para uma compreensão mais ampla desses eventos, estimulando o diálogo construtivo e a busca por soluções que promovam a justiça e a segurança para todos. 🌟✊\n",
        "\n",
        "Vamos embarcar nesta jornada de análise descritiva para desvendar os insights ocultos nesses dados? Venha conosco e vamos explorar juntos esse importante problema social! 📊🔍💡\n",
        "\n",
        "*Aviso: Os dados utilizados neste projeto são baseados em eventos reais e podem conter informações sensíveis e perturbadoras. Trataremos esses dados com a devida seriedade e respeito.*\n"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "UNIsO7MkLeMs"
      },
      "source": [
        "# Análise Descritiva📊🔍\n",
        "\n",
        "Nesta seção, realizaremos uma análise descritiva do conjunto de dados para obter insights sobre os disparos policiais fatais nos EUA.\n",
        "\n",
        "**Tipos de Colunas:** ✍️📋\n",
        "\n",
        "O conjunto de dados possui 14 colunas com os seguintes tipos:\n",
        "\n",
        "\n",
        "- **id**: integer\n",
        "- **name** (nome): text\n",
        "- **date_of_death** (data de falecimento): date\n",
        "- **manner_of_death** (modo de morte): text\n",
        "- **armed** (armado): text\n",
        "- **age** (idade): integer\n",
        "- **gender** (gênero): char\n",
        "- **race** (raça): char\n",
        "- **city** (cidade): text\n",
        "- **state** (estado): text\n",
        "- **signs_of_mental_illness** (sinais de doença mental): boolean\n",
        "- **threat_level** (nível de ameaça): text\n",
        "- **flee** (fuga): text\n",
        "- **body_camera** (câmera corporal): boolean\n",
        "\n",
        "Essa descrição fornece uma visão geral dos tipos de dados em cada coluna do conjunto de dados e será útil para realizar nossa análise posteriormente.\n",
        "\n",
        "**Valores Nulos:** ❓🔎\n",
        "\n",
        "Após a realização da consulta, identificamos os seguintes valores nulos em cada coluna:\n",
        "\n",
        "- **armed**: 240 valores nulos\n",
        "- **age**: 249 valores nulos\n",
        "- **gender**: 2 valores nulos\n",
        "- **race**: 607 valores nulos\n",
        "- **flee**: 250 valores nulos\n",
        "\n",
        "\n",
        "**Valores Únicos em Colunas Categóricas:** 🧮🔍\n",
        "\n",
        "- **id:** 5.338 valores únicos\n",
        "- **nome:** 5.115 valores únicos\n",
        "- **date_of_death:** 1.823 valores únicos\n",
        "- **manner_of_death:** 2 valores únicos\n",
        "- **age:** 77 valores únicos\n",
        "- **gender:** 2 valores únicos\n",
        "- **city:** 2.447 valores únicos\n",
        "- **state:** 51 valores únicos\n",
        "- **signs_of_mental_illness:** 2 valores únicos\n",
        "- **threat_level:** 3 valores únicos\n",
        "- **flee:** 4 valores únicos\n",
        "- **body_camera:** 2 valores únicos\n",
        "\n",
        "Esses números evidenciam a diversidade de informações presentes nas colunas e fornecem insights valiosos sobre a amplitude e complexidade dos dados analisados."
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 85,
      "metadata": {},
      "outputs": [
        {
          "name": "stdout",
          "output_type": "stream",
          "text": [
            "número de valores nulos: \n",
            "id                           0\n",
            "name                         0\n",
            "date_of_death                0\n",
            "manner_of_death              0\n",
            "armed                      240\n",
            "age                        249\n",
            "gender                       2\n",
            "race                       607\n",
            "city                         0\n",
            "state                        0\n",
            "signs_of_mental_illness      0\n",
            "threat_level                 0\n",
            "flee                       250\n",
            "body_camera                  0\n",
            "dtype: int64\n",
            "\n",
            "id = 5338\n",
            "nome = 5115\n",
            "date_of_death = 1823\n",
            "manner_of_death = 2\n",
            "age = 77\n",
            "gender = 2\n",
            "city = 2447\n",
            "state = 51\n",
            "signs_of_mental_illness = 2\n",
            "threat_level = 3\n",
            "flee = 4\n",
            "body_camera = 2\n"
          ]
        }
      ],
      "source": [
        "# Checando a quantidade de valores nulos e valores únicos em colunas categóricas\n",
        "\n",
        "from sqlalchemy import create_engine\n",
        "import pandas as pd\n",
        "\n",
        "engine = create_engine('postgresql+psycopg2://postgres:123@localhost/postgres')\n",
        "conn = engine.connect()\n",
        "\n",
        "query = \"\"\"\n",
        "SELECT * FROM projeto.fatal_shootings;\n",
        "\"\"\"\n",
        "df = pd.read_sql_query(query, con = conn)\n",
        "null_values = df.isnull().sum()\n",
        "print(f\"número de valores nulos: \\n{null_values}\\n\")\n",
        "\n",
        "\n",
        "id = df['id'].nunique()\n",
        "name = df['name'].nunique()\n",
        "date_of_death = df['date_of_death'].nunique()\n",
        "manner_of_death = df['manner_of_death'].nunique()\n",
        "armed = df['armed'].nunique()\n",
        "age = df['age'].nunique()\n",
        "gender = df['gender'].nunique()\n",
        "city = df['city'].nunique()\n",
        "state = df['state'].nunique()\n",
        "signs_of_mental_illness = df['signs_of_mental_illness'].nunique()\n",
        "threat_level = df['threat_level'].nunique()\n",
        "flee = df['flee'].nunique()\n",
        "body_camera = df['body_camera'].nunique()\n",
        "\n",
        "print(f\"id = {id}\")\n",
        "print(f\"nome = {name}\")\n",
        "print(f\"date_of_death = {date_of_death}\")\n",
        "print(f\"manner_of_death = {manner_of_death}\")\n",
        "print(f\"age = {age}\")\n",
        "print(f\"gender = {gender}\")\n",
        "print(f\"city = {city}\")\n",
        "print(f\"state = {state}\")\n",
        "print(f\"signs_of_mental_illness = {signs_of_mental_illness}\")\n",
        "print(f\"threat_level = {threat_level}\")\n",
        "print(f\"flee = {flee}\")\n",
        "print(f\"body_camera = {body_camera}\")\n",
        "\n"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "jVbuz9mjLeMt"
      },
      "source": [
        "# Consultas📊🔍\n",
        "\n",
        "Nesta seção, responderemos a algumas consultas relevantes sobre o conjunto de dados dos disparos policiais fatais nos EUA.\n",
        "\n",
        "## Consulta 1: Distribuição Demográfica\n",
        "\n",
        "Vamos analisar a distribuição demográfica das vítimas, incluindo idade, gênero e raça.\n",
        "\n",
        "### Perguntas:\n",
        "- Qual é a faixa etária mais comum das vítimas?\n",
        "- Quais são os gêneros mais representados nas ocorrências?\n",
        "- Como é a distribuição racial das vítimas?\n"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {
        "id": "ozZZZvL_LeMu",
        "outputId": "b7c89f78-2f85-4895-d3e3-e9f0aa8c5541"
      },
      "outputs": [
        {
          "data": {
            "text/html": [
              "<div>\n",
              "<style scoped>\n",
              "    .dataframe tbody tr th:only-of-type {\n",
              "        vertical-align: middle;\n",
              "    }\n",
              "\n",
              "    .dataframe tbody tr th {\n",
              "        vertical-align: top;\n",
              "    }\n",
              "\n",
              "    .dataframe thead th {\n",
              "        text-align: right;\n",
              "    }\n",
              "</style>\n",
              "<table border=\"1\" class=\"dataframe\">\n",
              "  <thead>\n",
              "    <tr style=\"text-align: right;\">\n",
              "      <th></th>\n",
              "      <th>idade</th>\n",
              "      <th>total</th>\n",
              "    </tr>\n",
              "  </thead>\n",
              "  <tbody>\n",
              "    <tr>\n",
              "      <th>0</th>\n",
              "      <td>NaN</td>\n",
              "      <td>249</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>1</th>\n",
              "      <td>25.0</td>\n",
              "      <td>180</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>2</th>\n",
              "      <td>31.0</td>\n",
              "      <td>178</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>3</th>\n",
              "      <td>33.0</td>\n",
              "      <td>169</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>4</th>\n",
              "      <td>29.0</td>\n",
              "      <td>169</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>5</th>\n",
              "      <td>27.0</td>\n",
              "      <td>169</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>6</th>\n",
              "      <td>34.0</td>\n",
              "      <td>166</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>7</th>\n",
              "      <td>32.0</td>\n",
              "      <td>166</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>8</th>\n",
              "      <td>24.0</td>\n",
              "      <td>154</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>9</th>\n",
              "      <td>36.0</td>\n",
              "      <td>153</td>\n",
              "    </tr>\n",
              "  </tbody>\n",
              "</table>\n",
              "</div>"
            ],
            "text/plain": [
              "   idade  total\n",
              "0    NaN    249\n",
              "1   25.0    180\n",
              "2   31.0    178\n",
              "3   33.0    169\n",
              "4   29.0    169\n",
              "5   27.0    169\n",
              "6   34.0    166\n",
              "7   32.0    166\n",
              "8   24.0    154\n",
              "9   36.0    153"
            ]
          },
          "execution_count": 105,
          "metadata": {},
          "output_type": "execute_result"
        }
      ],
      "source": [
        "# Qual é a faixa etária mais comum das vítimas?\n",
        "\n",
        "from sqlalchemy import create_engine\n",
        "import pandas as pd\n",
        "\n",
        "engine = create_engine('postgresql+psycopg2://postgres:123@localhost/postgres')\n",
        "conn = engine.connect()\n",
        "\n",
        "query = \"\"\"\n",
        "SELECT age AS idade, count(id) AS total\n",
        "FROM projeto.fatal_shootings\n",
        "GROUP BY age\n",
        "ORDER BY total DESC\n",
        "LIMIT 10;\n",
        "\"\"\"\n",
        "df = pd.read_sql_query(query, con = conn)\n",
        "df"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "VJCRd-gDLeMw"
      },
      "source": [
        "É possível perceber que apesar de 249 registros não terem idade confirmada, a faixa etária mais comum das vítimas de disparos policiais fatais nos EUA varia de 25 a 35 anos. Essas informações nos ajudam a entender melhor o perfil das vítimas nesse contexto."
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {
        "id": "Ho4y_HImLeMx",
        "outputId": "2ac0d867-8d1d-432f-f008-cb9710072f0f"
      },
      "outputs": [
        {
          "data": {
            "text/html": [
              "<div>\n",
              "<style scoped>\n",
              "    .dataframe tbody tr th:only-of-type {\n",
              "        vertical-align: middle;\n",
              "    }\n",
              "\n",
              "    .dataframe tbody tr th {\n",
              "        vertical-align: top;\n",
              "    }\n",
              "\n",
              "    .dataframe thead th {\n",
              "        text-align: right;\n",
              "    }\n",
              "</style>\n",
              "<table border=\"1\" class=\"dataframe\">\n",
              "  <thead>\n",
              "    <tr style=\"text-align: right;\">\n",
              "      <th></th>\n",
              "      <th>gênero</th>\n",
              "      <th>total</th>\n",
              "    </tr>\n",
              "  </thead>\n",
              "  <tbody>\n",
              "    <tr>\n",
              "      <th>0</th>\n",
              "      <td>M</td>\n",
              "      <td>5102</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>1</th>\n",
              "      <td>F</td>\n",
              "      <td>234</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>2</th>\n",
              "      <td>None</td>\n",
              "      <td>2</td>\n",
              "    </tr>\n",
              "  </tbody>\n",
              "</table>\n",
              "</div>"
            ],
            "text/plain": [
              "  gênero  total\n",
              "0      M   5102\n",
              "1      F    234\n",
              "2   None      2"
            ]
          },
          "execution_count": 106,
          "metadata": {},
          "output_type": "execute_result"
        }
      ],
      "source": [
        "# Quais são os gêneros mais representados nas ocorrências?\n",
        "\n",
        "from sqlalchemy import create_engine\n",
        "import pandas as pd\n",
        "\n",
        "engine = create_engine('postgresql+psycopg2://postgres:123@localhost/postgres')\n",
        "conn = engine.connect()\n",
        "\n",
        "query = \"\"\"\n",
        "SELECT gender AS gênero, count(id) AS total\n",
        "FROM projeto.fatal_shootings\n",
        "GROUP BY gender\n",
        "ORDER BY total DESC;\n",
        "\"\"\"\n",
        "df = pd.read_sql_query(query, con = conn)\n",
        "df"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "Fi1ukiwKLeMy"
      },
      "source": [
        "A maioria esmagadora dos casos se dão com pessoas do sexo masculino, com uma fatia de mais de 90% dos casos."
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {
        "id": "ZrHGA7IYLeMz",
        "outputId": "7c0d9d1e-1698-4959-f10f-27ca0bc06f03"
      },
      "outputs": [
        {
          "data": {
            "text/html": [
              "<div>\n",
              "<style scoped>\n",
              "    .dataframe tbody tr th:only-of-type {\n",
              "        vertical-align: middle;\n",
              "    }\n",
              "\n",
              "    .dataframe tbody tr th {\n",
              "        vertical-align: top;\n",
              "    }\n",
              "\n",
              "    .dataframe thead th {\n",
              "        text-align: right;\n",
              "    }\n",
              "</style>\n",
              "<table border=\"1\" class=\"dataframe\">\n",
              "  <thead>\n",
              "    <tr style=\"text-align: right;\">\n",
              "      <th></th>\n",
              "      <th>raça</th>\n",
              "      <th>total</th>\n",
              "    </tr>\n",
              "  </thead>\n",
              "  <tbody>\n",
              "    <tr>\n",
              "      <th>0</th>\n",
              "      <td>W</td>\n",
              "      <td>2385</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>1</th>\n",
              "      <td>B</td>\n",
              "      <td>1254</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>2</th>\n",
              "      <td>H</td>\n",
              "      <td>878</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>3</th>\n",
              "      <td>desconhecida</td>\n",
              "      <td>654</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>4</th>\n",
              "      <td>A</td>\n",
              "      <td>91</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>5</th>\n",
              "      <td>N</td>\n",
              "      <td>76</td>\n",
              "    </tr>\n",
              "  </tbody>\n",
              "</table>\n",
              "</div>"
            ],
            "text/plain": [
              "           raça  total\n",
              "0             W   2385\n",
              "1             B   1254\n",
              "2             H    878\n",
              "3  desconhecida    654\n",
              "4             A     91\n",
              "5             N     76"
            ]
          },
          "execution_count": 140,
          "metadata": {},
          "output_type": "execute_result"
        }
      ],
      "source": [
        "# Como é a distribuição racial das vítimas?\n",
        "\n",
        "from sqlalchemy import create_engine\n",
        "import pandas as pd\n",
        "\n",
        "engine = create_engine('postgresql+psycopg2://postgres:123@localhost/postgres')\n",
        "conn = engine.connect()\n",
        "\n",
        "query = \"\"\"\n",
        "SELECT race AS raça, COUNT(*) AS total\n",
        "FROM (\n",
        "    SELECT CASE WHEN (race IS null OR race LIKE 'O') THEN 'desconhecida' ELSE race END AS race\n",
        "    FROM projeto.fatal_shootings\n",
        "    ) AS subquery\n",
        "GROUP BY race\n",
        "ORDER BY total DESC;\n",
        "\"\"\"\n",
        "df = pd.read_sql_query(query, con = conn)\n",
        "df"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "yTz9uIngLeM0"
      },
      "source": [
        "A raça mais comum entre as vítimas é a raça branca (W), com um total de 2385 ocorrências seguida pela a raça negra (B) com 1254 ocorrências e a raça hispânica (H) com 878 ocorrências. A categoria \"desconhecida\" agrupa as raças \"O\" (Outro) e nulos, e apresenta um total de 654 ocorrências.\n",
        "Esses resultados fornecem uma visão inicial sobre a distribuição das raças entre as vítimas. É importante ressaltar que essa análise é baseada nos dados disponíveis no conjunto de dados analisado e não reflete necessariamente a representação demográfica completa da população.\n",
        "\n",
        "É possível explorar esta possível relação a partir da comparação entre datasets que detalhem a composição racial e a densidade demográfica nas cidades e estados presentes no conjunto de dados."
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "WJ3MjSb0LeM0"
      },
      "source": [
        "## Consulta 2: Armas Utilizadas\n",
        "\n",
        "Vamos explorar as armas utilizadas nas ocorrências.\n",
        "\n",
        "### Perguntas:\n",
        "- Quais são as armas mais comuns envolvidas nas ocorrências?\n",
        "- Qual é a proporção de suspeitos armados e desarmados nas ocorrências?"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {
        "id": "Ut923JAnLeM1",
        "outputId": "76b2412f-6689-4322-f235-75b9c821ee59"
      },
      "outputs": [
        {
          "data": {
            "text/html": [
              "<div>\n",
              "<style scoped>\n",
              "    .dataframe tbody tr th:only-of-type {\n",
              "        vertical-align: middle;\n",
              "    }\n",
              "\n",
              "    .dataframe tbody tr th {\n",
              "        vertical-align: top;\n",
              "    }\n",
              "\n",
              "    .dataframe thead th {\n",
              "        text-align: right;\n",
              "    }\n",
              "</style>\n",
              "<table border=\"1\" class=\"dataframe\">\n",
              "  <thead>\n",
              "    <tr style=\"text-align: right;\">\n",
              "      <th></th>\n",
              "      <th>arma</th>\n",
              "      <th>total</th>\n",
              "    </tr>\n",
              "  </thead>\n",
              "  <tbody>\n",
              "    <tr>\n",
              "      <th>0</th>\n",
              "      <td>gun</td>\n",
              "      <td>2997</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>1</th>\n",
              "      <td>knife</td>\n",
              "      <td>780</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>2</th>\n",
              "      <td>unarmed</td>\n",
              "      <td>318</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>3</th>\n",
              "      <td>undetermined</td>\n",
              "      <td>221</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>4</th>\n",
              "      <td>toy weapon</td>\n",
              "      <td>177</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>5</th>\n",
              "      <td>vehicle</td>\n",
              "      <td>125</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>6</th>\n",
              "      <td>unknown weapon</td>\n",
              "      <td>74</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>7</th>\n",
              "      <td>machete</td>\n",
              "      <td>44</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>8</th>\n",
              "      <td>Taser</td>\n",
              "      <td>26</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>9</th>\n",
              "      <td>ax</td>\n",
              "      <td>24</td>\n",
              "    </tr>\n",
              "  </tbody>\n",
              "</table>\n",
              "</div>"
            ],
            "text/plain": [
              "             arma  total\n",
              "0             gun   2997\n",
              "1           knife    780\n",
              "2         unarmed    318\n",
              "3    undetermined    221\n",
              "4      toy weapon    177\n",
              "5         vehicle    125\n",
              "6  unknown weapon     74\n",
              "7         machete     44\n",
              "8           Taser     26\n",
              "9              ax     24"
            ]
          },
          "execution_count": 168,
          "metadata": {},
          "output_type": "execute_result"
        }
      ],
      "source": [
        "# Quais são as armas mais comuns envolvidas nas ocorrências?\n",
        "\n",
        "from sqlalchemy import create_engine\n",
        "import pandas as pd\n",
        "\n",
        "engine = create_engine('postgresql+psycopg2://postgres:123@localhost/postgres')\n",
        "conn = engine.connect()\n",
        "\n",
        "query = \"\"\"\n",
        "SELECT armed AS arma, COUNT(armed) AS total\n",
        "FROM projeto.fatal_shootings\n",
        "GROUP BY armed\n",
        "ORDER BY total DESC\n",
        "LIMIT 10;\n",
        "\"\"\"\n",
        "df = pd.read_sql_query(query, con = conn)\n",
        "df"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "fVUfVrHuLeM1"
      },
      "source": [
        "As armas mais comuns envolvidas nas ocorrências de disparos policiais fatais são as armas de fogo, presentes em 2997 casos. Em seguida, as facas, presentes em 780 casos e armas de brinquedo estão presentes em 177 casos.\n",
        "Vale mencionar que, apesar dessas serem as armas mais frequentes, também ocorreram situações em que os suspeitos não estavam armados (318 casos) e em que a presença de arma foi classificada como indeterminada (221 casos)."
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {
        "id": "-2CCY_WzLeM1",
        "outputId": "69793521-912a-48cb-c3fa-e9fc6027b16e"
      },
      "outputs": [
        {
          "data": {
            "text/html": [
              "<div>\n",
              "<style scoped>\n",
              "    .dataframe tbody tr th:only-of-type {\n",
              "        vertical-align: middle;\n",
              "    }\n",
              "\n",
              "    .dataframe tbody tr th {\n",
              "        vertical-align: top;\n",
              "    }\n",
              "\n",
              "    .dataframe thead th {\n",
              "        text-align: right;\n",
              "    }\n",
              "</style>\n",
              "<table border=\"1\" class=\"dataframe\">\n",
              "  <thead>\n",
              "    <tr style=\"text-align: right;\">\n",
              "      <th></th>\n",
              "      <th>armado</th>\n",
              "      <th>total</th>\n",
              "    </tr>\n",
              "  </thead>\n",
              "  <tbody>\n",
              "    <tr>\n",
              "      <th>0</th>\n",
              "      <td>armed</td>\n",
              "      <td>4559</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>1</th>\n",
              "      <td>unarmed</td>\n",
              "      <td>318</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>2</th>\n",
              "      <td>undetermined</td>\n",
              "      <td>221</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>3</th>\n",
              "      <td>None</td>\n",
              "      <td>0</td>\n",
              "    </tr>\n",
              "  </tbody>\n",
              "</table>\n",
              "</div>"
            ],
            "text/plain": [
              "         armado  total\n",
              "0         armed   4559\n",
              "1       unarmed    318\n",
              "2  undetermined    221\n",
              "3          None      0"
            ]
          },
          "execution_count": 171,
          "metadata": {},
          "output_type": "execute_result"
        }
      ],
      "source": [
        "# Qual é a proporção de suspeitos armados e desarmados nas ocorrências?\n",
        "\n",
        "from sqlalchemy import create_engine\n",
        "import pandas as pd\n",
        "\n",
        "engine = create_engine('postgresql+psycopg2://postgres:123@localhost/postgres')\n",
        "conn = engine.connect()\n",
        "\n",
        "query = \"\"\"\n",
        "SELECT armed AS armado, COUNT(armed) AS total\n",
        "FROM (\n",
        "  SELECT CASE\n",
        "   WHEN armed != 'unarmed' AND armed != 'undetermined'\n",
        "  THEN 'armed'\n",
        "  ELSE armed END AS armed\n",
        "  FROM projeto.fatal_shootings\n",
        "  ) AS subquery\n",
        "GROUP BY armed\n",
        "ORDER BY total DESC;\n",
        "\"\"\"\n",
        "df = pd.read_sql_query(query, con = conn)\n",
        "df"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "ik3iL8DoLeM2"
      },
      "source": [
        "A maioria dos casos envolve suspeitos armados com 4559 ocorrências, seguidos por 318 casos de suspeitos desarmados e 221 casos em que o status é classificado como indeterminado.\n",
        "\n",
        "Essas informações ressaltam a presença significativa de suspeitos armados nos casos analisados. No entanto, também é relevante notar que houve ocorrências em que os suspeitos estavam desarmados ou em que a classificação do status foi inconclusiva."
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "KBPNdGDoLeM3"
      },
      "source": [
        "## Consulta 3: Circunstâncias dos Incidentes\n",
        "Vamos investigar as circunstâncias dos incidentes.\n",
        "\n",
        "## Perguntas:\n",
        "- Quais são os níveis de ameaça mais frequentes relatados nos incidentes?\n",
        "- Como é a distribuição dos casos em relação ao uso de câmera corporal por parte dos policiais?\n",
        "- Houve relato de sinais de doença mental nos casos?"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {
        "id": "PET9B0SBLeM3",
        "outputId": "87901a21-bf1e-42e8-ce48-cc155112b0f5"
      },
      "outputs": [
        {
          "data": {
            "text/html": [
              "<div>\n",
              "<style scoped>\n",
              "    .dataframe tbody tr th:only-of-type {\n",
              "        vertical-align: middle;\n",
              "    }\n",
              "\n",
              "    .dataframe tbody tr th {\n",
              "        vertical-align: top;\n",
              "    }\n",
              "\n",
              "    .dataframe thead th {\n",
              "        text-align: right;\n",
              "    }\n",
              "</style>\n",
              "<table border=\"1\" class=\"dataframe\">\n",
              "  <thead>\n",
              "    <tr style=\"text-align: right;\">\n",
              "      <th></th>\n",
              "      <th>nível_ameaça</th>\n",
              "      <th>total</th>\n",
              "    </tr>\n",
              "  </thead>\n",
              "  <tbody>\n",
              "    <tr>\n",
              "      <th>0</th>\n",
              "      <td>attack</td>\n",
              "      <td>3434</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>1</th>\n",
              "      <td>other</td>\n",
              "      <td>1643</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>2</th>\n",
              "      <td>undetermined</td>\n",
              "      <td>261</td>\n",
              "    </tr>\n",
              "  </tbody>\n",
              "</table>\n",
              "</div>"
            ],
            "text/plain": [
              "   nível_ameaça  total\n",
              "0        attack   3434\n",
              "1         other   1643\n",
              "2  undetermined    261"
            ]
          },
          "execution_count": 178,
          "metadata": {},
          "output_type": "execute_result"
        }
      ],
      "source": [
        "# Quais são os níveis de ameaça mais frequentes relatados nos incidentes?\n",
        "\n",
        "from sqlalchemy import create_engine\n",
        "import pandas as pd\n",
        "\n",
        "engine = create_engine('postgresql+psycopg2://postgres:123@localhost/postgres')\n",
        "conn = engine.connect()\n",
        "\n",
        "query = \"\"\"\n",
        "SELECT threat_level AS nível_ameaça, COUNT(*) AS total\n",
        "FROM projeto.fatal_shootings\n",
        "GROUP BY threat_level\n",
        "ORDER BY total desc\n",
        "LIMIT 5;\n",
        "\"\"\"\n",
        "df = pd.read_sql_query(query, con = conn)\n",
        "df"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "gqjiwC3BLeM3"
      },
      "source": [
        "A maioria dos casos, com 3434 ocorrências, indica uma situação de perigo significativo. Além disso, houve um número considerável de casos classificados como \"outro\", cuja natureza exata não está especificada nos dados disponíveis. Por fim, houveram 261 casos em que a natureza do incidente foi classificada como indeterminada, o que sugere a necessidade de uma análise mais aprofundada para entender melhor esses casos."
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 3,
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/",
          "height": 615
        },
        "id": "GOvnFU2zLeM3",
        "outputId": "b1bdbe1e-8665-4ed3-d90f-cfa5ade44dbb"
      },
      "outputs": [
        {
          "data": {
            "text/html": [
              "<div>\n",
              "<style scoped>\n",
              "    .dataframe tbody tr th:only-of-type {\n",
              "        vertical-align: middle;\n",
              "    }\n",
              "\n",
              "    .dataframe tbody tr th {\n",
              "        vertical-align: top;\n",
              "    }\n",
              "\n",
              "    .dataframe thead th {\n",
              "        text-align: right;\n",
              "    }\n",
              "</style>\n",
              "<table border=\"1\" class=\"dataframe\">\n",
              "  <thead>\n",
              "    <tr style=\"text-align: right;\">\n",
              "      <th></th>\n",
              "      <th>câmera_corporal</th>\n",
              "      <th>total</th>\n",
              "    </tr>\n",
              "  </thead>\n",
              "  <tbody>\n",
              "    <tr>\n",
              "      <th>0</th>\n",
              "      <td>False</td>\n",
              "      <td>4739</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>1</th>\n",
              "      <td>True</td>\n",
              "      <td>599</td>\n",
              "    </tr>\n",
              "  </tbody>\n",
              "</table>\n",
              "</div>"
            ],
            "text/plain": [
              "   câmera_corporal  total\n",
              "0            False   4739\n",
              "1             True    599"
            ]
          },
          "execution_count": 3,
          "metadata": {},
          "output_type": "execute_result"
        }
      ],
      "source": [
        "# Como é a distribuição dos casos em relação ao uso de câmera corporal por parte dos policiais?\n",
        "\n",
        "from sqlalchemy import create_engine\n",
        "import pandas as pd\n",
        "\n",
        "engine = create_engine('postgresql+psycopg2://postgres:123@localhost/postgres')\n",
        "conn = engine.connect()\n",
        "\n",
        "query = \"\"\"\n",
        "SELECT body_camera AS câmera_corporal, COUNT(*) AS total\n",
        "FROM projeto.fatal_shootings\n",
        "GROUP BY body_camera\n",
        "ORDER BY total desc\n",
        "LIMIT 5;\n",
        "\"\"\"\n",
        "df = pd.read_sql_query(query, con = conn)\n",
        "df"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "6sxhNWq4LeM4"
      },
      "source": [
        "Dos casos analisados, em 4739 deles a câmera corporal não estava sendo utilizada durante o incidente. Em contraste, em 599 casos, a presença de câmera corporal foi registrada. Essa diferença pode ter implicações na disponibilidade de evidências e na transparência dos eventos. Além disso, observa-se uma tendência de maior número de casos com vítimas quando a câmera não é utilizada, sugerindo a importância do uso de câmeras corporais para documentar e esclarecer os eventos durante as ocorrências de disparos policiais fatais."
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 10,
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/",
          "height": 615
        },
        "id": "vI8EP6txN32q",
        "outputId": "97b2c6ea-28a6-442e-fa48-277fe9eaaec2"
      },
      "outputs": [
        {
          "data": {
            "text/html": [
              "<div>\n",
              "<style scoped>\n",
              "    .dataframe tbody tr th:only-of-type {\n",
              "        vertical-align: middle;\n",
              "    }\n",
              "\n",
              "    .dataframe tbody tr th {\n",
              "        vertical-align: top;\n",
              "    }\n",
              "\n",
              "    .dataframe thead th {\n",
              "        text-align: right;\n",
              "    }\n",
              "</style>\n",
              "<table border=\"1\" class=\"dataframe\">\n",
              "  <thead>\n",
              "    <tr style=\"text-align: right;\">\n",
              "      <th></th>\n",
              "      <th>doenca_mental</th>\n",
              "      <th>total</th>\n",
              "    </tr>\n",
              "  </thead>\n",
              "  <tbody>\n",
              "    <tr>\n",
              "      <th>0</th>\n",
              "      <td>False</td>\n",
              "      <td>4143</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>1</th>\n",
              "      <td>True</td>\n",
              "      <td>1195</td>\n",
              "    </tr>\n",
              "  </tbody>\n",
              "</table>\n",
              "</div>"
            ],
            "text/plain": [
              "   doenca_mental  total\n",
              "0          False   4143\n",
              "1           True   1195"
            ]
          },
          "execution_count": 10,
          "metadata": {},
          "output_type": "execute_result"
        }
      ],
      "source": [
        "# Houve relato de sinais de doença mental nos casos?\n",
        "\n",
        "from sqlalchemy import create_engine\n",
        "import pandas as pd\n",
        "\n",
        "engine = create_engine('postgresql+psycopg2://postgres:123@localhost/postgres')\n",
        "conn = engine.connect()\n",
        "\n",
        "query = \"\"\"\n",
        "SELECT signs_of_mental_illness AS doenca_mental, COUNT(*) AS total\n",
        "FROM projeto.fatal_shootings\n",
        "GROUP BY signs_of_mental_illness\n",
        "ORDER BY total desc\n",
        "LIMIT 5;\n",
        "\"\"\"\n",
        "df = pd.read_sql_query(query, con = conn)\n",
        "df"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "Dos casos de tiroteios fatais, 1.195 relataram sinais de doença mental, enquanto 4.143 não tiveram relatos desses sinais."
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "## Consulta 4: Cidades e Estados\n",
        "Nesta consulta, analisaremos a localização dos tiroteios fatais, focalizando cidades e estados envolvidos.\n",
        "\n",
        "### Perguntas:\n",
        "1. Quais cidades têm o maior número de tiroteios fatais?\n",
        "2. Quais estados têm a maior incidência de tiroteios fatais?\n",
        "3. Qual foi a data com o maior número de tiroteios fatais registrados no dataset?"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 58,
      "metadata": {},
      "outputs": [
        {
          "data": {
            "text/html": [
              "<div>\n",
              "<style scoped>\n",
              "    .dataframe tbody tr th:only-of-type {\n",
              "        vertical-align: middle;\n",
              "    }\n",
              "\n",
              "    .dataframe tbody tr th {\n",
              "        vertical-align: top;\n",
              "    }\n",
              "\n",
              "    .dataframe thead th {\n",
              "        text-align: right;\n",
              "    }\n",
              "</style>\n",
              "<table border=\"1\" class=\"dataframe\">\n",
              "  <thead>\n",
              "    <tr style=\"text-align: right;\">\n",
              "      <th></th>\n",
              "      <th>cidade</th>\n",
              "      <th>total</th>\n",
              "    </tr>\n",
              "  </thead>\n",
              "  <tbody>\n",
              "    <tr>\n",
              "      <th>0</th>\n",
              "      <td>Los Angeles</td>\n",
              "      <td>83</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>1</th>\n",
              "      <td>Phoenix</td>\n",
              "      <td>75</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>2</th>\n",
              "      <td>Houston</td>\n",
              "      <td>56</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>3</th>\n",
              "      <td>Las Vegas</td>\n",
              "      <td>44</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>4</th>\n",
              "      <td>San Antonio</td>\n",
              "      <td>43</td>\n",
              "    </tr>\n",
              "  </tbody>\n",
              "</table>\n",
              "</div>"
            ],
            "text/plain": [
              "        cidade  total\n",
              "0  Los Angeles     83\n",
              "1      Phoenix     75\n",
              "2      Houston     56\n",
              "3    Las Vegas     44\n",
              "4  San Antonio     43"
            ]
          },
          "execution_count": 58,
          "metadata": {},
          "output_type": "execute_result"
        }
      ],
      "source": [
        "# Quais cidades têm o maior número de tiroteios fatais?\n",
        "\n",
        "from sqlalchemy import create_engine\n",
        "import pandas as pd\n",
        "\n",
        "engine = create_engine('postgresql+psycopg2://postgres:123@localhost/postgres')\n",
        "conn = engine.connect()\n",
        "\n",
        "query = \"\"\"\n",
        "SELECT city AS cidade, COUNT(city) AS total\n",
        "FROM projeto.fatal_shootings\n",
        "GROUP BY city\n",
        "ORDER BY total desc\n",
        "LIMIT 5;\n",
        "\"\"\"\n",
        "df = pd.read_sql_query(query, con = conn)\n",
        "df"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "Os resultados mostram as cinco cidades dos EUA com maior número de tiroteios fatais entre 2015 e 2020: Los Angeles (83), Phoenix (75), Houston (56), Las Vegas (44) e San Antonio (43)"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 60,
      "metadata": {},
      "outputs": [
        {
          "data": {
            "text/html": [
              "<div>\n",
              "<style scoped>\n",
              "    .dataframe tbody tr th:only-of-type {\n",
              "        vertical-align: middle;\n",
              "    }\n",
              "\n",
              "    .dataframe tbody tr th {\n",
              "        vertical-align: top;\n",
              "    }\n",
              "\n",
              "    .dataframe thead th {\n",
              "        text-align: right;\n",
              "    }\n",
              "</style>\n",
              "<table border=\"1\" class=\"dataframe\">\n",
              "  <thead>\n",
              "    <tr style=\"text-align: right;\">\n",
              "      <th></th>\n",
              "      <th>estado</th>\n",
              "      <th>total</th>\n",
              "    </tr>\n",
              "  </thead>\n",
              "  <tbody>\n",
              "    <tr>\n",
              "      <th>0</th>\n",
              "      <td>CA</td>\n",
              "      <td>784</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>1</th>\n",
              "      <td>TX</td>\n",
              "      <td>476</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>2</th>\n",
              "      <td>FL</td>\n",
              "      <td>344</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>3</th>\n",
              "      <td>AZ</td>\n",
              "      <td>251</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>4</th>\n",
              "      <td>CO</td>\n",
              "      <td>191</td>\n",
              "    </tr>\n",
              "  </tbody>\n",
              "</table>\n",
              "</div>"
            ],
            "text/plain": [
              "  estado  total\n",
              "0     CA    784\n",
              "1     TX    476\n",
              "2     FL    344\n",
              "3     AZ    251\n",
              "4     CO    191"
            ]
          },
          "execution_count": 60,
          "metadata": {},
          "output_type": "execute_result"
        }
      ],
      "source": [
        "# Quais estados têm a maior incidência de tiroteios fatais?\n",
        "\n",
        "from sqlalchemy import create_engine\n",
        "import pandas as pd\n",
        "\n",
        "engine = create_engine('postgresql+psycopg2://postgres:123@localhost/postgres')\n",
        "conn = engine.connect()\n",
        "\n",
        "query = \"\"\"\n",
        "SELECT state AS estado, COUNT(state) AS total\n",
        "FROM projeto.fatal_shootings\n",
        "GROUP BY state\n",
        "ORDER BY total desc\n",
        "LIMIT 5;\n",
        "\"\"\"\n",
        "df = pd.read_sql_query(query, con = conn)\n",
        "df"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "Os estados dos EUA com maior incidência de tiroteios fatais entre 2015 e 2020 são: Califórnia (784) e Texas (476). Ambos na região sudoeste do país."
      ]
    },
    {
      "cell_type": "code",
      "execution_count": 72,
      "metadata": {},
      "outputs": [
        {
          "data": {
            "text/html": [
              "<div>\n",
              "<style scoped>\n",
              "    .dataframe tbody tr th:only-of-type {\n",
              "        vertical-align: middle;\n",
              "    }\n",
              "\n",
              "    .dataframe tbody tr th {\n",
              "        vertical-align: top;\n",
              "    }\n",
              "\n",
              "    .dataframe thead th {\n",
              "        text-align: right;\n",
              "    }\n",
              "</style>\n",
              "<table border=\"1\" class=\"dataframe\">\n",
              "  <thead>\n",
              "    <tr style=\"text-align: right;\">\n",
              "      <th></th>\n",
              "      <th>data</th>\n",
              "      <th>total</th>\n",
              "    </tr>\n",
              "  </thead>\n",
              "  <tbody>\n",
              "    <tr>\n",
              "      <th>0</th>\n",
              "      <td>2018-06-29</td>\n",
              "      <td>9</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>1</th>\n",
              "      <td>2019-01-28</td>\n",
              "      <td>9</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>2</th>\n",
              "      <td>2018-02-01</td>\n",
              "      <td>9</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>3</th>\n",
              "      <td>2018-04-01</td>\n",
              "      <td>9</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>4</th>\n",
              "      <td>2018-01-06</td>\n",
              "      <td>9</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>5</th>\n",
              "      <td>2019-12-10</td>\n",
              "      <td>8</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>6</th>\n",
              "      <td>2017-02-10</td>\n",
              "      <td>8</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>7</th>\n",
              "      <td>2015-12-14</td>\n",
              "      <td>8</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>8</th>\n",
              "      <td>2018-04-05</td>\n",
              "      <td>8</td>\n",
              "    </tr>\n",
              "    <tr>\n",
              "      <th>9</th>\n",
              "      <td>2017-01-24</td>\n",
              "      <td>8</td>\n",
              "    </tr>\n",
              "  </tbody>\n",
              "</table>\n",
              "</div>"
            ],
            "text/plain": [
              "         data  total\n",
              "0  2018-06-29      9\n",
              "1  2019-01-28      9\n",
              "2  2018-02-01      9\n",
              "3  2018-04-01      9\n",
              "4  2018-01-06      9\n",
              "5  2019-12-10      8\n",
              "6  2017-02-10      8\n",
              "7  2015-12-14      8\n",
              "8  2018-04-05      8\n",
              "9  2017-01-24      8"
            ]
          },
          "execution_count": 72,
          "metadata": {},
          "output_type": "execute_result"
        }
      ],
      "source": [
        "# Qual foi a data com o maior número de tiroteios fatais registrados no dataset?\n",
        "\n",
        "from sqlalchemy import create_engine\n",
        "import pandas as pd\n",
        "\n",
        "engine = create_engine('postgresql+psycopg2://postgres:123@localhost/postgres')\n",
        "conn = engine.connect()\n",
        "\n",
        "query = \"\"\"\n",
        "SELECT date_of_death AS data, COUNT(*) AS total\n",
        "FROM projeto.fatal_shootings\n",
        "GROUP BY date_of_death\n",
        "ORDER BY total DESC\n",
        "LIMIT 10;\n",
        "\"\"\"\n",
        "df = pd.read_sql_query(query, con = conn)\n",
        "df"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "De acordo com o relatório, os dias 29 de junho de 2018, 28 de janeiro de 2019, 1º de fevereiro de 2018, 1º de abril de 2018 e 6 de janeiro de 2018 foram os que apresentaram o maior número de tiroteios fatais registrados, totalizando 9 ocorrências cada."
      ]
    }
  ],
  "metadata": {
    "colab": {
      "provenance": []
    },
    "kernelspec": {
      "display_name": "Python 3",
      "language": "python",
      "name": "python3"
    },
    "language_info": {
      "codemirror_mode": {
        "name": "ipython",
        "version": 3
      },
      "file_extension": ".py",
      "mimetype": "text/x-python",
      "name": "python",
      "nbconvert_exporter": "python",
      "pygments_lexer": "ipython3",
      "version": "3.11.4"
    },
    "orig_nbformat": 4
  },
  "nbformat": 4,
  "nbformat_minor": 0
}