Análise de Dados Imobiliários: DF e SP

Este projeto foi desenvolvido com o intuito de estudar e aprender sobre análise de dados aplicados ao mercado imobiliário, utilizando duas bases de dados obtidas do Kaggle. O foco está na exploração dos preços dos imóveis, bem como na relação desses preços com variáveis como área, número de quartos, tipo de imóvel e bairro.

---

Objetivo

• Investigar a distribuição dos preços dos imóveis e identificar padrões que possam ser relevantes para compradores, investidores e interessados no mercado.
• Analisar as relações entre o preço e outras variáveis (ex.: área, quartos, tipo de imóvel e bairro) utilizando técnicas de limpeza e visualização de dados.

---

Metodologia

1. Coleta de Dados

• Distrito Federal (DF):
  • Base de dados: dados/ImóveisDF.csv (com separador ;).
• São Paulo (SP):
  • Base de dados: dados/ImóveisSP.csv.

2. Preparação e Limpeza dos Dados

• Conversão de Variáveis:
  • Converte colunas como preço, área, quartos, etc., para formato numérico usando pd.to_numeric.
  • Converte colunas de datas (no dataset de SP) para o tipo datetime.
• Tratamento de Valores Nulos:
  • Preenche os valores faltantes com a mediana dos respectivos campos.
• Filtragem:
  • Remove registros com preços ou áreas menores ou iguais a zero.

3. Análise Exploratória

• Estatísticas Descritivas:
  • Utiliza o método describe() para sumarizar os dados.
• Visualizações:
  • Histograma: Exibe a distribuição dos preços.
  • Gráficos de Barras:
    • Para o DF: Compara o preço médio por tipo de imóvel e por bairro.
    • Para SP: Analisa o preço médio em relação ao número de quartos.

---

Resultados

Distrito Federal (DF)

• Distribuição dos Preços:
  • Exibida através de um histograma, evidenciando a frequência e dispersão dos preços.
• Preço Médio por Tipo e Bairro:
  • Gráficos de barras demonstram a variação do preço médio de acordo com o tipo de imóvel e o bairro.

São Paulo (SP)

• Distribuição dos Preços:
  • Histograma que mostra a frequência dos preços.
• Preço Médio por Número de Quartos:
  • Gráfico de barras que relaciona o número de quartos com o preço médio dos imóveis.

---

Instruções de Execução

Pré-requisitos

Certifique-se de ter o Python 3.x instalado e as seguintes bibliotecas:

• pandas
• matplotlib
• seaborn

Você pode instalar as dependências utilizando o arquivo requirements.txt:

pandas
matplotlib
seaborn