Análise sobre dados criminais de Fortaleza-CE

Ao total foram analisados 5 arquivos referentes aos meses de Janeiro à Maio (2017)

Juntos os 5 arquivos somam 985,5 kB e 2.747 ocorrências criminais



In [1]:

    
import plotly.plotly as py
import plotly.graph_objs as go
import pandas
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import matplotlib.ticker as ticker
from scipy.stats import gaussian_kde
import matplotlib.image as mpimg



In [2]:

    
files = [
            'Cluster-Crime-Janeiro', 'Cluster-Crime-Fevereiro',
            'Cluster-Crime-Marco', 'Cluster-Crime-Abril',
            'Cluster-Crime-Maio'
        ]

qtd_ocorrencias = []
meses = ['Janeiro', 'Fevereiro', 'Março', 'Abril', 'Maio']

for file in files:
    df = pandas.read_csv("./data/" + file + ".csv")
    qtd_ocorrencias.append(len(df))

data = [go.Bar(
            x=meses,
            y=qtd_ocorrencias
    )]

py.iplot(data, filename='basic-bar')









    



High five! You successfully sent some data to your account on plotly. View your plot in your browser at https://plot.ly/~netofalso/0 or inside your plot.ly account where it is named 'basic-bar'






    Out[2]:

O mês de Março teve a maior quantidade de ocorrências



In [3]:

    
img=mpimg.imread('crimes_por_mês.png')
imgplot = plt.imshow(img)
plt.show()



In [4]:

    
labels = meses
values = qtd_ocorrencias

trace = go.Pie(labels=labels, values=values)

py.iplot([trace], filename='basic_pie_chart')









    Out[4]:

Como podemos ver no gráfico abaixo, os crimes estão bem distribuídos entre os meses, ou seja, nenhum deles teve uma quantidade de ocorrências que o faça destacar dos demais



In [5]:

    
img=mpimg.imread('crimes_por_mês_per.png')
imgplot = plt.imshow(img)
plt.show()



In [ ]: