Análise dos Preços de Combustíveis usando o Python

Resumo

Neste exercício, realizamos uma análise dos preços de combustíveis no Brasil, utilizando Python para todo o processo de coleta, tratamento, ajuste pela inflação, cálculo de médias e visualização dos dados.

Para obter o código e o tutorial deste exercício faça parte do Clube AM e receba toda semana os códigos em R/Python, vídeos, tutoriais e suporte completo para dúvidas.

Introdução

A Agência Nacional do Petróleo, Gás Natural e Biocombustíveis (ANP) monitora e publica, regularmente, os preços praticados por revendedores de combustíveis automotivos e de gás em botijões. Essa coleta é feita semanalmente por uma empresa contratada, permitindo o acompanhamento contínuo do mercado.

Os dados estão organizados por semestre e ano e incluem informações detalhadas sobre os municípios, bairros, CEP, empresas de revenda, tipos de produtos, unidades de medida e preços de compra e venda nominais.

Este exercício tem como objetivo analisar a evolução dos preços dos combustíveis no Brasil em termos reais. Desenvolvemos um código em Python para coletar os dados diretamente do site da ANP, tratá-los e disponibilizá-los em formato .csv. Além disso, incorporamos os dados do Índice de Preços ao Consumidor Amplo (IPCA) para ajustar os preços nominalmente coletados. Ao final, utilizamos Python para explorar as tendências e comportamentos dos preços ao longo do tempo.

Análise de Dados

Nesta etapa, realizaremos a análise dos dados. Para isso, ajustamos os valores dos preços dos combustíveis para eliminar o efeito da inflação. Esse ajuste é fundamental, pois queremos avaliar a evolução dos preços ao longo dos meses sem cometer o erro de comparar valores de períodos diferentes sem correção.

A análise é dividida em três partes: (1) examinamos a evolução do preço real da gasolina nos estados da região Sudeste; (2) investigamos a variação dos preços de diferentes combustíveis no estado de Minas Gerais; e (3) analisamos a evolução dos preços dos combustíveis em nível nacional. Toda a análise utiliza a média dos valores em nível municipal.

Análise da Evolução do Preço da Gasolina

Estados do Sudeste

Análise da Evolução dos Preços dos Combustíveis: Minas Gerais

Análise da Evolução dos Preços dos Combustíveis: Média Nacional

Tenha acesso ao código e suporte desse e de mais 500 exercícios no Clube AM!

Quer o código desse e de mais de 500 exercícios de análise de dados com ideias validadas por nossos especialistas em problemas reais de análise de dados do seu dia a dia? Além de acesso a vídeos, materiais extras e todo o suporte necessário para você reproduzir esses exercícios? Então, conheça o Clube AM clicando aqui.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

Dashboard Financeiro com IA e Shiny Python: Análise de Dados Abertos da CVM

Este artigo apresenta um tutorial completo sobre como construir uma ferramenta de análise financeira de ponta. Utilizando Shiny for Python, demonstramos a automação da coleta de dados das Demonstrações Financeiras Padronizadas (DFP) da CVM e o tratamento dessas informações com Pandas. O ponto alto do projeto é a integração da IA Generativa do Google Gemini, que atua como um assistente de análise, interpretando os dados filtrados pelo usuário e fornecendo insights contábeis e financeiros em tempo real. O resultado é um dashboard dinâmico que democratiza a análise de dados complexos e acelera a tomada de decisão.

Econometria, ML ou IA para previsão da PMS?

Prever a Pesquisa Mensal de Serviços (PMS/IBGE) é um desafio por natureza: trata-se de uma série mensal, sujeita a volatilidade e choques que vão de fatores sazonais a mudanças estruturais no setor. Para enfrentar esse problema, realizamos um exercício de comparação entre três abordagens de modelagem: econometria tradicional (ARIMA), machine learning (XGBoost) e inteligência artificial (TimeGPT).

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.