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

Tratamento e transformação de séries temporais macroeconômicas para modelagem

"Garbage in, garbage out" é a regra de ouro na previsão macroeconômica. Antes de aplicar qualquer modelo de IA ou econometria para prever indicadores como o IPCA ou o PIB, existe um trabalho crucial de tratamento de dados. Neste post, abrimos os bastidores do nosso dashboard de previsões e mostramos o passo a passo para transformar dados brutos de múltiplas fontes (como BCB, IBGE e FRED) em séries prontas para modelagem. Veja como lidamos com diferentes frequências, aplicamos transformações e usamos metadados para criar um pipeline de dados robusto e automatizado.

Como planejar um pipeline de previsão macroeconômica: da coleta ao dashboard

Montar um pipeline de previsão macroeconômica não é apenas uma tarefa técnica — é um exercício de integração entre dados, modelos e automação. Neste post, apresento uma visão geral de como estruturar esse processo de ponta a ponta, da coleta de dados até a construção de um dashboard interativo, que exibe previsões automatizadas de inflação, câmbio, PIB e taxa Selic.

Coletando e integrando dados do BCB, IBGE e IPEA de forma automatizada

Quem trabalha com modelagem e previsão macroeconômica sabe o quanto é demorado reunir dados de diferentes fontes — Banco Central, IBGE, IPEA, FRED, IFI... Cada um com sua API, formato, frequência e estrutura. Esse gargalo de coleta e padronização consome tempo que poderia estar sendo usado na análise, nos modelos ou na comunicação dos resultados.

Foi exatamente por isso que criamos uma rotina de coleta automatizada, que busca, trata e organiza séries temporais econômicas diretamente das APIs oficiais, pronta para ser integrada a pipelines de previsão, dashboards ou agentes de IA econometristas.

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.