Vale a pena comprar um vinho caro?
Vamos continuar a olhar os dados das edições que vão de Junho de 2017 a Maio de 2018, da “Vinho Grandes Escolhas”. Continuámos no post anterior a utilizar o Pandas mas hoje vamos começar, com análise estatística muito simples, a estabelecer relações entre as variáveis.
Para auxiliar neste trabalho vamos recorrer a uma outra biblioteca de visualização, Seaborn. Esta é construída com base no sempre presente Matplotlib, já utilizado e falado por aqui. Apresenta um conjunto de gráficos preparados a pensar numa análise estatística mais detalhada.
import pandas as pd
import seaborn as sns
from scipy import stats
%matplotlib inline
vinhos = pd.read_excel('output_analise/vinhos.xlsx')
Será que vale a pena comprar um vinho mais caro? Esta é a questão que vamos tentar responder com base nos nosso dados. Iremos considerar vinhos com preço até 100 euros…
vinhos = vinhos[vinhos['preco'] <= 100]
e vamos assumir como medida de qualidade a variável classificacao numerica atribuída pelos provadores da Revista, eliminando vinhos abaixo de 10 e acima de 20.
vinhos = vinhos[(vinhos['classificacao numerica'] > 10) & (vinhos['classificacao numerica'] < 20)]
Para começar podemos utilizar o Seaborn para visualizar a distribuição das duas variáveis que nos interessam num histograma um pouco diferente do que nos temos habituado. Este apresenta simultaneamente as distribuições das duas variáveis, permitindo que há uma maior frequência de vinhos abaixo dos 20 euros. As classificações centram-se à volta de um valor médio de 16.5.
sns.jointplot(data=vinhos, y='classificacao numerica', x='preco');
Há algo que podemos começar a identificar - não existe uma relação muito forte entre as duas variáveis. Tentemos ajustar uma recta de regressão, tendo em conta o tipo de vinho para tentar despistar a influência desta última variável.
sns.lmplot(x='preco', y='classificacao numerica', data=vinhos, col='tipo');
Vamos então avaliar esta aparente má relação entre as duas variáveis.
stats.pearsonr(vinhos['preco'], vinhos['classificacao numerica'])[0] ** 2
0.4566345766234683
A função stats disponibilizada pelo módulo Scipy dá-nos um R2 muito baixo, comprovando que não conseguimos encontrar uma relação e que nem sempre um vinho mais caro é obrigatoriamente melhor.