Projeto Final - Banco de Dados NoSQL

Este projeto utiliza MongoDB e Python (pandas, pymongo, seaborn, matplotlib) para análise de dados de saúde relacionados ao diabetes.

Como importar o dataset para o MongoDB pelo terminal

mongoimport --db project_bdnsql --collection Healthcare-Diabetes --type csv --headerline --file Healthcare-Diabetes.csv

Funcionalidades

• Inserção automática de dados: Geração e inserção de dados aleatórios na coleção.
• Edição de documentos: Atualização de campos específicos em documentos.
• Busca de documentos: Consulta de documentos com diferentes operadores e filtros.
• Exclusão de documentos: Remoção de documentos da coleção.
• Funções de agregação: Cálculo de médias, máximos, mínimos e outras estatísticas agrupadas.
• Análise exploratória: Estatísticas descritivas e distribuição de frequência dos dados.
• Visualização: Gráficos de boxplot, barras e histogramas para análise visual dos dados.

Estrutura dos Dados

Cada documento possui os seguintes campos:

• Id
• Pregnancies
• Glucose
• BloodPressure
• SkinThickness
• Insulin
• BMI
• DiabetesPedigreeFunction
• Age
• Outcome

Como executar

1. Certifique-se de ter o MongoDB rodando localmente.
2. Instale as dependências:

   pip install pandas pymongo matplotlib seaborn

3. Execute o notebook project bdnsql.ipynb no VS Code ou Jupyter.

Exemplos de uso

• Inserir dados aleatórios:

  data.insert_many([...])

• Editar documento:

  data.update_one({"Id": 1}, {"$set": {"Glucose": 150}})

• Buscar com operadores:

  data.find({"Glucose": {"$gt": 150}})

• Agregação:

  data.aggregate([{"$group": {"_id": "$Outcome", "avg_glucose": {"$avg": "$Glucose"}}}])

• Visualização:

  import seaborn as sns
  sns.histplot(df['Glucose'])

Visualizações

• Boxplot da glicose por grupo (com/sem diabetes)
• Distribuição por faixa etária e outcome

---

Autor: Gabriel
Disciplina: Banco de Dados NoSQL
Professor: Kelly Lais Wiggers