Project: Analyzing Crime in Los Angeles

Los Angeles, California 😎. The City of Angels. Tinseltown. The Entertainment Capital of the World!

Known for its warm weather, palm trees, sprawling coastline, and Hollywood, along with producing some of the most iconic films and songs. However, as with any highly populated city, it isn't always glamorous and there can be a large volume of crime. That's where you can help!

You have been asked to support the Los Angeles Police Department (LAPD) by analyzing crime data to identify patterns in criminal behavior. They plan to use your insights to allocate resources effectively to tackle various crimes in different areas.

The Data

They have provided you with a single dataset to use. A summary and preview are provided below.

It is a modified version of the original data, which is publicly available from Los Angeles Open Data.

crimes.csv

Column	Description
`'DR_NO'`	Division of Records Number: Official file number made up of a 2-digit year, area ID, and 5 digits.
`'Date Rptd'`	Date reported - MM/DD/YYYY.
`'DATE OCC'`	Date of occurrence - MM/DD/YYYY.
`'TIME OCC'`	In 24-hour military time.
`'AREA NAME'`	The 21 Geographic Areas or Patrol Divisions are also given a name designation that references a landmark or the surrounding community that it is responsible for. For example, the 77th Street Division is located at the intersection of South Broadway and 77th Street, serving neighborhoods in South Los Angeles.
`'Crm Cd Desc'`	Indicates the crime committed.
`'Vict Age'`	Victim's age in years.
`'Vict Sex'`	Victim's sex: `F`: Female, `M`: Male, `X`: Unknown.
`'Vict Descent'`	Victim's descent: `A` - Other Asian `B` - Black `C` - Chinese `D` - Cambodian `F` - Filipino `G` - Guamanian `H` - Hispanic/Latin/Mexican `I` - American Indian/Alaskan Native `J` - Japanese `K` - Korean `L` - Laotian `O` - Other `P` - Pacific Islander `S` - Samoan `U` - Hawaiian `V` - Vietnamese `W` - White `X` - Unknown `Z` - Asian Indian
`'Weapon Desc'`	Description of the weapon used (if applicable).
`'Status Desc'`	Crime status.
`'LOCATION'`	Street address of the crime.

# Re-run this cell
# Import required libraries
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import datetime
crimes = pd.read_csv("crimes.csv", parse_dates=["Date Rptd", "DATE OCC"], dtype={"TIME OCC": str})
crimes.head()

O código utiliza manipulação de strings, filtragem de dados, agrupamento, contagem de ocorrências e categorização de valores numéricos. Essas são técnicas essenciais para análise de dados em Python com pandas.

📌 Resumo das Funcionalidades Utilizadas 1️⃣ Contagem de valores em uma coluna

frequencia_hora = crimes['TIME OCC'].value_counts() Função: value_counts() Uso: Conta a frequência de ocorrência de cada valor único na coluna 'TIME OCC'. Aplicação: Identificar o horário com maior número de crimes. 2️⃣ Manipulação de strings em colunas do DataFrame

crimes['TIME_ADJ'] = crimes['TIME OCC'].str[:2] + ":" + crimes['TIME OCC'].str[2:] Uso: Extrai os dois primeiros caracteres (hora) e os dois últimos caracteres (minuto) da coluna 'TIME OCC' e os formata como HH:MM. Aplicação: Converter a hora de um formato numérico para um formato de string mais legível. 3️⃣ Filtragem de dados com condições

crimes_filtered = crimes[['AREA NAME','TIME_ADJ']][(crimes['TIME_ADJ'] >= '22:00') | (crimes['TIME_ADJ'] <= '03:59')] Operadores lógicos (| e &) | (OU lógico): Permite combinar condições (exemplo: crimes após 22h OU antes de 4h). & (E lógico): Filtraria apenas os casos que atendem a todas as condições simultaneamente. Uso: Seleciona apenas os crimes ocorridos entre 22:00 e 03:59. Aplicação: Criar um subconjunto de dados focado em crimes noturnos. 4️⃣ Agrupamento e contagem de ocorrências

crimes_filtered.groupby(['AREA NAME','TIME_ADJ']).size().sort_values(ascending = False) Função: groupby() Agrupa os dados por 'AREA NAME' e 'TIME_ADJ'. Função: size() Conta quantas ocorrências existem em cada grupo. Função: sort_values(ascending=False) Ordena os resultados do maior para o menor. Aplicação: Identificar a região com maior número de crimes noturnos. 5️⃣ Categorização de valores numéricos com pd.cut()

age_labels = ['0-17','18-25','26-34','35-44','45-54','55-64','65+'] age_ranges = [0,17,25,34,44,54,64,max(crimes['Vict Age'])+1] crimes['Age_Category'] = pd.cut(crimes['Vict Age'], bins=age_ranges, labels=age_labels) Função: pd.cut() Categorização de valores numéricos em faixas específicas. Parâmetros: bins=age_ranges: Define os intervalos de idades. labels=age_labels: Define os rótulos para cada intervalo. Aplicação: Criar uma nova coluna 'Age_Category' para classificar as vítimas por faixas etárias. 6️⃣ Contagem de crimes por faixa etária

victim_ages = crimes.groupby('Age_Category').size().sort_values(ascending = False) Função: groupby('Age_Category') Agrupa os crimes por categoria de idade. Função: size() Conta quantos crimes ocorreram em cada categoria. Função: sort_values(ascending=False) Ordena os resultados do maior para o menor. Aplicação: Identificar quais faixas etárias são mais afetadas pelos crimes. 7️⃣ Renomeação de Série

victim_ages.rename('Number_Of_Crimes') Função: .rename() Uso: Renomeia a Série para melhorar a legibilidade. Aplicação: Melhorar a clareza dos dados ao apresentar a contagem de crimes por faixa etária.

# Start coding here
# Use as many cells as you need

##############  Which hour has the highest frequency of crimes? Store as an integer variable called peak_crime_hour ##############

frequencia_hora = crimes['TIME OCC'].value_counts()
#print(frequencia_hora)
peak_crime_hour = 12

############## Which area has the largest frequency of night crimes (crimes committed between 10pm and 3:59am)? Save as a string                   variable called peak_night_crime_location ##############

crimes['TIME_ADJ'] = crimes['TIME OCC'].str[:2] + ":" + crimes['TIME OCC'].str[2:]
#crimes.head()

#crimes[['AREA NAME','TIME_ADJ']][(crimes['TIME_ADJ'] >= '22:00') | (crimes['TIME_ADJ']  <= '03:59')].value_counts()
#OU

crimes_filtered = crimes[['AREA NAME','TIME_ADJ']][(crimes['TIME_ADJ'] >= '22:00') | (crimes['TIME_ADJ']  <= '03:59')]
crimes_filtered.groupby(['AREA NAME','TIME_ADJ']).size().sort_values(ascending = False)

peak_night_crime_location = 'Central'

##############  Identify the number of crimes committed against victims of different age groups. Save as a pandas Series called victim_ages, with age group labels "0-17", "18-25", "26-34", "35-44", "45-54", "55-64", and "65+" as the index and the frequency of crimes as the values  ##############

#PARA CATEGORIZAÇÃO PODEMOS USAR NP.SELECT() SE FOR CATEG DE STRINGS, OU NP.CUT(), SE FOREM NUMEROS

age_labels = ['0-17','18-25','26-34','35-44','45-54','55-64','65+']
#o range utilizado para o parametro bins corresponde aos limites das categorizacoes 
age_ranges = [0,17,25,34,44,54,64,max(crimes['Vict Age'])+1]
crimes['Age_Category'] = pd.cut(crimes['Vict Age'],bins=age_ranges,labels = age_labels)

crimes[['Vict Age','Age_Category']].head()

victim_ages = crimes.groupby('Age_Category').size().sort_values(ascending = False)
victim_ages.rename('Number_Of_Crimes')

frequencia_hora

Project: Analyzing Crime in Los Angeles

.mfe-app-workspace-kj242g{position:absolute;top:-8px;}.mfe-app-workspace-11ezf91{display:inline-block;}.mfe-app-workspace-11ezf91:hover .Anchor__copyLink{visibility:visible;}The Data

crimes.csv

The Data