# Import nas bibliotecas (pandas as pd / matplotlib / numpy as np)
# Carregar os dados
# Recorte horizontal (FILTRA O MUNICIPIO - RIO DE JANEIRO)
# Recorte Vertical (FILTRAR APENAS A COLUNA MUNICIPIO)
# Filtro por valores (FILTRAR MUNICIPIOS COM MAIS DE 10000 AUTOMOVEIS)
# Recorte de colunas (FILTRAR 3 COLUNAS APENAS - MUNICIPIO / AUTOMOVEL / ONIBUS)
# Criação de colunas com operações (CRIAR COLUNA RELATION - RELAÇÃO ENTRE AUTOMOVEIS E ONIBUS)
# Análise descritiva dos dados (DESCRIBE)
# Plot scatter da distribuição (RELATION X AUTOMOVEL)
# Plot histograma (RELATION / AUTOMOVEL / ONIBUS)
# Plot kde (RELATION)
# Medidas estatísticas (VAR / STD / MEAN / CORR)
# Carregar outro arquivo .csv
# Exibir os dados
# Realizar análises estatísticas (USE OS COMANDOS ANTERIORES)
# Exiba o melhor PIB do estado
# Exiba o pior PIB do estado
# Apresente os 5 melhores PIB
# Apresente os 5 piores PIB
# Combine os 2 DataFrames
# Efetue análises de negócio a partir dos dados visualizados
# Faça recorte dos dados para classificação
# Entenda o modelo de classificação (PIB BOM / PIB RUIM)
# Problema da classificação binária
# Efetue o treinamento
# Efetue os testes
# Avalie a acurácia do modelo
# Execute os mesmos testes com outro classificador