https://colab.research.google.com/drive/1FuoFlQLCqnDin7ibxf7WvVtdMentQuJ3?usp=sharing
**Foi realizada a conversão da coluna data_hora para o formato datetime, permitindo o uso de operações temporais com maior precisão.
Como os dados estavam registrados por hora, inicialmente foi feito o agrupamento por dia, somando a quantidade total de bicicletas alugadas em cada data.
Em seguida, foi utilizada a função .dt.to_period('M'), que permite transformar a data em períodos mensais (mês/ano), facilitando a análise temporal agregada. Segundo a documentação do pandas, esse método converte valores datetime em PeriodArray com a frequência especificada .
Após isso, foi calculada a média diária de aluguéis para cada mês utilizando o método mean(), e os resultados foram representados em um gráfico de barras.
A análise permite identificar os meses com maior e menor demanda de bicicletas, fornecendo uma base importante para futuras previsões em séries temporais.
Durante o processo, utilizei a IA como suporte para validar a estrutura do código e reforçar boas práticas, mantendo o foco na interpretação analítica dos dados.**
