Explorando os Principais Tipos de Gráficos com Matplotlib no Python
A visualização de dados é uma das etapas mais importantes da análise estatística e da ciência de dados. Entre as diversas bibliotecas do Python voltadas para gráficos, o Matplotlib se destaca pela versatilidade e poder de personalização.
Nesta postagem, vamos conhecer alguns tipos de gráficos criados com o Matplotlib e entender para que serve cada um deles, com explicações simples e diretas.
O que é o Matplotlib?
O Matplotlib é a biblioteca padrão do Python para criação de gráficos estáticos, animados e interativos. Com ele, é possível gerar visualizações de alta qualidade — desde gráficos básicos de linha até representações complexas, como mapas de calor e distribuições de densidade.
Importando a biblioteca
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
Gráfico de Pizza
Excelente para mostrar proporções relativas entre partes de um todo.
# Listas fictícias.
categorias = ['A', 'B', 'C', 'D']
valores = [40, 25, 15, 20]
plt.pie(valores, labels=categorias, autopct='%1.1f%%', colors=['#FF9999','#66B2FF','#99FF99','#FFCC99'])
plt.title("Distribuição Percentual por Categoria")
plt.show()
Gráfico de Barra
Um dos mais usados para comparar categorias ou quantidades absolutas.
# Listas fictícias.
categorias = ['A', 'B', 'C', 'D']
valores = [23, 45, 12, 30]
plt.bar(categorias, valores, color='coral')
plt.title("Vendas por Categoria")
plt.ylabel("Quantidade")
plt.show()
Gráfico de Dispersão
Usado para mostrar a relação entre duas variáveis numéricas.
# Listas fictícias.
categorias = ['A', 'B', 'C', 'D']
valores = [23, 45, 12, 30]
plt.bar(categorias, valores, color='coral')
plt.title("Vendas por Categoria")
plt.ylabel("Quantidade")
plt.show()
Boxplot (Diagrama de Caixa)
O boxplot mostra a dispersão dos dados, destacando mediana, quartis e possíveis outliers.
# Dados Numpy fictícios.
dados = [np.random.normal(0, std, 100) for std in range(1, 4)]
plt.boxplot(dados, vert=True, patch_artist=True)
plt.title("Distribuição de Dados - Boxplot")
plt.xlabel("Grupos")
plt.ylabel("Valores")
plt.show()
Gráfico de Densidade
Mostra a distribuição contínua de dados de forma suavizada
# Dados Numpy fictícios
dados = np.random.normal(0, 1, 1000)
sns.kdeplot(dados, shade=True, color='purple')
plt.title("Distribuição de Densidade")
plt.show()
Gráfico de Área
O gráfico de área mostra a evolução de uma variável acumulada, preenchendo a área sob a curva.
# Variáveis Numpy, fictícias.
x = np.linspace(0, 10, 100)
y = np.sin(x)
plt.fill_between(x, y, color='skyblue', alpha=0.5)
plt.plot(x, y, color='steelblue')
plt.title("Gráfico de Área")
plt.show()
Gráfico Heatmap (Mapa de Calor)
O heatmap representa valores por meio de cores, permitindo perceber rapidamente padrões e intensidades.
# Variáveis Numpy, fictícias.
dados = np.random.rand(10, 10)
sns.heatmap(dados, cmap="YlGnBu")
plt.title("Mapa de Calor de Correlação")
plt.show()
Gráfico de Facetamento (Subplots)
No Matplotlib, o facetamento é feito usando subplots, que permitem comparar dados em múltiplos painéis de forma organizada.
fig, axes = plt.subplots(1, 2, figsize=(10,4))
eixo_x = np.arange(1, 6)
eixo_y1 = [10, 20, 15, 25, 30]
eixo_y2 = [5, 15, 10, 20, 25]
axes[0].bar(eixo_x, eixo_y1, color='orange')
axes[0].set_title("Categoria A")
axes[1].bar(eixo_x, eixo_y2, color='teal')
axes[1].set_title("Categoria B")
plt.suptitle("Comparação de Categorias com Facetamento")
plt.show()
Gráfico de Linha de Tendência
O gráfico de linha é o tipo mais usado para mostrar a evolução de uma variável ao longo do tempo. É excelente para identificar tendências, padrões e sazonalidades.
# Variáveis fictícias.
anos = [2018, 2019, 2020, 2021, 2022]
vendas = [150, 200, 180, 250, 300]
plt.plot(anos, vendas, marker='o', color='steelblue')
plt.title("Tendência de Vendas ao Longo dos Anos")
plt.xlabel("Ano")
plt.ylabel("Vendas (em milhares)")
plt.show()
Conclusão
Isto é só um pequeno exemplo deste pacote. O Matplotlib é uma ferramenta poderosa para qualquer analista de dados. Ele permite criar gráficos simples ou complexos, com controle total sobre cada detalhe visual.
Ao dominar tipos de gráficos como linhas, barras, pizza, dispersão, boxplot, área e heatmap, você será capaz de transformar dados brutos em histórias visuais claras e impactantes. Muito obrigado e até a próxima
Repositório de exemplo: https://github.com/jcarlossc/matplotlib-graphics
Comentários
Postar um comentário