Gráficos no Python com Seaborn – Gráficos Estatísticos

Nessa aula vamos te mostrar como trabalhar com gráficos no Python com Seaborn, que é uma biblioteca gráfica para análises estatísticas!

O Seaborn é uma biblioteca de visualização de dados do Python, construída sobre o Matplotlib, voltada para gráficos estatísticos bonitos com pouco código. Com ele você cria histogramas, boxplots, gráficos de dispersão e mapas de calor a partir de um DataFrame, aplicando estilos e paletas prontos que facilitam a análise visual dos seus dados.

Caso prefira esse conteúdo no formato de vídeo-aula, assista ao vídeo abaixo ou acesse o nosso canal do YouTube!

O que você aprende neste vídeo

Resposta rápida: Aula única que ensina a criar gráficos no Python com a biblioteca Seaborn, construída sobre o Matplotlib e voltada para análise estatística. Cobre instalação, importação, leitura de uma planilha com pandas, e a construção de gráfico de dispersão, gráfico de linha, histograma com variações de densidade e acumulado, e regressão linear.

Neste vídeo (47 min):

• 3:00 - Instalação pelo Anaconda Prompt com pip install seaborn, e recomendação de rodar também o upgrade para pegar a versão mais recente
• 8:00 - Importação padrão com três apelidos: import seaborn as sns, import pandas as pd e import matplotlib.pyplot as plt
• 11:00 - Leitura da planilha de exemplo com pd.read_excel(), informando o nome da aba, e exibição do DataFrame com display()
• 16:00 - A documentação do Seaborn organiza os gráficos em categorias: relacionais, de distribuição, de categoria, de regressão e de matriz
• 18:00 - Gráfico de dispersão com sns.scatterplot(data=df, x=..., y=...), acrescentando hue para colorir por categoria e style para mudar o marcador
• 29:00 - O relplot monta a mesma dispersão mas já separa um gráfico por categoria automaticamente, sem precisar do plt.show()
• 32:00 - Gráfico de linha com sns.lineplot(), usado para série temporal, como o número de inscritos por mês
• 34:00 - O displot traz histograma por padrão, e o argumento kind troca a visualização para densidade (kde) ou acumulado (ecdf)
• 41:00 - O regplot cria uma regressão linear simples com a faixa de intervalo de confiança de 95%
• 43:00 - O lmplot permite uma linha de regressão por categoria, com hue separando os grupos e markers trocando o símbolo de cada um

Trechos do vídeo:

• O Seaborn funciona como uma camada de visualização que roda o Matplotlib por baixo, por isso a aula importa os dois
• O displot traz histograma por padrão, e o argumento kind muda a visualização para densidade (kde) ou para o acumulado (ecdf)
• O regplot serve para uma regressão linear simples, e o lmplot entra quando é preciso uma linha por categoria
• Cada tipo de gráfico do Seaborn aceita basicamente os mesmos argumentos, data, x, y, hue e style, o que facilita passar de um gráfico para outro

Para receber a planilha que usamos na aula no seu e-mail, preencha:

Resumo

Nessa aula nós vamos te mostrar como construir gráficos no Python utilizando a biblioteca Seaborn.

Essa biblioteca é mais voltada para a área estatística e análise de dados, então se é isso que procura está no lugar certo!

O que vamos aprender nessa aula:

• Importar bibliotecas;
• Importar base de dados;
• Tipos de gráficos;
• Gráfico de Dispersão;
• Gráfico de Linha;
• Histograma;
• Gráfico de Regressão Linear.

Gráficos no Python com Seaborn

Você que quer aprender gráficos no Python para análise de dados, ciência de dados, análises gráficas e estatística no Python essa biblioteca vai te ajudar muito!

Essa biblioteca é mais voltada para essa área de estatística, então se é a área que você está querendo ingressar essa aula vai ser muito útil!

Python Impressionador

Você vai aprender a linguagem de Programação que mais cresce no Mundo para fazer automações incríveis, desenvolver sites, fazer análises de dados, trabalhar com Ciência de Dados, Inteligência Artificial, mesmo que você nunca tenha tido nenhum contato com Programação na vida.

Começar agora

Biblioteca Seaborn para Criação de Gráficos

Antes de inicia é importante ressaltar que vamos utilizar o Jupyter (pacote Anaconda) para dar seguimento a aula.

Então se você ainda não o tem instalado basta clicar aqui que temos um post explicando como fazer o download e instalação do programa.

OBS: Vale lembrar que temos disponível os materiais que vamos utilizar na aula e dentro do arquivo em Python que está disponível você vai ter acesso a todos os links das documentações para te auxiliar no que precisar!

O primeiro passo antes de iniciar é instalar a biblioteca Seaborn, para isso basta ir até prompt do Anaconda e escrever pip install seaborn. Caso precise apenas atualizar basta escrever pip install seaborn -U.

Agora vamos a importação das bibliotecas que vamos utilizar.

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

Vamos importar o seaborn, a biblioteca pandas e a biblioteca matplotlib.

Em seguida vamos importar a nossa base de dados (que também está disponível para download).

Agora vamos para a parte de tipos de gráficos onde temos a separação desses gráficos por categoria.

Temos os gráficos de relação, distribuição e categoria, lembrando que já deixamos o link da documentação para facilitar quando precisar buscar pelos tipos de gráfico.

Então além dos tipos de gráfico você vai poder clicar e ver informações detalhadas sobre cada um deles.

Agora vamos colocar a mão na massa e começar nossas práticas iniciando com o gráfico de dispersão no Python.

fig = sns.scatterplot(data=df_videos,x="Nª de Views",y="Nº de Likes",hue="Responsável",style="Responsável",palette=["red","black"],size = "Nº Inscrições",legend="full")

Aqui estamos utilizando a nossa base de dados já importada para plotar o gráfico e se notar estamos colocando diversas informações “extras” para melhorar ainda mais o visual do nosso gráfico.

Então estamos colocando nome nos eixos, título na legenda, legenda, cor dos dados para diferenciar cada informação.

E por fim estamos dimensionando o tamanho de cada ponto de acordo com o número de inscrições.

Podemos também criar um gráfico de dispersão relacional, ou seja, um gráfico que vai fazer relação entre as informações que temos.

fig = sns.scatterplot(data=df_videos,x="Nº de Views",y="Nº de Likes",col="Categoria")#kind="line"
fig.set_axis_labels(x_var="Nº views", y_var="Nº Likes")
fig.set_titles("Categoria:{col_name}")
plt.show(fig)

Neste caso estamos relacionando ainda o número de views com o número de likes, mas aqui temos as informações separadas pela coluna de categoria.

Vamos agora ao famoso gráfico de linha no Python, é um gráfico simples, mas é sempre muito útil quando precisamos fazer análises de dados.

df_inscritos=pd.read_excel('videosYT.xlsx',"Inscritos")
display(df_inscritos)

graf_linha = sns.lineplot(data = df_inscritos, x"Mês/Ano", y="Inscritos", color = "red")
graf_linha.set_title("Crescimento Inscritos")
plt.show(graf_linha)

Novamente temos alguns argumentos a mais para melhorar a visualização do gráfico e não ter simplesmente a linha sendo mostrada.

Temos o título do gráfico, o título dos eixos, a mudança de cor da linha e tudo isso é para melhorar a visualização do crescimento dos inscritos.

Veja que fica bem fácil de identificar qual o período em que o crescimento de inscritos começa a crescer mais e já conseguimos visualizar a quantidade que temos nesse período.

Vamos agora a criação de um Histograma no Python! Um histograma se você ainda não sabe é um gráfico que mostra a distribuição de frequência de uma determinada informação.

fig = sns.scatterplot(data=df_videos,x="Nº de Likes",hue="Responsável", col="Categoria")#kind = "kde"
plt.show(fig)

Aqui temos um gráfico de histograma comparando os responsáveis em cada uma das categorias.

Vamos finalizar com o gráfico de regressão linear no Python!

fig = sns.regplot(data=df_videos,x="Nº de Views",y="Nº de Likes")
plt.show(fig)

fig = sns.lmplot(data=df_videos,x="Nº de Views",y="Nº de Likes",hue="Responsável", markers=['o','x'])
plt.show(fig)

Novamente você vai perceber que sempre podemos adicionar novos argumentos para complementar a visualização.

Isso vai depender do que você precisa para a análise que está fazendo, então é importante ler a documentação e testar as informações.

Perguntas frequentes

Conclusão

Nessa aula nós vimos como criar gráficos estatísticos para análise de dados no Python utilizando a biblioteca seaborn.

É muito importante também praticar, pois a medida em que vai praticando alguns comandos vão ficando mais intuitivos e já vai gravando os que mais utiliza.

De qualquer forma no documento disponibilizado já deixamos todos os links das documentações que vai precisar quando tiver dúvidas, então basta dar uma olhada e prosseguir.

Outro ponto muito importante é que você explore essas funcionalidades, teste as opções, pois assim vai aprender ainda mais sobre os gráficos!

Agora é hora de praticar e colocar a mão na massa para aprender mais sobre os gráficos e começar a utilizar dentro dos seus códigos!

Hashtag Treinamentos

Para acessar outras publicações de Python, clique aqui!