Você sabia que é possível criar mapas em Python? Aprenda a criar gráficos de mapas com Python e melhore ainda mais suas análises de dados.
Se quiser pode acompanhar esse conteúdo em formato de vídeo ou pode acessar o nosso Canal do YouTube para mais vídeos!
Para receber por e-mail o(s) arquivo(s) utilizados na aula, preencha:
Não vamos te encaminhar nenhum tipo de SPAM! A Hashtag Treinamentos é uma empresa preocupada com a proteção de seus dados e realiza o tratamento de acordo com a Lei Geral de Proteção de Dados (Lei n. 13.709/18). Qualquer dúvida, nos contate.
Como criar Mapas em Python
Quando trabalhamos com análise de dados, criar visualizações interativas e dinâmicas é uma excelente maneira de explorar e apresentar as informações.
O Python possui diversas bibliotecas que facilitam essa tarefa, como Matplotlib, Seaborn e Plotly.
Entre essas ferramentas, Plotly se destaca quando queremos criar gráficos interativos e dinâmicos, sendo intuitiva e fácil de integrar aos nossos projetos. É com essa biblioteca que iremos trabalhar para criar mapas em Python.
Nesta postagem, você aprenderá como criar um gráfico de mapa de calor interativo, utilizando Pandas para manipulação dos dados e Plotly Express para visualização.
Bibliotecas para Criar Gráficos no Python
As principais bibliotecas para criação de gráficos em Python são o Matplotlib, o Seaborn e o Plotly. Sendo essa última especialmente útil quando precisamos de gráficos interativos e dinâmicos.
Como o objetivo desta aula é a criação de um mapa de calor com interatividade e possibilidade de aplicar zoom, usaremos a biblioteca Plotly por sua facilidade e recursos.
Se você tiver interesse em aprender mais sobre como as bibliotecas Matplotlib e Seaborn funcionam e podem ser usadas para criar gráficos no Python, recomendo as seguintes aulas:
- Gráficos no Python com Seaborn – Gráficos Estatísticos
- Saia do Zero em Gráficos no Python Utilizando o Matplotlib
Instalando as Bibliotecas Necessárias
Para esta aula, você precisará de duas bibliotecas instaladas: Pandas para manipulação e análise de dados, e Plotly Express para gerar o gráfico do mapa de calor.
A instalação pode ser feita diretamente no terminal do seu editor de código ou no prompt de comando com o seguinte comando: pip install pandas plotly.
Configurando o Ambiente
Como vamos trabalhar com visualização de dados e gráficos, recomendo que você utilize o Jupyter Notebook ou o VS Code com a extensão do Jupyter.
Isso porque os gráficos gerados pelo Plotly são renderizados diretamente na interface do Jupyter, permitindo uma exploração mais interativa e fluida.
Importar e Visualizar a Base de Dados
No material disponível para download, você encontrará a base de dados que usaremos nesta aula: Cidades.csv.
Esse dataset foi obtido através do Kaggle e você pode conferir a fonte original aqui: Brazilian E-Commerce Public Dataset by Olist
Essa é uma base pública de dados contendo cerca de 100.000 pedidos de produtos brasileiros feitos por e-commerce, organizados por região.
Para simplificar o trabalho e focar no objetivo de criar um gráfico de mapa em Python, a base de dados no material dessa aula já foi simplificada e consolidada.
Na base, estão registradas as quantidades de vendas feitas em e-commerce por CEP no Brasil.
Para carregar e visualizar o DataFrame, precisaremos importar a biblioteca Pandas e ler o arquivo CSV.
import pandas as pd
tabela = pd.read_csv("Cidades.csv")
display(tabela)
As colunas do dataset incluem índices, prefixo do CEP, latitude, longitude, estados e a quantidade de vendas por CEP.
Essas informações são essenciais para criarmos um gráfico de mapa em Python, pois temos as coordenadas geográficas (latitude e longitude) e a métrica que queremos exibir (quantidade, o número de vendas).
Essas são as principais informações que você precisará sempre que desejar criar um mapa: coordenadas geográficas e a métrica a ser representada no mapa.
Como Criar Mapa em Python com Plotly
O Plotly oferece uma série de ferramentas que permitem criar gráficos de forma rápida e intuitiva. Para isso, utilizaremos o Plotly Express e a função density_mapbox, que nos ajuda a criar mapas de calor em Python, representando valores por meio de cores.
A escala do gráfico se adapta automaticamente ao nível de zoom aplicado, facilitando a visualização das informações.
Para criar o mapa, é necessário fornecer a base de dados e dois parâmetros principais: lat (latitude) e lon (longitude). No nosso dataset, esses parâmetros correspondem às colunas geolocation_lat e geolocation_lng.
O parâmetro z define qual coluna será usada para representar a magnitude ou quantidade de cada ponto no mapa.
Essa informação é visualizada por meio de cores: valores maiores aparecem em amarelo e os menores, em roxo. No nosso caso, o parâmetro z será a coluna quantidade, que contém as informações das vendas.
Para ajustar o tamanho das “bolhas” exibidas no mapa, utilizamos o parâmetro radius (raio). Quanto maior o valor, maior será o raio do ponto exibido.
O zoom controla o nível de aproximação do mapa. Valores maiores focam em áreas menores, enquanto valores menores abrangem áreas mais amplas.
Por fim, precisamos definir o mapbox_style, que define o estilo visual do mapa. Por exemplo, podemos utilizar o estilo open-street-map, que mostra ruas e detalhes geográficos ao aplicar zoom.
Depois de configurar esses parâmetros, exibimos o gráfico utilizando o método show().
import plotly.express as px grafico = px.density_mapbox(tabela, lon="geolocation_lng", lat="geolocation_lat", z="quantidade", mapbox_style="open-street-map", zoom=3, radius=10) grafico.show()
Ajustando o Layout do Gráfico
Ao gerar o gráfico, você perceberá que ele vem com margens padrão. Essas margens fazem parte do layout padrão do Plotly, mas podemos ajustá-las para melhorar a aparência do gráfico.
Para isso, usamos a função update_layout(), que permite modificar diversos aspectos do layout. No nosso caso, ajustaremos o parâmetro margin, que controla o tamanho das margens ao redor do gráfico.
Podemos definir as margens como zero para remover completamente o espaço ao redor do gráfico, fazendo com que ele ocupe toda a área de visualização.
O parâmetro margin é um dicionário que aceita as seguintes chaves:
- “r”: Margem direita (right)
- “t”: Margem superior (top)
- “b”: Margem inferior (bottom)
- “l”: Margem esquerda (left)
import plotly.express as px
grafico = px.density_mapbox(tabela, lon="geolocation_lng", lat="geolocation_lat", z="quantidade", mapbox_style="open-street-map",
zoom=3, radius=10)
grafico.update_layout(margin={"r": 0, "t": 0, "b": 0, "l": 0})
grafico.show()
Com isso, você terá seu gráfico de mapa pronto. Agora, será possível interagir com ele, aplicando zoom e explorando os dados de forma mais detalhada.
Para mais informações sobre o Plotly e suas funcionalidades, como a criação de mapas de calor e outros gráficos interativos, acesse a documentação oficial: Documentação Plotly
Conclusão – Como criar Mapas em Python
Na aula de hoje, você aprendeu a criar mapas em Python com apenas algumas linhas de código. Utilizando a biblioteca Plotly, é possível criar gráficos interativos e visuais atrativos, otimizando a apresentação de dados e insights.
A combinação do Pandas para manipulação de dados e do Plotly Express para visualização oferece uma solução simples, prática e poderosa para suas análises de dados.
O Plotly também oferece diversas outras funcionalidades para personalização de gráficos. Caso queira saber mais sobre essa biblioteca, confira nossa aula: Como Criar Gráficos no Python Utilizando o Plotly
E, se você quer se destacar no mercado de trabalho e se tornar uma referência em sua empresa com análises de dados precisas e insights valiosos, confira nossos cursos completos:
Hashtag Treinamentos
Para acessar outras publicações de Python, clique aqui!
Posts mais recentes de Python
- Biblioteca NumPy: o que é, vantagens e como usar
Aprenda como usar a biblioteca NumPy no Python para otimizar o processamento de dados e melhorar sua eficiência em projetos de ciência de dados. - Set em Python: o que é, quando e como usar no seu projeto Aprenda tudo sobre sets em Python: o que são, como usar e quando aplicar. Descubra operações com conjuntos e vantagens sobre listas!
- ETL com Python: guia completo para criar pipelines de dados Aprenda como construir pipelines ETL com Python do zero! Descubra as melhores bibliotecas, resolva desafios comuns e torne-se um especialista!
Posts mais recentes da Hashtag Treinamentos
- 5 Boas Práticas de SQL para Iniciantes: Otimize Suas Consultas e Organize Seu Código
Se você está começando com MySQL ou busca melhorar suas habilidades em SQL, este post traz cinco boas práticas de escrita de SQL para iniciantes. - Função SE Excel: Exemplos e Dicas para Uso [Guia] A função SE Excel é muito útil para definir condições e criar uma planilha mais completa e funcional. Confira nesta aula!
- Exercícios de Listening em Inglês – Como Melhorar sua Compreensão Faça estes exercícios de listening em inglês e melhore sua compreensão! Descubra técnicas e estratégias para praticar e evoluir no aprendizado do idioma!
Expert em conteúdos da Hashtag Treinamentos. Auxilia na criação de conteúdos de variados temas voltados para aqueles que acompanham nossos canais.