Data Analytics Python

Bibliotecas Para Visualização de Dados em Python

On 27 de abril de 2023, by Tiago Dias
bibliotecas dataviz python

Fala galera do mundo dos dados! Vocês já devem saber que a linguagem Python é a mais utilizada para análise de dados. Então, trago aqui hoje algumas das bibliotecas para visualização de dados em Python. Podemos chamar também de bibliotecas para DataViz em Python. Sendo assim faremos uma breve apresentação das bibliotecas e na sequência, na prática, alguns códigos para comparar as facilidade de uso e o visual de cada uma delas!!! 

Confere 5 bibliotecas para visualização de dados em Python:

  1. Matplotlib
  2. Seaborn
  3. Plotly
  4. Bokeh
  5. Altair

Depois de conferir cada uma delas, vai poder escolher a sua biblioteca de dataviz em Python preferida. Partiu visualização de dados em Python ao cubo 📊🚀🎲3️⃣📈.

Visualização de Dados com Matplotlib

Matplotlib é uma biblioteca para criar visualizações muito conhecida e bastante poderosa. Matplotlib é uma lib para criação de gráficos e visualizações de dados em geral, utilizando a linguagem de programação Python. Ela é uma referência até para outras bibliotecas que foram desenvolvidas baseadas no Matplotlib, como é o caso da Seaborn.

Visualização de Dados com Seaborn

Seaborn é uma outra biblioteca, também conhecida para fazer gráficos estatísticos em Python. Ele se baseia no “Matplotlib” e se integra facilmente com as estruturas de dados do pandas, facilitando e muito a geração dos visuais.

A proposta do Seaborn é auxiliar a explorar e entender seus dados facilitando a geração dos gráficos, sendo assim, suas funções de plotagem operam em dataframes e arrays. Uma outra opção bem interessante é a Plotly.

Visualização de Dados com Plotly

A biblioteca de gráficos Python Plotly cria gráficos interativos com qualidade de publicação. Possui uma documentação bem completa e com exemplos de como fazer gráficos de linha, dispersão, área, barras, caixa, histogramas, mapas de calor, subplots, eixos múltiplos, polares e bolhas. O seu grande diferencial é a interação com os visuais que faz a análise ficar bem dinâmica, além de bonita e fácil de trabalhar. Um Pouco menos conhecida mas bem completa é a Bokeh.

Visualização de Dados com Bokeh

Bokeh é uma biblioteca Python para criação de visuais interativos que podem ser integrados com navegadores. A beleza dos gráficos é incontestável, constrói desde gráficos simples a painéis complexos. E para finalizar uma outra opção de dataviz bem simples e completa a Altair.

Visualização de Dados com Altair

A biblioteca Altair também cria visualizações estatísticas para Python. Possui uma API simples, amigável, consistente e tem como principal entrega a diminuição de escrita de código para sobrar muito mais tempo para explorar os dados.

Assim, conhecemos um pouco de cada uma das bibliotecas. A documentação oficial é o melhor caminho para tirar suas dúvidas. Mas a comunidade também ajuda bastante!

Vamos à prática para comparar a utilização de cada uma das bibliotecas gerando um gráfico de barras.

Visualização de Dados ao Cubo

Primeiramente, faremos a importação de uma base de dados disponível na própria biblioteca Seaborn e teremos um dataframe Pandas conforme a imagem abaixo.

Então, a ideia aqui é gerar o mesmo gráfico em cada uma das bibliotecas para comparar o visual e a facilidade de utilização de cada uma. Dessa forma, o visual será um gráfico de barras com a contagem de carros por origem no conjunto de dados mpg.

Matplotlib

Para começar o gráfico de barras com o Matplotlib, aqui temos um visual simples mas que pode ser todo modificado. Sendo assim, no código abaixo o gráficos de barras mais simples possível.

xbar = mpg['origin'].value_counts().index
ybar = mpg['origin'].value_counts().values
plt.bar(xbar,ybar)
plt.show()

Gráfico de barras simples e sem interação no Matplotlib.

Seaborn

Agora o gráfico de barras com o Seaborn, aqui temos um visual um pouco melhorado e mais simples ainda o seu código. Observe o código Python abaixo, com apenas uma linha.

sns.countplot(data=mpg, x='origin');

Abaixo o exemplo do gráfico de barras gerado no Seaborn.

Plotly

Aqui já começamos a melhorar o visual no gráfico de barras com o Plotly. Portanto, temos um visual mais bonito, interativo e o código bem simples também. Confere o código Python abaixo.

px.bar(data_frame=mpg,
      x='origin',
      color='origin',
      width=400, height=300)

O Plotly fornece uma interação bem dinâmica, com muitas possibilidades.

Bokeh

O gráfico de barras com o Bokeh, também temos um visual bonito apesar do exemplo ser bem simples, a escrita do código já fica um pouco mais complexa. Observe o exemplo abaixo.

country = list(mpg['origin'].value_counts().index)
counts = mpg['origin'].value_counts().values
p = figure(x_range=country, width=400, height=300)
p.vbar(x=country, top=counts, width=0.9)
show(p)

O exemplo do gráfico de barras do Bokeh.

Altair

E para fechar o gráfico de barras com o Altair, também é muito simples, mas o visual deixa um pouco a desejar. Então, veja o código Python abaixo como é simples.

alt.Chart(mpg).mark_bar().encode(
   x='origin',
   y='count(origin)')

Confere na imagem abaixo o resultado do gráfico de barras do Altair.

E então, este é um resumo dessas 5 bibliotecas para visualização de dados em Python que vai ajudar e muito na construção do seu dataviz. Na sequência, o Dados ao Cubo trará como criar os principais gráficos com cada uma das libs que vimos por aqui. Então, fica ligado nas novidades com a nossa Newsletter. Um abraço e até a próxima!!!

Conteúdos ao Cubo

Se você curtiu o conteúdo, aqui no Dados ao Cubo tem muito mais. Então, deixo algumas sugestões de conteúdos que você pode encontrar. Sempre falando sobre o mundo dos dados!

Finalizo com um convite para você ser Parceiro de Publicação Dados ao Cubo e escrever o próximo artigo, compartilhando conhecimento para toda a comunidade de dados.

Gostou? Compartilhe!

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *