Noções Básicas de Visualização

8 exemplos para você começar com Visualização - 6 básicos e 2 intermediários.

Pré-requisitos

• Python 3.14.0 com matplotlib, seaborn e pandas 2.2+.
• Configuração rápida: uv pip install matplotlib seaborn pandas plotly

Exemplos Básicos

1. Gráfico de Linha para Tendências

Mostra a mudança ao longo do tempo ou categorias ordenadas.

import matplotlib.pyplot as plt
 
months = ["Jan", "Fev", "Mar", "Abr"]
revenue = [120, 135, 128, 150]
plt.plot(months, revenue, marker="o")
plt.ylabel("Receita ($k)")
plt.title("Receita Mensal")
plt.tight_layout()
plt.savefig("trend.png", dpi=150)
plt.close()

• Gráficos de linha precisam de eixo x ordenado - não categorias arbitrárias.
• Marcadores ajudam séries esparsas; séries densas podem omiti-los.
• Sempre chame plt.close() em scripts para liberar memória.

Relacionado: matplotlib - figuras e eixos

2. Gráfico de Barras para Comparações

Compara categorias discretas lado a lado.

import matplotlib.pyplot as plt
 
regions = ["Leste", "Oeste", "Central"]
totals = [420, 380, 290]
plt.bar(regions, totals, color=["#2c7bb6", "#abd9e9", "#fdae61"

• O comprimento da barra codifica a magnitude - comece o eixo y em zero para honestidade.
• Ordene as barras por valor quando a ordem não for intrínseca.
• Limite as categorias (~15) ou mude para barras horizontais.

Relacionado: seaborn - gráficos de barras estatísticas

3. Histograma para Distribuições

Revela a dispersão e a assimetria de uma variável numérica.

import matplotlib.pyplot as plt
import numpy as np
 
rng = np.random.default_rng(42)
values = rng.normal(100, 15, size=500)
plt.hist(values, bins=20, edgecolor

• A contagem de bins afeta a história - tente 15-30 bins para centenas de pontos.
• density=True compara distribuições com tamanhos de amostra diferentes.
• Emparelhe com gráficos de caixa/violino ao comparar grupos.

Relacionado: seaborn - histplot e KDE

4. Dispersão para Relações

Explora a correlação entre duas variáveis numéricas.

import matplotlib.pyplot as plt
 
ad_spend = [10, 20, 15, 30, 25]
revenue = [120, 180, 150, 240, 210]
plt.scatter(ad_spend, revenue, 

• Transparência alfa ajuda em aglomerados de sobreposição.
• Adicione uma linha de regressão via regplot do seaborn quando a tendência for a mensagem.
• Rotule outliers quando eles impulsionam decisões.

Relacionado: seaborn - scatterplot com matizes

5. Padrões Estatísticos do seaborn

Obtenha temas legíveis e paletas de cores rapidamente.

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
 
df = pd.DataFrame({"region": ["Leste", "Oeste"] * 5, "revenue": range(10)})

• A API data= evita malabarismos manuais com eixos.
• estimator e errorbar controlam a semântica de agregação.
• Redefina o tema depois se misturar estilos brutos do matplotlib.

Relacionado: seaborn - fluxos de trabalho de EDA

6. Salvar Saída de Qualidade para Publicação

Controle dpi, bbox e formatos vetoriais.

import matplotlib.pyplot as plt
 
fig, ax = plt.subplots(figsize=(6, 4))
ax.plot([1, 2, 3], [1, 4, 9])
fig.savefig("chart.pdf", bbox_inches

• PDF/SVG escalam limpos em relatórios; PNG precisa de dpi (150 tela, 300 impressão).
• bbox_inches="tight" corta margens excessivas.
• O padrão explícito fig, ax escala para subplots.

Relacionado: matplotlib - ciclo de vida da figura

Exemplos Intermediários

7. Dica de Ferramenta Interativa do Plotly

Explore pontos densos com dicas de ferramentas no navegador.

import plotly.express as px
import pandas as pd
 
df = pd.DataFrame({"x": range(20), "y": [i**1.5 for i in range(20)], "cat": ["A", 

• Exportações HTML incorporam em dashboards sem um servidor.
• Plotly brilha para visualizações vinculadas com filtros cruzados.
• Para relatórios estáticos, prefira matplotlib/seaborn.

Relacionado: Plotly - gráficos interativos

8. Gráfico Declarativo Altair

Componha especificações de gramática de gráficos que permanecem legíveis.

import altair as alt
import pandas as pd
 
df = pd.DataFrame({"month": ["Jan", "Fev", "Mar"], "revenue": [120, 135, 128]})
chart = alt.Chart(df).mark_line(point

• Altair impõe dados organizados - uma linha por observação.
• Especificações JSON versionam bem no git.
• Dados grandes precisam de agregação antes do Altair.

Relacionado: Altair - codificação declarativa

Versões da Pilha: Esta página foi escrita para Python 3.14.0 (estável 3.14, manutenção 3.13), FastAPI 0.115+, Django 5.2, Flask 3.1, Pydantic 2, PyTorch 2.6+, pandas 2.2+, Polars 1.x, ruff 0.9+ e uv 0.6+.