SeaBorn

Seaborn

O Seaborn é uma biblioteca de visualização de dados para Python baseada no Matplotlib e integrada ao Pandas. Ele facilita a criação de gráficos estatísticos bonitos e informativos com poucas linhas de código.

URL: https://seaborn.pydata.org/

Instalando os pacotes necessários

python

!pip install seaborn==0.12.2

---

Importando as bibliotecas que serão utilizadas

python

import random
import numpy as np
import pandas as pd
import matplotlib as mat
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings('ignore')
import seaborn as sea
%matplotlib inline

---

Criando os gráficos com Seaborn

Carregando um dos datasets que vem com o seaborn para estudo

python

dados = sea.load_dataset("tips")

dados.head()

out:

	total_bill	tip	sex	smoker	day	time	size
0	16.99	1.01	Female	No	Sun	Dinner	2
1	10.34	1.66	Male	No	Sun	Dinner	3
2	21.01	3.50	Male	No	Sun	Dinner	3
3	23.68	3.31	Male	No	Sun	Dinner	2
4	24.59	3.61	Female	No	Sun	Dinner	4

---

Criando gráficos bivariados e univariados na mesma área de plotagem

python

# O método joinplot cria plot de 2 variáveis com gráficos bivariados e univariados
sea.jointplot(data = dados, x = 'total_bill', y = 'tip', kind = 'reg')

out:

Ele retorna um gráfico que diz: Os pontos são a relação entre valor da conta e gorjeta, a linha azul diagonal é o modelo de regressão, a área sombreada entre ela é o intervalo sendo a margem de erro, temos o histograma da variável total_bill e o gráfico de densidade! Tanta coisa em apenas 1 gráfico!

---

Criando um gráfico que contém modelos de regressão

python

# O método lmplot() cria a plot com dados e modelos de regressão
sea.lmplot(data = dados, x = 'total_bill', y = 'tip', col = 'smoker')

out:

Temos a linha de regressão entre total_bill e tip, isso quando, o cliente era fumante ou não (Smoker True ou False)

---

Vamos criar um DF vazio

python

# Criando um dataframe vazio
df = pd.DataFrame()

Vamos preencher o DF com valores vazios

python

# Alimentando o dataframe com valores aleatórios
df['idade'] = random.sample(range(20, 100), 30)
df['peso'] = random.sample(range(55, 150), 30)

Verificando a forma do DF

python

df.shape

out: (30, 2)

---

Visualizando os dados com pandas:

python

df.head()

out:

	idade	peso
0	24	58
1	81	68
2	86	133
3	48	69
4	58	97

---

Gráfico de dispersão

Criando um gráfico de dispersão com um modelo de regressão na mesma área de plotagem

python

# O fit_reg nos retorna um modelo de regressão
sea.lmplot(data = df, x = 'idade', y = 'peso', fit_reg = True)

out:

---

Gráfico de densidade

Criando um gráfico de densidade

python

# Gráfico de densidade
sea.kdeplot(df.idade)

out:

---

Gráfico de densidade com histograma

Criando um gráfico de densidade com um histograma na mesma área de plotagem

python

sea.distplot(df.peso)

out:

---

Histograma

Criando um histograma com um rugplot incluso

python

# Utilizando o histograma do matplotlib, com o rugplot do seaborn
plt.hist(df.idade, alpha = .3)
sea.rugplot(df.idade)

out:

---

BoxPlot

Criando um gráfico boxplot

python

sea.boxplot(df.idade, color = 'm')

out:

---

Violin Plot

Criando um gráfico Violin

python

sea.violinplot(df.peso, color = 'cyan')

out:

---

Cluster Map

Criando um Gráfico Cluster Map

python

sea.clustermap(df)

out: