Visualização de dados com Plotly

Autor

Vinícius Oviedo

Data de Publicação

26 de julho de 2024

Objetivo

A biblioteca plotly é uma biblioteca de visualização de dados disponível para Python. Se trata de uma biblioteca fantástica, pois permite interatividade do usuário com o gráfico. No entanto, para trabalhar com um design mais amigável , podemos dar um toque de customização sobre o layout padrão - isso é feito por meio de um arquivo .py.

Nesse documento, exploramos alguns gráficos que são baseados nessa customizção do layout do plotly e que podem, portanto, serem utilizados para produzir visualizações de alto impacto.

Utilizando um custom layout

O plotly vem com uma série de opções padrões e templates no que tange ao aspecto layout - para mais informações, ver documentação oficial. Pensando em implementar um deisgn próprio, podemos carregar o arquivo custom_layout.py disponível no link abaixo. Basicamente, este arquivo contém configurações quanto a fontes, eixos, paleta de cores, marcadores, etc.

!wget -q 'https://raw.githubusercontent.com/OviedoVR/DatavizWithPlotly/main/custom_layout.py' -O 'custom_layout.py'

Dica

Você pode alterar esse estilo como desejar, além de definir a paleta de cores com base nas opções de cores disponíveis no plotly, ou buscando qualquer código HTML para utilizar com seus gráficos (dica: buscar por HTML Color Codes).

Antes de plotar qualquer gráfico, vamos carregas as bibliotecas necessárias.

# -- Manipulação de dados:
import pandas as pd

# -- Visualização:
import seaborn as sns
import plotly.express as px
# Layout customizado
from custom_layout import *

Nota

Se você estiver rodando na sua máquina ou em ferramentas online como o Google Colab, não é necessário executar o próximo bloco de código.

# -- Renderização em Quarto:
import plotly.io as pio
pio.renderers.default = "notebook"

Gráficos

Neste material, iremos abordar alguns tipos de gráficos, a saber:

Gráfico de linhas
Gráfico de barras
Gráfico de dispersão (scatter)
Histograma
Boxplot
Stripplot
Mapa de calor (heatmap)

Para isso, vamos carregar o dataset tips (gorjetas) da biblioteca Seaborn:

tips = sns.load_dataset('tips')
tips.head()

	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

1. Gráfico de linhas

Adicionando datas sequenciais para plotar um série temporal:

# Defina a data de início
start_date = '2024-01-01'

# Gere uma série de datas sequenciais
tips['date'] = pd.date_range(start=start_date, periods=244) 
tips_time_series = tips.tail(30)

Visualização:

# Criando o gráfico:
fig = px.line(
    tips_time_series,
    x='date',
    y='tip',
    color='sex',
    color_discrete_sequence = ['silver', '#673147']
)

# Configurando layout e título:
fig.update_layout(
    custom_layout,
    title='<b>Tips by date and gender<b>',
    title_x=0.1
)

# Resultado:
fig.show()

Suavizando as linhas do gráfico:

# Criando o gráfico:
fig = px.line(
    tips_time_series,
    x='date',
    y='tip',
    color='sex',
    color_discrete_sequence = ['silver', '#673147']
)

# Suavizando as linhas:
for trace in fig.data:
  trace.update(mode='lines+markers', line_shape='spline')

# Configurando layout e título:
fig.update_layout(
    custom_layout,
    title='<b>Tips by date and gender<b>',
    title_x=0.1
)

# Resulado:
fig.show()

2. Gráfico de barras

# Craindo o gráfico:
fig = px.bar(
    tips,
    x='tip',
    y='sex',
    color_discrete_sequence = ['#673147']
)
 
# Layout e tamanho: 
fig.update_traces(marker_line_width = 0) # sem sub-linhas
fig.update_layout(custom_layout, width=500, height=220)

# Resultado:
fig.show()

Modo da barra: group (agrupado)

# Craindo o gráfico:
fig = px.bar(
    tips,
    x='tip',
    y='sex',
    color='time',
    barmode='group',
    color_discrete_sequence = ['silver', '#673147']
)
 
# Layout e tamanho:
fig.update_traces(marker_line_width = 0) # sem sub-linhas
fig.update_layout(custom_layout, width=500, height=220)

# Resultado:
fig.show()

Modo da barra: stack (empilhado)

# Craindo o gráfico:
fig = px.bar(
    tips,
    x='tip',
    y='sex',
    color='time',
    barmode='stack',
    color_discrete_sequence = ['silver', '#673147']
)
 
# Layout e tamanho:
fig.update_traces(marker_line_width = 0) # sem sub-linhas
fig.update_layout(custom_layout, width=500, height=220)

# Resultado:
fig.show()

3. Gráfico de dispersão

# Criando o gráfico:
fig = px.scatter(
  tips,
  x='total_bill',
  y='tip',
  color_discrete_sequence = ['#673147']
)

# Layout:
fig.update_layout(
  custom_layout,
  title='<b>Total bill versus tip<b>',
  title_x=0.1
)
# Layout dos marcadores:
fig.update_traces(marker=custom_marker_style)

# Resultado:
fig.show()

Com mais de uma categoria:

# Criando o gráfico:
fig = px.scatter(
  tips,
  x='total_bill',
  y='tip',
  size='total_bill',
  color = 'time',
  color_discrete_sequence = ['silver', '#673147']
)

# Layout:
fig.update_layout(
  custom_layout,
  title='<b>Total bill versus tip, hued by time<b>',
  title_x=0.1
)
# Layout dos marcadores:
fig.update_traces(marker=custom_marker_style)

# Resultado:
fig.show()

4. Histograma

# Criando o gráfico
fig = px.histogram(
    tips,
    x='tip',
    color='sex',
    color_discrete_sequence = ['silver', '#673147'],
)

# Layout e título:
fig.update_layout(
    custom_layout,
    title='<b>Tips by gender<b>', 
    title_x=0.1
)

# Resultado:
fig.show()

5. Boxplot

# Criando o gráfico
fig = px.box(
    tips,
    y='tip',
    color='sex',
    color_discrete_sequence = ['silver', '#673147'],
)

# Layout e título:
fig.update_layout(
    custom_layout,
    title='<b>Tips by gender<b>', 
    title_x=0.1,
    boxgap=0.75
)

# Resultado:
fig.show()

Mais categorias:

# Criando o gráfico:
fig = px.box(
    tips,
    y='total_bill',
    color='day',
    color_discrete_sequence = color_discrete_sequence
)

# Layout e título:
fig.update_layout(
    custom_layout,
    title='<b>Total bill by day<b>', 
    title_x=0.1,
    boxgap=0.7
)
# Marcador
fig.update_traces(marker=custom_marker_style)

# Resultado:
fig.show()

6. Stripplot

# Criando o gráfico:
fig = px.strip(
    tips,
    y='tip',
    color='day',
    color_discrete_sequence = color_discrete_sequence
)

# Layout e título:
fig.update_layout(
    custom_layout,
    title='<b>Tips by day<b>', 
    title_x=0.1
)
# Marcador
fig.update_traces(marker=custom_marker_style)

# Resultado:
fig.show()

Dica

Você pode usar a opção facet_col na criação dos gráficos e adicionar mais uma coluna (e.g., smoker), aumentando assim o nível de detalhe.

Nesse caso, o outro eixo do facet ficará com a linha do eixo e os ticks em preto. Logo, você pode usar:

# Função para customizar os facets:
def update_facet_axes(fig):
    # Atualizar todos os eixos de facetas
    fig.update_xaxes(showgrid=False, showline=True, linecolor='lightgray', tickcolor='lightgray')
    fig.update_yaxes(showgrid=False, showline=True, linecolor='lightgray', tickcolor='lightgray')
    return fig

Como exemplo de uso, teríamos:

# Exemplo de uso:
fig = update_facet_axes(fig)
fig.show()

7. Mapa de calor (heatmap)

# Calculando correlações para colunas numéricas
corr = tips.select_dtypes(include='number').corr(method='spearman')

# Criando o gráfico:
fig = px.imshow(corr, text_auto=True, color_continuous_scale='RdBu_r')

# Layout e título:
fig.update_layout(custom_layout, title='Heamap (matriz de correlação)', title_x=0.5)

# Resuldado:
fig.show()

Informações sobre o autor

Vinícius Oviedo | Data Analyst & LaTeX editor

--- title: "Visualização de dados com Plotly" author: "Vinícius Oviedo" date: today lang: "pt-BR" format: bookup-html+lightonly: embed-fonts: true toc: true --- ## Objetivo A biblioteca `plotly` é uma biblioteca de visualização de dados disponível para **Python**. Se trata de uma biblioteca fantástica, pois permite interatividade do usuário com o gráfico. No entanto, para trabalhar com um *design* mais amigável , podemos dar um toque de customização sobre o layout padrão - isso é feito por meio de um arquivo `.py`. Nesse documento, exploramos alguns gráficos que são baseados nessa customizção do layout do `plotly` e que podem, portanto, serem utilizados para produzir visualizações de alto impacto. ## Utilizando um custom layout O `plotly` vem com uma série de opções padrões e templates no que tange ao aspecto layout - para mais informações, ver [documentação oficial](https://plotly.com/python/). Pensando em implementar um *deisgn* próprio, podemos carregar o arquivo `custom_layout.py` disponível no link abaixo. Basicamente, este arquivo contém configurações quanto a fontes, eixos, paleta de cores, marcadores, etc. ```python !wget -q 'https://raw.githubusercontent.com/OviedoVR/DatavizWithPlotly/main/custom_layout.py' -O 'custom_layout.py' ``` ::: {.callout-tip title="Dica"} Você pode alterar esse estilo como desejar, além de definir a paleta de cores com base nas opções de cores disponíveis no plotly, ou buscando qualquer código HTML para utilizar com seus gráficos (dica: buscar por HTML Color Codes). ::: Antes de plotar qualquer gráfico, vamos carregas as bibliotecas necessárias. ```{python} # -- Manipulação de dados: import pandas as pd # -- Visualização: import seaborn as sns import plotly.express as px # Layout customizado from custom_layout import * ``` ::: {.callout-note title="Nota"} Se você estiver rodando na sua máquina ou em ferramentas online como o **Google Colab**, não é necessário executar o próximo bloco de código. ::: ```{python, echo=FALSE} # -- Renderização em Quarto: import plotly.io as pio pio.renderers.default = "notebook" ``` ### Gráficos Neste material, iremos abordar alguns tipos de gráficos, a saber: 1. Gráfico de linhas 2. Gráfico de barras 3. Gráfico de dispersão (scatter) 4. Histograma 5. Boxplot 6. Stripplot 7. Mapa de calor (heatmap) Para isso, vamos carregar o dataset `tips` (gorjetas) da biblioteca **Seaborn**: ```{python} tips = sns.load_dataset('tips') tips.head() ``` ## 1. Gráfico de linhas Adicionando datas sequenciais para plotar um série temporal: ```{python} # Defina a data de início start_date = '2024-01-01' # Gere uma série de datas sequenciais tips['date'] = pd.date_range(start=start_date, periods=244) tips_time_series = tips.tail(30) ``` Visualização: ```{python} # Criando o gráfico: fig = px.line( tips_time_series, x='date', y='tip', color='sex', color_discrete_sequence = ['silver', '#673147'] ) # Configurando layout e título: fig.update_layout( custom_layout, title='Tips by date and gender', title_x=0.1 ) # Resultado: fig.show() ``` Suavizando as linhas do gráfico: ```{python} # Criando o gráfico: fig = px.line( tips_time_series, x='date', y='tip', color='sex', color_discrete_sequence = ['silver', '#673147'] ) # Suavizando as linhas: for trace in fig.data: trace.update(mode='lines+markers', line_shape='spline') # Configurando layout e título: fig.update_layout( custom_layout, title='Tips by date and gender', title_x=0.1 ) # Resulado: fig.show() ``` ## 2. Gráfico de barras ```{python} # Craindo o gráfico: fig = px.bar( tips, x='tip', y='sex', color_discrete_sequence = ['#673147'] ) # Layout e tamanho: fig.update_traces(marker_line_width = 0) # sem sub-linhas fig.update_layout(custom_layout, width=500, height=220) # Resultado: fig.show() ``` > Modo da barra: `group` (agrupado) ```{python} # Craindo o gráfico: fig = px.bar( tips, x='tip', y='sex', color='time', barmode='group', color_discrete_sequence = ['silver', '#673147'] ) # Layout e tamanho: fig.update_traces(marker_line_width = 0) # sem sub-linhas fig.update_layout(custom_layout, width=500, height=220) # Resultado: fig.show() ``` > Modo da barra: `stack` (empilhado) ```{python} # Craindo o gráfico: fig = px.bar( tips, x='tip', y='sex', color='time', barmode='stack', color_discrete_sequence = ['silver', '#673147'] ) # Layout e tamanho: fig.update_traces(marker_line_width = 0) # sem sub-linhas fig.update_layout(custom_layout, width=500, height=220) # Resultado: fig.show() ``` ## 3. Gráfico de dispersão ```{python} # Criando o gráfico: fig = px.scatter( tips, x='total_bill', y='tip', color_discrete_sequence = ['#673147'] ) # Layout: fig.update_layout( custom_layout, title='Total bill versus tip', title_x=0.1 ) # Layout dos marcadores: fig.update_traces(marker=custom_marker_style) # Resultado: fig.show() ``` Com mais de uma categoria: ```{python} # Criando o gráfico: fig = px.scatter( tips, x='total_bill', y='tip', size='total_bill', color = 'time', color_discrete_sequence = ['silver', '#673147'] ) # Layout: fig.update_layout( custom_layout, title='Total bill versus tip, hued by time', title_x=0.1 ) # Layout dos marcadores: fig.update_traces(marker=custom_marker_style) # Resultado: fig.show() ``` ## 4. Histograma ```{python} # Criando o gráfico fig = px.histogram( tips, x='tip', color='sex', color_discrete_sequence = ['silver', '#673147'], ) # Layout e título: fig.update_layout( custom_layout, title='Tips by gender', title_x=0.1 ) # Resultado: fig.show() ``` ## 5. Boxplot ```{python} # Criando o gráfico fig = px.box( tips, y='tip', color='sex', color_discrete_sequence = ['silver', '#673147'], ) # Layout e título: fig.update_layout( custom_layout, title='Tips by gender', title_x=0.1, boxgap=0.75 ) # Resultado: fig.show() ``` Mais categorias: ```{python} # Criando o gráfico: fig = px.box( tips, y='total_bill', color='day', color_discrete_sequence = color_discrete_sequence ) # Layout e título: fig.update_layout( custom_layout, title='Total bill by day', title_x=0.1, boxgap=0.7 ) # Marcador fig.update_traces(marker=custom_marker_style) # Resultado: fig.show() ``` ## 6. Stripplot ```{python} # Criando o gráfico: fig = px.strip( tips, y='tip', color='day', color_discrete_sequence = color_discrete_sequence ) # Layout e título: fig.update_layout( custom_layout, title='Tips by day', title_x=0.1 ) # Marcador fig.update_traces(marker=custom_marker_style) # Resultado: fig.show() ``` ::: {.callout-note title="Dica"} Você pode usar a opção `facet_col` na criação dos gráficos e adicionar mais uma coluna (e.g., `smoker`), aumentando assim o nível de detalhe. ::: Nesse caso, o outro eixo do `facet` ficará com a linha do eixo e os ticks em preto. Logo, você pode usar: ```python # Função para customizar os facets: def update_facet_axes(fig): # Atualizar todos os eixos de facetas fig.update_xaxes(showgrid=False, showline=True, linecolor='lightgray', tickcolor='lightgray') fig.update_yaxes(showgrid=False, showline=True, linecolor='lightgray', tickcolor='lightgray') return fig ``` Como exemplo de uso, teríamos: ```python # Exemplo de uso: fig = update_facet_axes(fig) fig.show() ``` ## 7. Mapa de calor (heatmap) ```{python} # Calculando correlações para colunas numéricas corr = tips.select_dtypes(include='number').corr(method='spearman') # Criando o gráfico: fig = px.imshow(corr, text_auto=True, color_continuous_scale='RdBu_r') # Layout e título: fig.update_layout(custom_layout, title='Heamap (matriz de correlação)', title_x=0.5) # Resuldado: fig.show() ``` ## Informações sobre o autor --- **Vinícius Oviedo** | Data Analyst & LaTeX editor [![GitHub Badge](https://img.shields.io/badge/-GitHub-black?&logo=GitHub&link=https://github.com/OviedoVR)](https://www.github.com/OviedoVR) [![Linkedin Badge](https://img.shields.io/badge/-Linkedin-0A66C2?&logo=Linkedin&link=https://www.linkedin.com/in/vinicius-oviedo/)](https://www.linkedin.com/in/vinicius-oviedo/) [![Medium Badge](https://img.shields.io/badge/-Medium-black?&logo=Medium&link=https://medium.com/@vo.freelancer5)](https://medium.com/@vo.freelancer5/) [![Youtube Badge](https://img.shields.io/badge/-Youtube-red?&logo=YouTube&link=www.youtube.com/channel/UCRc8ff3KUnY47j5sLJHDzSQ)](https://www.youtube.com/channel/UCRc8ff3KUnY47j5sLJHDzSQ) [![Fiverr Badge](https://img.shields.io/badge/-Fiverr_profile-charcoal?&link=https://www.fiverr.com/freelancer_vo)](https://www.fiverr.com/freelancer_vo) [![Upwork Badge](https://img.shields.io/badge/-Upwork_profile-gray?&logo=Upwork&link=https://www.upwork.com/freelancers/~0159ceec532c3ee8ae)](https://www.upwork.com/freelancers/~0159ceec532c3ee8ae)