Ebook Visualizacao

E-Book de Visualização de Dados
Conceitos de visualização e programação com Python
Rodrigo Pastl Pontes

SOBRE ESTE E-BOOK
A 4a Revolução Industrial já está aí e, com ela, a necessidade de nos aprimorar tecnicamente é mais
que primordial. Isso pode ser o diferencial para o seu sucesso profissional. Saber mostrar os nossos
resultados de forma mais clara e objetiva faz com que o que fazemos seja melhor percebido.
Aliar as novas tendências de linguagens de programação, utilizadas na 4a Revolução Industrial, à

visualização dos resultados fará com que você saia na frente, independentemente da área na qual
trabalha. E o melhor: você não precisa ser um expert em computação para criar o código e os
gráficos que você deseja mostrar.
O objetivo desse E-Book é mostrar os conceitos dos 10 tipos de visualização de dados mais usados no
mercado e, também, como criá-los passo-a-passo usando a linguagem de programação Python, hoje
uma das mais usadas para análise e visualização de dados no mundo, e uma das mais promissoras
para a 4a Revolução Industrial. Elaborado por um time com mais de 10 anos de experiência em
análise de dados, automação e melhoria contínua, esse E-Book traz o que há de mais atual e
importante que você precisa saber para definir qual tipo de gráfico você deve usar de acordo com sua
necessidade.
Esperamos que gostem do conteúdo.

SUMÁRIO
1 . Gráfico de Colunas 004
2 . Gráfico de Linhas 006
3 . Gráfico de Pizza 008
4 . Gráfico de Área 010
5 . Gráfico de Barras 012
6 . Gráfico de Rosca 014
7 . Histograma 016
8 . Diagrama de Dispersão 018
9 . Diagrama de Pareto 020
10 . Diagrama de Sankey 022
11 . Criando gráficos com Python 024
12 . Conclusões 107
13 . Sobre a LEAN 4.0 108
Gráfico de Colunas
Gráfico de Colunas
Pagamentos Realizados em 2018
55
43
40
Custos (kR$)
34
Colunas
Energia Equipamentos Contratação Treinamento

Categorias
Finalidade
Este gráfico serve para agrupar dados em colunas proporcionais de informação dispostas
verticalmente. É uma ajuda visual quando queremos comparar e fazer um “ranking” das
categorias, já que o eixos “x” e “y” quantificam os valores por tamanho.
5
Gráfico de Linhas
Gráfico de Linhas
Pagamentos Realizados Trimestres 2018
24
Categorias
ou Séries 18
Custos (kR$)
Energia
12
Equipamento
Contratação
6
Treinamento
Tempo ou Frequência de Coleta Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4

Temporada
Este gráfico é mais usado para mostrar uma ou mais séries de dados de forma temporal,
como a frequência do uso de um produto ou dos gastos ao longo do ano. É formado por
linhas simples ligando os pontos.
7
Gráfico de Pizza
Gráfico de Pizza
Energia
Treinamento
25% 23%
Categorias
20%
32%
Equipamento
Contratação
Este gráfico serve para mostrar a participação de cada categoria, representada por
uma fatia da pizza.
Dica: Utilizamos no máximo 4 categorias. Isso facilita a visualização.
9
Gráfico de Área
Gráfico de Área
Investimentos Realizados Trimestres 2018
Categorias ou 24
Segmentos 18
Custos (kR$)
Contratação
12
Treinamento
0
Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4
Temporada
Este gráfico é um gráfico de linhas com área abaixo de cada curva preenchida.
Serve para comparar dados segmentados (categorizados) no mesmo período de
tempo. Podemos ainda empilhar os valores para comparar os perfis das categorias.
11
Gráfico de Barras
Gráfico de Barras
Custos (kR$) Barras
Treinamento 43
Finalidade
Contratação 55
Equipamentos 34
Energia 40
Categorias
Similar ao gráfico de colunas, este gráfico também serve para agrupar dados em barras
proporcionais de informação dispostas horizontalmente. É também uma ajuda visual
quando queremos comparar e fazer um “ranking” das categorias, já que o eixos “x” e “y”
quantificam os valores por tamanho.
13
Gráfico de Rosca
Gráfico de Rosca
Categorias Treinamento
Energia
25% 23%
20%
32% Equipamento
Contratação
Similar ao gráfico de pizza, o gráfico de rosca serve para mostrar a participação de

cada categoria, representada por um pedaço da rosca.
Dica: Utilize no máximo 4 categorias. Isso facilita a visualização.
15
Histograma
Histograma
Distribuição de Pessoas Atendidas em 1 Dia Frequência Observada
20 19
18
Frequência Absoluta
14
Distribuição dos Dados

8
5
4 4 4
0
0
[0,3] (3,6] (6,9] (9,12] (12,15] (15,18] (18,21] (21,24] (24,∞] Classes ou Intervalos
Pessoas Atendidas
Este gráfico mostra como os dados (quantitativos) estão distribuídos. São excelentes para mostrar picos e
vales nos dados relacionados às classes (ou intervalos - eixo “x”), quando queremos trabalhar com
probabilidade ou apenas ter a noção do comportamento da variável que medimos. Existem dois tipos de
frequência que podem ser observadas: Frequência Absoluta ou Frequência Relativa.
17
Diagrama de Dispersão
Diagrama de Dispersão
Temperatura x Pagamentos Realizados em 2018
Relação entre as 30
variáveis 24
Temperatura (°C)
18
12
Variável 2 6
Variável 1 6 7 8 9 10 11 12 13 14
Custos (kR$)
Este diagrama dispõe nossos dados cruzando duas variáveis de informação nos eixos
vertical e horizontal. A localização dos dados vai depender da correlação entre as duas
variáveis. Assim, conseguimos verificar como as variáveis se relacionam.
19
Diagrama de Pareto
Diagrama de Pareto
Pagamentos Realizados em 2018 Frequência
60 100%
Acumulada
Frequência Acumulada
45 75%
Frequência
Custos (kR$)
30 50%
Absoluta
15 25%
0
Contratação Treinamento Energia Equipamentos
0%
Categorias
Finalidade
Este diagrama mostra, de um lado, a frequência absoluta de uma categoria em ordem

decrescente, e do outro lado, a frequência relativa acumulada das categorias. Isso é feito
para aplicar a regra de Pareto, ou a regra dos 80/20: 80% das consequências vem de 20%
das causas.
21
Diagrama de Sankey
Diagrama de Sankey
Palestras Contratação Equipamento
60 kR$ 55 kR$ 34 kR$
Fluxo de Entrada
Serviços Lucro
110 kR$ 68 kR$
Fluxo de
Saída Consultoria
70 kR$
Energia Treinamento
40 kR$ 43 kR$
Este diagrama mostra o movimento dos dados através do tamanho e direção das
setas. É utilizado para visualizar qualquer de tipo de fluxo de dados.
23
Criando gráficos com Python
Programando em Python
1 – Baixe a plataforma Anaconda 3, através do link
https://www.anaconda.com/distribution/#download-section
2 – Abra o software Spyder 3, que vem com a instalacao do Anaconda
25
3 – Ele vai ter essa cara: Área de
exploração
Área de
desenvolvimento É aqui que estão as variáveis e arquivos
Área de console
Obs.: Após a instalação, o

software virá com fundo É aqui que vai seu código
branco. Você pode configurar
É aqui que está o histórico do que
o aparência das áreas da
foi executado
forma que você desejar.
26
4 – Agora é só programar!
27
Dicas da LEAN 4.0 programar em python – 5 blocos
Uma das nossas boas práticas é utilizar até 5 blocos para gerar os gráficos com o python. Isso nos
ajuda a agilizar e reaproveitar os códigos que já utilizamos em outras análises, deixando-nos mais
focados nos gráficos em si. Os 5 blocos são os seguintes:
Bloco 1
Bibliotecas
Bloco 2
Importação de dados
Bloco 3
Ajuste do objeto visualizado
Bloco 4
Escolha e inserção das infos
Bloco 5
Configuração do gráfico 28
Bloco 1 Primeiramente, devemos inserir as bibliotecas necessárias para
Bibliotecas poder desenvolver o nosso código.
Mesmo que você não saiba quais bibliotecas inserir no começo,
Bloco 2
deixe esse primeiro bloco para organizar as bibliotecas e, dessa
forma, seu código.
Bloco 3 O comando utilizado é o “import”.
Ajuste do objeto visualizado As bibliotecas mais comuns são:
- numpy = foco em trabalhar com dados
Bloco 4
Escolha e inserção das infos - pandas = foco em trabalhar com dados
- matplotlib.pyplot = foco na visualização de dados
Bloco 5
Bloco 1 Uma vez importadas a bibliotecas, devemos buscar os dados de
Bibliotecas suas fontes, sejam elas arquivos externos (txt, csv, xlsx, SQL…) ou
inseridas de forma manual.
Bloco 2
Neste bloco serão criadas as variáveis para receber os dados das
Bloco 3 fontes e acessadas as fontes dos dados
Bloco 4
Bloco 5
Bloco 1 Com os dados recepcionados, utilizamos esse bloco para o
Bibliotecas tratamento das variáveis e ajustes necessários dos dados que
queremos utilizar.
Bloco 2
Importação de dados Aqui se incluem os cálculos de “limpeza” dos dados e cálculos
mais avançados que você deseja fazer. Exemplos são os cálculos
Bloco 3 de indicadores e estatísticos.
Bloco 4 É aqui que os dados passam de simples dados para informação.

Por isso, esse bloco é de extrema importância. Qualquer erro,
Bloco 5 pode acarretar em “sujeira” na informação gerada.
Bloco 1 Esse bloco contém o início da visualização.
Bibliotecas
Aqui se incluem a escolha do gráfico que se quer gerar e a
inserção das informações geradas no bloco 3.
Bloco 2
Importação de dados Nesse bloco também pode ser necessário transformar o formato
das informações geradas. Isso se deve ao tipo de gráfico que se
Bloco 3 quer ter.
Ajuste do objeto visualizado Portanto, o quanto antes souber qual o gráfico desejado, melhor
para ajustar o resultado do bloco 3.
Bloco 4
Mas, caso você não saiba qual gráfico vai utilizar quando chegar
aqui, não preocupe tanto. O python ajudar a resolver isso
Bloco 5 rapidamente com pouquíssimas linhas de código.
Bloco 1 Por último, com as informações tratadas e inseridas no tipo de
Bibliotecas gráfico desejado, é necessário ajustar e refinar a visualização.
Bloco 2
Importação de dados Aqui você vai ajustar os nomes do título e eixos, assim como a
escala dos dados e cores.
Bloco 3
Pronto, é só visualizar e correr pro abraço.
Bloco 4
Bloco 5
Exemplos passo-a-passo
Gráfico de Colunas em Python
#Bloco 1 - Importar as bibliotecas necessárias
Bloco 1
import pandas as pd #Biblioteca para ler os dados de arquivo externo e trabalhar os dados
Bibliotecas
import matplotlib.pyplot as plt #Biblioteca para gerar os gráficos
Bloco 2
Bloco 3
Bloco 4
Bloco 5
Configuração do gráfico
36
Bloco 1
Bibliotecas
Bloco 2
#Bloco 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
dataset.append(pd.read_csv("dados.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
Bloco 3
Bloco 4
Bloco 5
37
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF) Ajuste do objeto visualizado
df_raw = [] #Nova variável para trabalho, recebendo os dados originais no formato adequado para o gráfico
df_raw = pd.DataFrame(dataset[0].iloc[:,:].values) #Retirando apenas os dados necessários para serem gerados Bloco 4
df_raw.columns = ["Finalidade","Custos (kR$)"] #Renomeando a coluna dos dados obtidos Escolha e inserção das infos
Bloco 5
38
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
#Bloco 4 – Escolhendo e inserindo os dados Bloco 5

df = df_raw["Custos (kR$)"].tolist() #Criação de uma nova variável para receber os dados desejados numa listaConfiguração do gráfico
#
fig = plt.figure() #Criando a figura que recebe o gráfico
coluna = fig.add_subplot(111) #Criando o gráfico de colunas propriamente dito
coluna.bar(df_raw["Finalidade"].values, df, align='center', color = "#318498") #Inserindo os dados no gráfico, de cor específica
39
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
#Bloco 4 - Escolhendo e inserindo os dados Bloco 5

#
coluna = fig.add_subplot(111) #Criando o gráfico de colunas propriamente dito
#Bloco 5 – Configurando o gráfico

coluna.set_title('Pagamentos Realizados em 2018',fontsize=24) #Ajustando o título do gráfico
#Eixo "x"
coluna.set_xlabel("Finalidade",fontsize=12) #Ajustando o título do eixo “x”
#Eixo "y”
coluna.set_ylabel("Custos (kR$)",fontsize=12) #Ajustando o título do eixo “y”
#Mostrando o gráfico
plt.show()
40

#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF)
df_raw = pd.DataFrame(dataset[0].iloc[:,:].values) #Retirando apenas os dados necessários para serem gerados
df_raw.columns = ["Finalidade","Custos (kR$)"] #Renomeando a coluna dos dados obtidos
#Bloco 4 - Escolhendo e inserindo os dados

df = df_raw["Custos (kR$)"].tolist() #Criação de uma nova variável para receber os dados desejados numa lista
#
coluna = fig.add_subplot(111) #Criando o gráfico de barras propriamente dito

coluna.set_title('Pagamentos Realizados em 2018',fontsize=24) #Ajustando o título do gráfico
#Eixo "x"
coluna.set_xlabel("Finalidade",fontsize=12) #Ajustando o título do eixo “x”
#Eixo "y”
coluna.set_ylabel("Custos (kR$)",fontsize=12) #Ajustando o título do eixo “y”
plt.show()
41
Gráfico de Linhas em Python
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
Bloco 4
Bloco 5
43
Bloco 1
Bibliotecas
Bloco 2
dataset.append(pd.read_csv("dados_linha.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
Bloco 3
Bloco 4
Bloco 5
44
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
df_raw.columns = ["Temporada","Energia","Equipamento","Contratação","Treinamento"] #Renomeando a coluna dos dados obtidos Escolha e inserção das infos
Bloco 5
45
Bloco 1
Bibliotecas
Bloco 2
Bloco 3

# Configuração do gráfico
linha = fig.add_subplot(111) #Criando o gráfico de linhas propriamente dito
linha.plot(df_raw["Temporada"], df_raw["Energia"].values,color = "#318498",marker=“o”) #Inserindo os dados no gráfico, de cor específica
linha.plot(df_raw["Temporada"], df_raw["Equipamento"].values,color = "red",marker=“o”) #Inserindo os dados no gráfico, de cor específica
linha.plot(df_raw["Temporada"], df_raw["Contratação"].values,color = "green",marker=“o”) #Inserindo os dados no gráfico, de cor específica
linha.plot(df_raw["Temporada"], df_raw["Treinamento"].values,color = "yellow",marker=“o”)#Inserindo os dados no gráfico, de cor específica
46
Bloco 1
Bibliotecas
Bloco 2
Bloco 3


linha.set_title('Pagamentos Realizados Trimestres 2018',fontsize=24) #Ajustando o título do gráfico
#Eixo "x"
linha.set_xlabel("Temporada",fontsize=12) #Ajustando o título do eixo “x”
#Eixo "y”
linha.set_ylabel("Custos (kR$)",fontsize=12) #Ajustando o título do eixo “y”
linha.legend(["Energia","Equipamento","Contratação","Treinamento"]) #Legenda dos dados
plt.show()
47

df_raw.columns = ["Temporada","Energia","Equipamento","Contratação","Treinamento"] #Renomeando a coluna dos dados obtidos
#Bloco 4 – Escolhendo e inserindo os dados

#

linha.set_title('Pagamentos Realizados Trimestres 2018',fontsize=24) #Ajustando o título do gráfico
#Eixo "x"
linha.set_xlabel("Temporada",fontsize=12) #Ajustando o título do eixo “x”
#Eixo "y”
linha.set_ylabel("Custos (kR$)",fontsize=12) #Ajustando o título do eixo “y”
linha.legend(["Energia","Equipamento","Contratação","Treinamento"]) #Legenda dos dados
plt.show()
48
Gráfico de Pizza em Python
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
Bloco 4
Bloco 5
50
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
Bloco 4
Bloco 5
51
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
Bloco 5
52
Bloco 1
Bibliotecas
Bloco 2
Bloco 3

pizza = fig.add_subplot(111) #Criando o gráfico de pizza propriamente dito
pizza.pie(df_raw["Custos (kR$)"].values, #Inserindo os dados no gráfico, de cor específica
labels=df_raw["Finalidade"].values,
labeldistance = 1.1, autopct = “%1.0f%%”,
colors=["#318498","red","green","yellow"],
textprops=dict(color="black"), radius = 1)
53
Bloco 1
Bibliotecas
Bloco 2
Bloco 3


pizza.set_title('Pagamentos Realizados em 2018',fontsize=24) #Ajustando o título do gráfico
plt.axis("equal")
plt.show()
54


#

pizza.set_title('Pagamentos Realizados em 2018',fontsize=24) #Ajustando o título do gráfico
plt.axis("equal")
plt.show()
55
Gráfico de Área em Python
Bloco 1
Bibliotecas
import numpy as np #Biblioteca trabalhar com os dados
Bloco 2
Bloco 3
Bloco 4
Bloco 5
57
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
Bloco 4
Bloco 5
58
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
df_raw = [] #Nova variável para trabalho, recebendo os dados originais no formato adequado para o gráfico Bloco 4
df_raw = pd.DataFrame(dataset[0].iloc[:,:].values) #Retirando apenas os dados necessários para serem gerados Escolha e inserção das infos
Bloco 5
59
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
Bloco 5
#Bloco 4 – Escolhendo e inserindo os dados Configuração do gráfico
#
area = fig.add_subplot(111) #Criando o gráfico de área propriamente dito
#Inserindo os dados no gráfico com cores específicas
area.stackplot(np.arange(len(df_raw["Temporada"].values)),df_raw["Contratação"].tolist(),color="green")
area.stackplot(np.arange(len(df_raw["Temporada"].values)),df_raw["Treinamento"].tolist(),color="yellow")
60
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
Bloco 5
#Bloco 4 – Escolhendo e inserindo os dados Configuração do gráfico
#
#Bloco 5 - Configurando o gráfico

area.set_title('Pagamentos Realizados Trimestres 2018',fontsize=24) #Ajustando o título do gráfico
#Eixo "x"
area.set_xlim(0,3) #Configura os limites do eixo “x”
area.set_xticks([]) #Limpa os valores do eixo “x”
area.set_xticks([0,1,2,3]) #Valores embaixo do eixo “x”
area.set_xticklabels(["Temporada 1","Temporada 2","Temporada 3","Temporada 4"]) #Nomes embaixo do eixo “x"
area.set_xlabel("Temporada",fontsize=12) #Ajustando o título do eixo “x"
#Eixo "y"
area.set_ylabel("Custos (kR$)",fontsize=12) #Ajustando o título do eixo "y"
area.legend(["Contratação","Treinamento"])
plt.show()
61


#

area.set_title('Pagamentos Realizados Trimestres 2018',fontsize=24) #Ajustando o título do gráfico
#Eixo "x"
area.set_xlim(0,3) #Configura os limites do eixo “x”
area.set_xticks([]) #Limpa os valores do eixo “x”
area.set_xticks([0,1,2,3]) #Valores embaixo do eixo “x”
area.set_xticklabels(["Temporada 1","Temporada 2","Temporada 3","Temporada 4"]) #Nomes embaixo do eixo “x"
area.set_xlabel("Temporada",fontsize=12) #Ajustando o título do eixo “x"
#Eixo "y"
area.set_ylabel("Custos (kR$)",fontsize=12) #Ajustando o título do eixo "y"
area.legend(["Contratação","Treinamento"])
plt.show()
62
Gráfico de Barras em Python
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
Bloco 4
Bloco 5
64
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
Bloco 4
Bloco 5
65
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
Bloco 5
66
Bloco 1
Bibliotecas
Bloco 2
Bloco 3

#
barra = fig.add_subplot(111) #Criando o gráfico de barras propriamente dito
barra.barh(df_raw["Finalidade"].values, df, align='center', color = "#318498") #Inserindo os dados no gráfico, de cor específica
67
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
#Bloco 4 - Escolhendo e inserindo os dados Bloco 5

#

barra.set_title('Pagamentos Realizados em 2018',fontsize=24) #Ajustando o título do gráfico
#Eixo "x"
barra.set_xlabel("Custos (kR$)",fontsize=12) #Ajustando o título do eixo “x”
#Eixo "y”
barra.set_ylabel("Finalidade",fontsize=12) #Ajustando o título do eixo “y”
plt.show()
68

#Bloco 4 - Escolhendo e inserindo os dados

df = df_raw["Custos (kR$)"].tolist() #Criação de uma nova variável para receber os dados desejados numa lista
#

barra.set_title('Pagamentos Realizados em 2018',fontsize=24) #Ajustando o título do gráfico
#Eixo "x"
barra.set_xlabel("Custos (kR$)",fontsize=12) #Ajustando o título do eixo “x”
#Eixo "y”
barra.set_ylabel("Finalidade",fontsize=12) #Ajustando o título do eixo “y”
plt.show()
69
Gráfico de Rosca em Python
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
Bloco 4
Bloco 5
71
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
Bloco 4
Bloco 5
72
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
Bloco 5
73
Bloco 1
Bibliotecas
Bloco 2
Bloco 3

rosca = fig.add_subplot(111) #Criando o gráfico de rosca propriamente dito
rosca.pie(df_raw["Custos (kR$)"].values, #Inserindo os dados no gráfico, de cor específica
#Desenhando o círculo no meio

circulo_central = plt.Circle((0,0),0.40,fc='white')
fig = plt.gcf()
fig.gca().add_artist(circulo_central)
74
Bloco 1
Bibliotecas
Bloco 2
Bloco 3


fig = plt.gcf()

rosca.set_title('Pagamentos Realizados em 2018',fontsize=24) #Ajustando o título do gráfico
plt.axis("equal")
plt.show()
75


#

fig = plt.gcf()

rosca.set_title('Pagamentos Realizados em 2018',fontsize=24) #Ajustando o título do gráfico
plt.axis("equal")
plt.show()
76
Histograma em Python
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
Bloco 4
Bloco 5
78
Bloco 1
Bibliotecas
Bloco 2
dataset.append(pd.read_csv("dados_1.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
Bloco 3
Bloco 4
Bloco 5
79
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
df_raw = pd.DataFrame(dataset[0].iloc[:,0].values) #Retirando apenas os dados necessários para serem gerados Bloco 4
df_raw.columns = [“Pessoas"] #Renomeando a coluna dos dados obtidos Escolha e inserção das infos
Bloco 5
80
Bloco 1
Bibliotecas
Bloco 2
Bloco 3

histograma = fig.add_subplot(111) #Criando o histograma propriamente dito
histograma.hist(x=df_raw["Pessoas"].values, bins=8, facecolor="#318498") #Inserindo os dados no gráfico, de cor específica
81
Bloco 1
Bibliotecas
Bloco 2
Bloco 3

histograma = fig.add_subplot(111) #Criando o histograma propriamente dito

histograma.set_title('Número de Pessoas Atendidas em 1 Dia',fontsize=24) #Ajustando o título do gráfico
#Eixo "x“
histograma.set_xticks([])
histograma.set_xticks([3,6,9,12,15,18,21,24,27])
histograma.set_xticklabels(['[0,3]','(3,6]','(6,9]','(9,12]','(12,15]','(15,18]','(18,21]','(21,24]','(24,Inf]'])
histograma.set_xlim(1,27)
histograma.set_xlabel("Pessoas Atendidas",fontsize=12) #Ajustando o título do eixo "x"
#Eixo "y"
histograma.set_ylim(0,20)
histograma.set_yticks([])
histograma.set_yticks([0,20])
histograma.set_ylabel("Frequência Absoluta",fontsize=12) #Ajustando o título do eixo "y"
plt.show()
82

df_raw = pd.DataFrame(dataset[0].iloc[:,0].values) #Retirando apenas os dados necessários para serem gerados
df_raw.columns = [“Pessoas"] #Renomeando a coluna dos dados obtidos

#
histograma = fig.add_subplot(111) #Criando o gráfico de histograma propriamente dito

histograma.set_title('Número de Pessoas Atendidas em 1 Dia',fontsize=24) #Ajustando o título do gráfico
#Eixo "x“
histograma.set_xticks([])
histograma.set_xticks([3,6,9,12,15,18,21,24,27])
histograma.set_xticklabels(['[0,3]','(3,6]','(6,9]','(9,12]','(12,15]','(15,18]','(18,21]','(21,24]','(24,Inf]'])
histograma.set_xlim(1,27)
histograma.set_xlabel("Pessoas Atendidas",fontsize=12) #Ajustando o título do eixo "x"
#Eixo "y"
histograma.set_ylim(0,20)
histograma.set_yticks([])
histograma.set_yticks([0,20])
histograma.set_ylabel("Frequência Absoluta",fontsize=12) #Ajustando o título do eixo "y"
plt.show()
83
Diagrama de Dispersão em Python
Diagrama Dispersão em Python
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
Bloco 4
Bloco 5
85
Bloco 1
Bibliotecas
Bloco 2
dataset.append(pd.read_csv("dados_disp.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
Bloco 3
Bloco 4
Bloco 5
86
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
df_raw.columns = ["Custos (kR$)","Temperatura (°C)"] #Renomeando a coluna dos dados obtidos Escolha e inserção das infos
df_raw["Custos (kR$)"] = df_raw["Custos (kR$)"].astype(float) #Transformando o dado de string para ponto flutuante
df_raw["Temperatura (°C)"] = df_raw["Temperatura (°C)"].astype(float) #Transformando o dado de string para ponto flutuante Bloco 5
87
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
#
dispersao = fig.add_subplot(111) #Criando o diagrama de dispersão propriamente dito
#Inserindo os dados no gráfico, de cor específica
dispersao.scatter(x=df_raw["Custos (kR$)"].values, y=df_raw["Temperatura (°C)"].values,color = "#318498", marker=“o”)
88
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
#
dispersao = fig.add_subplot(111) #Criando o diagrama de dispersão propriamente dito

dispersao.set_title('Temperatura x Pagamentos Realizados em 2018',fontsize=20) #Ajustando o título do gráfico
#Eixo "x“
dispersao.set_xlabel("Temperatura (°C)",fontsize=12) #Ajustando o título do eixo “x”
dispersao.set_xlim(6,14) #Ajustando os limites do eixo “x”
#Eixo "y"
dispersao.set_ylabel("Custos (kR$)",fontsize=12) #Ajustando o título do eixo “y” das colunas
dispersao.set_ylim(0,30) #Ajustando os limites do gráfico de coluna
plt.show()
89

df_raw.columns = ["Custos (kR$)","Temperatura (°C)"] #Renomeando a coluna dos dados obtidos
df_raw["Temperatura (°C)"] = df_raw["Temperatura (°C)"].astype(float) #Transformando o dado de string para ponto flutuante

#
dispersao = fig.add_subplot(111) #Criando o gráfico de pareto propriamente dito

dispersao.set_title('Temperatura x Pagamentos Realizados em 2018',fontsize=20) #Ajustando o título do gráfico
#Eixo "x“
dispersao.set_xlabel("Temperatura (°C)",fontsize=12) #Ajustando o título do eixo “x”
dispersao.set_xlim(6,14) #Ajustando os limites do eixo “x”
#Eixo "y"
dispersao.set_ylabel("Custos (kR$)",fontsize=12) #Ajustando o título do eixo “y” das colunas
dispersao.set_ylim(0,30) #Ajustando os limites do gráfico de coluna
plt.show()
90
Diagrama de Pareto em Python
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
Bloco 4
Bloco 5
92
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
Bloco 4
Bloco 5
93
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
Bloco 5
94
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
df = df_raw.sort_values(by=["Custos (kR$)"], ascending=False) #Variável para receber os dados de forma tratada Bloco 5
df_l=df["Custos (kR$)"].cumsum()/df["Custos (kR$)"].sum()*100 #Variável para receber a frequência acumulada de cada categoria Configuração do gráfico
df_l=pd.DataFrame(df_l) #Transformando a variável em um dataframe, para ser inserida no gráfico

#
pareto_barra = fig.add_subplot(111) #Criando o diagrama de pareto propriamente dito
pareto_barra.bar(df_raw["Finalidade"].values, df["Custos (kR$)"].tolist(), align='center', color = "#318498")
pareto_linha = pareto_barra.twinx()
pareto_linha.plot(df_raw["Finalidade"].values, df_l, color="green", marker="D", ms=7) #Inserindo a linha
95
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
df = df_raw.sort_values(by=["Custos (kR$)"], ascending=False) #Variável para receber os dados de forma tratada Bloco 5
df_l=df["Custos (kR$)"].cumsum()/df["Custos (kR$)"].sum()*100 #Variável para receber a frequência acumulada de cada categoria Configuração do gráfico

#

pareto_barra.set_title('Pagamentos Realizados em 2018',fontsize=24) #Ajustando o título do gráfico
#Eixo "x“
pareto_barra.set_xlabel("Finalidade",fontsize=12) #Ajustando o título do eixo “x”
#Eixo "y"
pareto_barra.set_ylabel("Custos (kR$)",fontsize=12) #Ajustando o título do eixo “y” das colunas
pareto_barra.set_ylim(0,60) #Ajustando os limites do gráfico de coluna
pareto_linha.set_ylabel("Frequência Acumulada (%)",fontsize=12) #Ajustando o título do eixo “y” das linhas
pareto_linha.set_ylim(0,103) #Ajustando os limites do gráfico de linhas
plt.show() 96

df = df_raw.sort_values(by=["Custos (kR$)"], ascending=False) #Variável para receber os dados de forma tratada

df_l=df["Custos (kR$)"].cumsum()/df["Custos (kR$)"].sum()*100 #Variável para receber a frequência acumulada de cada categoria

#

pareto_barra.set_title('Pagamentos Realizados em 2018',fontsize=24) #Ajustando o título do gráfico
#Eixo "x“
pareto_barra.set_xlabel("Finalidade",fontsize=12) #Ajustando o título do eixo “x”
#Eixo "y"
pareto_barra.set_ylabel("Custos (kR$)",fontsize=12) #Ajustando o título do eixo “y” das colunas
pareto_barra.set_ylim(0,60) #Ajustando os limites do gráfico de coluna
pareto_linha.set_ylabel("Frequência Acumulada (%)",fontsize=12) #Ajustando o título do eixo “y” das linhas
pareto_linha.set_ylim(0,103) #Ajustando os limites do gráfico de linhas
plt.show() 97
Diagrama de Sankey em Python
Bloco 1
Bibliotecas
from matplotlib.sankey import Sankey #Biblioteca para gerar o diagrama de Sankey
Bloco 2
import numpy as np #Biblioteca para trabalhar os dados
Bloco 3
Bloco 4
Bloco 5
99
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
dataset.append(pd.read_csv("dados_sankey.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1’)) Ajuste do objeto visualizado
Bloco 4
Bloco 5
100
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF) Bloco 4
df_raw = [] #Nova variável para trabalho, recebendo os dados originais no formato adequado para o gráfico Escolha e inserção das infos
df_raw.columns = ["Fluxo","Finalidade","Custos (kR$)"] #Renomeando a coluna dos dados obtidos Bloco 5
101
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF) Bloco 4
df_raw = [] #Nova variável para trabalho, recebendo os dados originais no formato adequado para o gráfico Escolha e inserção das infos
df_raw.columns = ["Fluxo","Finalidade","Custos (kR$)"] #Renomeando a coluna dos dados obtidos Bloco 5
#Transformando os dados para se adequar ao diagrama de sankey
input_1=np.array(df_raw[df_raw["Finalidade"]=="Palestras"]["Custos (kR$)"]/df_raw[df_raw["Fluxo"]=="Entrada"]["Custos (kR$)"].sum())
input_2=np.array(df_raw[df_raw["Finalidade"]=="Servicos"]["Custos (kR$)"]/df_raw[df_raw["Fluxo"]=="Entrada"]["Custos (kR$)"].sum())
input_3=np.array(df_raw[df_raw["Finalidade"]=="Consultoria"]["Custos (kR$)"]/df_raw[df_raw["Fluxo"]=="Entrada"]["Custos (kR$)"].sum())
output_1=-np.array(df_raw[df_raw["Finalidade"]=="Contratacao"]["Custos (kR$)"]/df_raw[df_raw["Fluxo"]=="Saida"]["Custos (kR$)"].sum())

output_2=-np.array(df_raw[df_raw["Finalidade"]=="Equipamentos"]["Custos (kR$)"]/df_raw[df_raw["Fluxo"]=="Saida"]["Custos (kR$)"].sum())
output_3=-np.array(df_raw[df_raw["Finalidade"]=="Lucro"]["Custos (kR$)"]/df_raw[df_raw["Fluxo"]=="Saida"]["Custos (kR$)"].sum())
output_4=-np.array(df_raw[df_raw["Finalidade"]=="Treinamento"]["Custos (kR$)"]/df_raw[df_raw["Fluxo"]=="Saida"]["Custos (kR$)"].sum())
output_5=-np.array(df_raw[df_raw["Finalidade"]=="Energia"]["Custos (kR$)"]/df_raw[df_raw["Fluxo"]=="Saida"]["Custos (kR$)"].sum())

sankey = fig.add_subplot(111) #Criando o gráfico de sankey propriamente dito
sankey_1 = Sankey(ax=sankey, unit=None)
sankey_1.add(flows=[input_1[0],-1,input_3[0],input_2[0]], orientations=[-1,0,1,0],
trunklength=1.5,pathlengths=[0.5, 0, 0.5, 0], labels=['Palestras', '', 'Consultoria', 'Servicos’])
sankey_1.add(flows=[1,output_1[0],output_2[0],output_3[0],output_4[0],output_5[0]],orientations=[0,1,1,0,-1,-1],
trunklength=2.5,labels=['', 'Contratação','Equipamentos','Lucro','Treinamento','Energia'],
pathlengths=[0,1,0.5,1.2,0.5,1],prior=0, connect=(1,0,0,0,0,0))
sankey_1.finish() 102
...
Bloco 1
Bibliotecas
Bloco 2
Bloco 3
sankey_1.add(flows=[1,output_1[0],output_2[0],output_3[0],output_4[0],output_5[0]],orientations=[0,1,1,0,-1,-1], Ajuste do objeto visualizado
pathlengths=[0,1,0.5,1.2,0.5,1],prior=0, connect=(1,0,0,0,0,0)) Bloco 4
sankey_1.finish() Escolha e inserção das infos
#Bloco 5 - Configurando o gráfico Bloco 5

sankey.set_title('Fluxo de Recursos em 2018',fontsize=24) #Ajustando o título do gráfico Configuração do gráfico
#Eixo "x“
sankey.set_xlabel("Fluxo de Recursos",fontsize=12) #Ajustando o título do eixo “x”
sankey.set_xticks([]) #Limpando o eixo “x”
#Eixo "y"
sankey.set_yticks([]) #Limpando o eixo “y”
plt.show()
103
...
sankey_1.add(flows=[1,output_1[0],output_2[0],output_3[0],output_4[0],output_5[0]],orientations=[0,1,1,0,-1,-1],
pathlengths=[0,1,0.5,1.2,0.5,1],prior=0, connect=(1,0,0,0,0,0))
sankey_1.finish()

sankey.set_title('Fluxo de Recursos em 2018',fontsize=24) #Ajustando o título do gráfico
#Eixo "x“
sankey.set_xlabel("Fluxo de Recursos",fontsize=12) #Ajustando o título do eixo “x”
sankey.set_xticks([])
#Eixo "y"
sankey.set_yticks([]) #Ajustando os limites do gráfico de linhas
plt.show()
104
Dados utilizados para gerar os gráficos
Dados utilizados
dados.csv Dados_disp.csv Dados_1.csv
Finalidade;Custos (kR$) Custos (kR$);Temperatura (°C) Pessoas;Temperatura Pessoas;Temperatura Pessoas;Temperatura Pessoas;Temperatura

Energia;40 10;22 1;22,4393438 11;13,42872036 15;9,703313583 19;8,118841748
Equipamentos;34 12.5;13 3;16,30419725 11;16,98368126 15;12,39295188 20;14,84622571
Contratação;55 13;12 3;24,61834553 11;10,21182846 15;13,76712661 21;8,872678777
Treinamento;43 7;21 3;20,53833014 11;12,20501642 15;25,78249398 22;15,06503016
11;14 5;21,83088392 11;14,42880798 15;23,92918848 22;9,012658456
dados_sankey.csv
7;13 6;10,84802358 12;27,15392133 15;21,28139047 24;25,90761441
8;15 6;19,62528902 12;12,84723751 15;23,57819599 24;17,02803434
Fluxo;Finalidade;Custos (kR$)
11.5;15 6;28,43277788 12;23,4158638 16;13,28153362
Saida;Energia;40
9;17 7;13,63712904 12;15,49816945 16;28,30246315
Saida;Equipamentos;34
11;17 8;16,75539146 12;27,00025855 16;14,65807578
Saida;Contratacao;55
12;17 8;20,28605028 12;14,24945577 16;16,86132887
Saida;Treinamento;43
10.5;17 9;14,37843674 13;18,46467511 17;15,31291135
Saida;Lucro;68
13;16 9;12,9301081 13;13,27844025 17;11,91717975
Entrada;Palestras;60
7.5;12 9;13,70780713 13;7,38666146 17;11,92110802
Entrada;Servicos;110
8.5;13 9;13,09103691 13;27,30030391 17;14,04227263
Entrada;Consultoria;70
9.5;15 9;13,49361779 13;10,77290283 17;16,73313068
dados_linha.csv 10;24,07205194 14;19,21496104 17;9,195946996
10;15,56433795 14;17,67688098 18;7,949972632
Frequencia;Energia;Equipamento;Contratacao;Treinamento 10;26,63432824 14;22,33072026 18;10,56994565
Trimestre 1;8;6;20;18 10;27,59226416 14;23,6274631 18;10,21101999
Trimestre 2;9;8;18;10 10;19,16332201 14;20,30240407 18;19,88741536
Trimestre 3;11;9;10;10 10;26,68214848 14;12,3004326 19;13,72383854
Trimestre 4;12;11;7;5 11;9,295979536 15;26,32198153 19;11,40270802 106
CONCLUSÕES
Esse E-Book mostrou os conceitos dos 10 tipos de visualização de dados mais usados no mercado.
Também, foi mostrado como criá-los utilizando a linguagem de programação Python, hoje uma das
mais usadas para análise e visualização de dados no mundo, e uma das mais promissoras para a 4a
Revolução Industrial.
Esperamos que tenham gostado do conteúdo. Esse é o primeiro passo para o seu sucesso profissional
na 4a Revolução Industrial, que hoje já é realidade no Brasil e no mundo.
Interessou e quer saber mais?
Entre em contato conosco e tira suas dúvidas através do email: leanmt4.0@gmail.com
Mande-nos também seu feedback. Ele é de extrema importância para evoluirmos junto com vocês.
Um grande abraço.
Equipe LEAN 4.0

SOBRE A LEAN 4.0
“Somos fundada com base na inovação e evolução.
Nossa missão é promover, de forma inovadora, a evolução das pessoas com treinamentos em
novas tendências de mercado e tecnologias, aplicando-as nos projetos de melhoria contínua.
Dessa forma, acreditamos que o ambiente no qual as pessoas estão envolvidas evolui junto com
elas.
Promovemos também o gerenciamento de projetos de melhoria contínua, com ferramentas e

plataformas digitais inovadoras, gerando maior agilidade, monitorando melhor os projetos e
diminuindo o desperdício nas empresas.“
Rodrigo Pastl Pontes

LEAN 4.0
Este E-Book foi criado exclusivamente pela LEAN 4.0 e sua indevida reprodução ou plágio representa um desrespeito à propriedade intelectual, estando sujeito às medidas
cabíveis, de acordo com as leis em vigência no Brasil.

Ebook Visualizacao

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Ebook Visualizacao

Enviado por

Direitos autorais:

Formatos disponíveis

E-Book de Visualização de Dados

Conceitos de visualização e programação com Python

Rodrigo Pastl Pontes

Aliar as novas tendências de linguagens de programação, utilizadas na 4a Revolução Industrial, à

Esperamos que gostem do conteúdo.

Energia Equipamentos Contratação Treinamento

Tempo ou Frequência de Coleta Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4

Similar ao gráfico de pizza, o gráfico de rosca serve para mostrar a participação de

Distribuição dos Dados

Este diagrama mostra, de um lado, a frequência absoluta de uma categoria em ordem

2 – Abra o software Spyder 3, que vem com a instalacao do Anaconda

Obs.: Após a instalação, o

Bloco 4 É aqui que os dados passam de simples dados para informação.

#Bloco 4 – Escolhendo e inserindo os dados Bloco 5

#Bloco 4 - Escolhendo e inserindo os dados Bloco 5

#Bloco 5 – Configurando o gráfico

#Bloco 2 - Importando os dados

#Bloco 4 - Escolhendo e inserindo os dados

#Bloco 5 – Configurando o gráfico

#Bloco 4 – Escolhendo e inserindo os dados Bloco 5

#Bloco 4 – Escolhendo e inserindo os dados Bloco 5

#Bloco 5 – Configurando o gráfico

#Bloco 2 - Importando os dados

#Bloco 4 – Escolhendo e inserindo os dados

#Bloco 5 – Configurando o gráfico

#Bloco 4 – Escolhendo e inserindo os dados Bloco 5

#Bloco 4 – Escolhendo e inserindo os dados Bloco 5

#Bloco 5 – Configurando o gráfico

#Bloco 2 - Importando os dados

#Bloco 4 – Escolhendo e inserindo os dados

#Bloco 5 – Configurando o gráfico

#Bloco 5 - Configurando o gráfico

#Bloco 2 - Importando os dados

#Bloco 4 – Escolhendo e inserindo os dados

#Bloco 5 - Configurando o gráfico

#Bloco 4 – Escolhendo e inserindo os dados Bloco 5

#Bloco 4 - Escolhendo e inserindo os dados Bloco 5

#Bloco 5 – Configurando o gráfico

#Bloco 2 - Importando os dados

#Bloco 4 - Escolhendo e inserindo os dados

#Bloco 5 – Configurando o gráfico

#Bloco 4 – Escolhendo e inserindo os dados Bloco 5

#Desenhando o círculo no meio

#Bloco 4 – Escolhendo e inserindo os dados Bloco 5

#Desenhando o círculo no meio

#Bloco 5 – Configurando o gráfico

#Bloco 2 - Importando os dados

#Bloco 4 – Escolhendo e inserindo os dados

#Desenhando o círculo no meio

#Bloco 5 – Configurando o gráfico

#Bloco 4 – Escolhendo e inserindo os dados Bloco 5

#Bloco 4 – Escolhendo e inserindo os dados Bloco 5

#Bloco 5 - Configurando o gráfico

#Bloco 2 - Importando os dados

#Bloco 4 – Escolhendo e inserindo os dados

#Bloco 5 - Configurando o gráfico

#Bloco 5 - Configurando o gráfico

#Bloco 2 - Importando os dados

#Bloco 4 – Escolhendo e inserindo os dados

#Bloco 5 - Configurando o gráfico

#Bloco 4 – Escolhendo e inserindo os dados

#Bloco 4 – Escolhendo e inserindo os dados

#Bloco 5 - Configurando o gráfico