Escolar Documentos
Profissional Documentos
Cultura Documentos
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.
43
40
Custos (kR$)
34
Colunas
Este gráfico serve para agrupar dados em colunas proporcionais de informação dispostas
verticalmente. É uma ajuda visual quando queremos comparar e fazer um “ranking” das
categorias, já que o eixos “x” e “y” quantificam os valores por tamanho.
5
Gráfico de Linhas
Gráfico de Linhas
Pagamentos Realizados Trimestres 2018
24
Categorias
ou Séries 18
Custos (kR$)
Energia
12
Equipamento
Contratação
6
Treinamento
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
Pagamentos Realizados em 2018
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$)
Contratação
12
Treinamento
0
Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4
Temporada
Este gráfico é um gráfico de linhas com área abaixo de cada curva preenchida.
Serve para comparar dados segmentados (categorizados) no mesmo período de
tempo. Podemos ainda empilhar os valores para comparar os perfis das categorias.
11
Gráfico de Barras
Gráfico de Barras
Pagamentos Realizados em 2018
Custos (kR$) 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
Pagamentos Realizados em 2018
Categorias Treinamento
Energia
25% 23%
20%
32% Equipamento
Contratação
14
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
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
25
Programando em Python
3 – Ele vai ter essa cara: Área de
exploração
Área de
desenvolvimento É aqui que estão as variáveis e arquivos
Área de console
4 – Agora é só programar!
27
Programando em Python
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
Programando em Python
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 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
Importação de dados
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
Configuração do gráfico 29
Programando em Python
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 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
Importação de dados
Neste bloco serão criadas as variáveis para receber os dados das
Bloco 3 fontes e acessadas as fontes dos dados
Ajuste do objeto visualizado
Bloco 4
Escolha e inserção das infos
Bloco 5
Configuração do gráfico 30
Programando em Python
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 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.
Ajuste do objeto visualizado
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 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
Escolha e inserção das infos
aqui, não preocupe tanto. O python ajudar a resolver isso
Bloco 5 rapidamente com pouquíssimas linhas de código.
Configuração do gráfico 32
Programando em Python
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 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
Ajuste do objeto visualizado
Pronto, é só visualizar e correr pro abraço.
Bloco 4
Escolha e inserção das infos
Bloco 5
Configuração do gráfico 33
Exemplos passo-a-passo
Gráfico de Colunas em Python
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
Importação de dados
Bloco 3
Ajuste do objeto visualizado
Bloco 4
Escolha e inserção das infos
Bloco 5
Configuração do gráfico
36
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 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
Bloco 3
Ajuste do objeto visualizado
Bloco 4
Escolha e inserção das infos
Bloco 5
Configuração do gráfico
37
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 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
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$)"] #Renomeando a coluna dos dados obtidos Escolha e inserção das infos
Bloco 5
Configuração do gráfico
38
Gráfico de Colunas em Python
#Bloco 1 - Importar as bibliotecas necessárias
Bloco 1
import pandas as pd #Biblioteca para ler os dados de arquivo externo e trabalhar os dados
Bibliotecas
import matplotlib.pyplot as plt #Biblioteca para gerar os gráficos
Bloco 2
#Bloco 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
Bloco 3
#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF) Ajuste do objeto visualizado
df_raw = [] #Nova variável para trabalho, recebendo os dados originais no formato adequado para o gráfico
df_raw = pd.DataFrame(dataset[0].iloc[:,:].values) #Retirando apenas os dados necessários para serem gerados Bloco 4
df_raw.columns = ["Finalidade","Custos (kR$)"] #Renomeando a coluna dos dados obtidos Escolha e inserção das infos
39
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 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
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$)"] #Renomeando a coluna dos dados obtidos Escolha e inserção das infos
#Mostrando o gráfico
plt.show()
40
Gráfico de Colunas em Python
#Bloco 1 - Importar as bibliotecas necessárias
import pandas as pd #Biblioteca para ler os dados de arquivo externo e trabalhar os dados
import matplotlib.pyplot as plt #Biblioteca para gerar os gráficos
#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF)
df_raw = [] #Nova variável para trabalho, recebendo os dados originais no formato adequado para o gráfico
df_raw = pd.DataFrame(dataset[0].iloc[:,:].values) #Retirando apenas os dados necessários para serem gerados
df_raw.columns = ["Finalidade","Custos (kR$)"] #Renomeando a coluna dos dados obtidos
#Mostrando o gráfico
plt.show()
41
Gráfico de Linhas em Python
Gráfico de Linhas 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
Importação de dados
Bloco 3
Ajuste do objeto visualizado
Bloco 4
Escolha e inserção das infos
Bloco 5
Configuração do gráfico
43
Gráfico de Linhas 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 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados_linha.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
Bloco 3
Ajuste do objeto visualizado
Bloco 4
Escolha e inserção das infos
Bloco 5
Configuração do gráfico
44
Gráfico de Linhas 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 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados_linha.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
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 = ["Temporada","Energia","Equipamento","Contratação","Treinamento"] #Renomeando a coluna dos dados obtidos Escolha e inserção das infos
Bloco 5
Configuração do gráfico
45
Gráfico de Linhas 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 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados_linha.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
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 = ["Temporada","Energia","Equipamento","Contratação","Treinamento"] #Renomeando a coluna dos dados obtidos Escolha e inserção das infos
46
Gráfico de Linhas 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 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados_linha.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
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 = ["Temporada","Energia","Equipamento","Contratação","Treinamento"] #Renomeando a coluna dos dados obtidos Escolha e inserção das infos
47
Gráfico de Linhas em Python
#Bloco 1 - Importar as bibliotecas necessárias
import pandas as pd #Biblioteca para ler os dados de arquivo externo e trabalhar os dados
import matplotlib.pyplot as plt #Biblioteca para gerar os gráficos
#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF)
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
df_raw.columns = ["Temporada","Energia","Equipamento","Contratação","Treinamento"] #Renomeando a coluna dos dados obtidos
48
Gráfico de Pizza em Python
Gráfico de Pizza 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
Importação de dados
Bloco 3
Ajuste do objeto visualizado
Bloco 4
Escolha e inserção das infos
Bloco 5
Configuração do gráfico
50
Gráfico de Pizza 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 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
Bloco 3
Ajuste do objeto visualizado
Bloco 4
Escolha e inserção das infos
Bloco 5
Configuração do gráfico
51
Gráfico de Pizza 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 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
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$)"] #Renomeando a coluna dos dados obtidos Escolha e inserção das infos
Bloco 5
Configuração do gráfico
52
Gráfico de Pizza em Python
#Bloco 1 - Importar as bibliotecas necessárias
Bloco 1
import pandas as pd #Biblioteca para ler os dados de arquivo externo e trabalhar os dados
Bibliotecas
import matplotlib.pyplot as plt #Biblioteca para gerar os gráficos
Bloco 2
#Bloco 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
Bloco 3
#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF) Ajuste do objeto visualizado
df_raw = [] #Nova variável para trabalho, recebendo os dados originais no formato adequado para o gráfico
df_raw = pd.DataFrame(dataset[0].iloc[:,:].values) #Retirando apenas os dados necessários para serem gerados Bloco 4
df_raw.columns = ["Finalidade","Custos (kR$)"] #Renomeando a coluna dos dados obtidos Escolha e inserção das infos
53
Gráfico de Pizza 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 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
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$)"] #Renomeando a coluna dos dados obtidos Escolha e inserção das infos
#Mostrando o gráfico
plt.axis("equal")
plt.show()
54
Gráfico de Pizza em Python
#Bloco 1 - Importar as bibliotecas necessárias
import pandas as pd #Biblioteca para ler os dados de arquivo externo e trabalhar os dados
import matplotlib.pyplot as plt #Biblioteca para gerar os gráficos
#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF)
df_raw = [] #Nova variável para trabalho, recebendo os dados originais no formato adequado para o gráfico
df_raw = pd.DataFrame(dataset[0].iloc[:,:].values) #Retirando apenas os dados necessários para serem gerados
df_raw.columns = ["Finalidade","Custos (kR$)"] #Renomeando a coluna dos dados obtidos
#Mostrando o gráfico
plt.axis("equal")
plt.show()
55
Gráfico de Área em Python
Gráfico de Área 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
import numpy as np #Biblioteca trabalhar com os dados
Bloco 2
Importação de dados
Bloco 3
Ajuste do objeto visualizado
Bloco 4
Escolha e inserção das infos
Bloco 5
Configuração do gráfico
57
Gráfico de Área 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
import numpy as np #Biblioteca trabalhar com os dados
Bloco 2
#Bloco 2 - Importando os dados
Importação de dados
dataset = [] #Criação de uma variável para recepcionar os dados
Bloco 3
dataset.append(pd.read_csv("dados_linha.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
Ajuste do objeto visualizado
Bloco 4
Escolha e inserção das infos
Bloco 5
Configuração do gráfico
58
Gráfico de Área 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
import numpy as np #Biblioteca trabalhar com os dados
Bloco 2
#Bloco 2 - Importando os dados
Importação de dados
dataset = [] #Criação de uma variável para recepcionar os dados
Bloco 3
dataset.append(pd.read_csv("dados_linha.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
Ajuste do objeto visualizado
#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF)
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
df_raw.columns = ["Temporada","Energia","Equipamento","Contratação","Treinamento"] #Renomeando a coluna dos dados obtidos
Bloco 5
Configuração do gráfico
59
Gráfico de Área 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
import numpy as np #Biblioteca trabalhar com os dados
Bloco 2
#Bloco 2 - Importando os dados
Importação de dados
dataset = [] #Criação de uma variável para recepcionar os dados
Bloco 3
dataset.append(pd.read_csv("dados_linha.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
Ajuste do objeto visualizado
#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF)
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
df_raw.columns = ["Temporada","Energia","Equipamento","Contratação","Treinamento"] #Renomeando a coluna dos dados obtidos
Bloco 5
#Bloco 4 – Escolhendo e inserindo os dados Configuração do gráfico
#
fig = plt.figure() #Criando a figura que recebe o 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
Gráfico de Área 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
import numpy as np #Biblioteca trabalhar com os dados
Bloco 2
#Bloco 2 - Importando os dados
Importação de dados
dataset = [] #Criação de uma variável para recepcionar os dados
Bloco 3
dataset.append(pd.read_csv("dados_linha.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
Ajuste do objeto visualizado
#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF)
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
df_raw.columns = ["Temporada","Energia","Equipamento","Contratação","Treinamento"] #Renomeando a coluna dos dados obtidos
Bloco 5
#Bloco 4 – Escolhendo e inserindo os dados Configuração do gráfico
#
fig = plt.figure() #Criando a figura que recebe o 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")
#Mostrando o gráfico
plt.show()
61
Gráfico de Área em Python
#Bloco 1 - Importar as bibliotecas necessárias
import pandas as pd #Biblioteca para ler os dados de arquivo externo e trabalhar os dados
import matplotlib.pyplot as plt #Biblioteca para gerar os gráficos
import numpy as np #Biblioteca trabalhar com os dados
#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF)
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
df_raw.columns = ["Temporada","Energia","Equipamento","Contratação","Treinamento"] #Renomeando a coluna dos dados obtidos
#Mostrando o gráfico
plt.show()
62
Gráfico de Barras em Python
Gráfico de Barras 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
Importação de dados
Bloco 3
Ajuste do objeto visualizado
Bloco 4
Escolha e inserção das infos
Bloco 5
Configuração do gráfico
64
Gráfico de Barras 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 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
Bloco 3
Ajuste do objeto visualizado
Bloco 4
Escolha e inserção das infos
Bloco 5
Configuração do gráfico
65
Gráfico de Barras 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 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
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$)"] #Renomeando a coluna dos dados obtidos Escolha e inserção das infos
Bloco 5
Configuração do gráfico
66
Gráfico de Barras em Python
#Bloco 1 - Importar as bibliotecas necessárias
Bloco 1
import pandas as pd #Biblioteca para ler os dados de arquivo externo e trabalhar os dados
Bibliotecas
import matplotlib.pyplot as plt #Biblioteca para gerar os gráficos
Bloco 2
#Bloco 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
Bloco 3
#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF) Ajuste do objeto visualizado
df_raw = [] #Nova variável para trabalho, recebendo os dados originais no formato adequado para o gráfico
df_raw = pd.DataFrame(dataset[0].iloc[:,:].values) #Retirando apenas os dados necessários para serem gerados Bloco 4
df_raw.columns = ["Finalidade","Custos (kR$)"] #Renomeando a coluna dos dados obtidos Escolha e inserção das infos
67
Gráfico de Barras 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 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
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$)"] #Renomeando a coluna dos dados obtidos Escolha e inserção das infos
#Mostrando o gráfico
plt.show()
68
Gráfico de Barras em Python
#Bloco 1 - Importar as bibliotecas necessárias
import pandas as pd #Biblioteca para ler os dados de arquivo externo e trabalhar os dados
import matplotlib.pyplot as plt #Biblioteca para gerar os gráficos
#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF)
df_raw = [] #Nova variável para trabalho, recebendo os dados originais no formato adequado para o gráfico
df_raw = pd.DataFrame(dataset[0].iloc[:,:].values) #Retirando apenas os dados necessários para serem gerados
df_raw.columns = ["Finalidade","Custos (kR$)"] #Renomeando a coluna dos dados obtidos
#Mostrando o gráfico
plt.show()
69
Gráfico de Rosca em Python
Gráfico de Rosca 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
Importação de dados
Bloco 3
Ajuste do objeto visualizado
Bloco 4
Escolha e inserção das infos
Bloco 5
Configuração do gráfico
71
Gráfico de Rosca 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 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
Bloco 3
Ajuste do objeto visualizado
Bloco 4
Escolha e inserção das infos
Bloco 5
Configuração do gráfico
72
Gráfico de Rosca 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 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
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$)"] #Renomeando a coluna dos dados obtidos Escolha e inserção das infos
Bloco 5
Configuração do gráfico
73
Gráfico de Rosca em Python
#Bloco 1 - Importar as bibliotecas necessárias
Bloco 1
import pandas as pd #Biblioteca para ler os dados de arquivo externo e trabalhar os dados
Bibliotecas
import matplotlib.pyplot as plt #Biblioteca para gerar os gráficos
Bloco 2
#Bloco 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
Bloco 3
#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF) Ajuste do objeto visualizado
df_raw = [] #Nova variável para trabalho, recebendo os dados originais no formato adequado para o gráfico
df_raw = pd.DataFrame(dataset[0].iloc[:,:].values) #Retirando apenas os dados necessários para serem gerados Bloco 4
df_raw.columns = ["Finalidade","Custos (kR$)"] #Renomeando a coluna dos dados obtidos Escolha e inserção das infos
74
Gráfico de Rosca 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 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
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$)"] #Renomeando a coluna dos dados obtidos Escolha e inserção das infos
#Mostrando o gráfico
plt.axis("equal")
plt.show()
75
Gráfico de Rosca em Python
#Bloco 1 - Importar as bibliotecas necessárias
import pandas as pd #Biblioteca para ler os dados de arquivo externo e trabalhar os dados
import matplotlib.pyplot as plt #Biblioteca para gerar os gráficos
#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF)
df_raw = [] #Nova variável para trabalho, recebendo os dados originais no formato adequado para o gráfico
df_raw = pd.DataFrame(dataset[0].iloc[:,:].values) #Retirando apenas os dados necessários para serem gerados
df_raw.columns = ["Finalidade","Custos (kR$)"] #Renomeando a coluna dos dados obtidos
#Mostrando o gráfico
plt.axis("equal")
plt.show()
76
Histograma em Python
Histograma 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
Importação de dados
Bloco 3
Ajuste do objeto visualizado
Bloco 4
Escolha e inserção das infos
Bloco 5
Configuração do gráfico
78
Histograma 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 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados_1.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
Bloco 3
Ajuste do objeto visualizado
Bloco 4
Escolha e inserção das infos
Bloco 5
Configuração do gráfico
79
Histograma 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 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados_1.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
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[:,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
Configuração do gráfico
80
Histograma 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 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados_1.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
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[:,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
81
Histograma 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 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados_1.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
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[:,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
#Mostrando o gráfico
plt.show()
82
Histograma em Python
#Bloco 1 - Importar as bibliotecas necessárias
import pandas as pd #Biblioteca para ler os dados de arquivo externo e trabalhar os dados
import matplotlib.pyplot as plt #Biblioteca para gerar os gráficos
#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF)
df_raw = [] #Nova variável para trabalho, recebendo os dados originais no formato adequado para o gráfico
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
#Mostrando o gráfico
plt.show()
83
Diagrama de Dispersão em Python
Diagrama Dispersão 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
Importação de dados
Bloco 3
Ajuste do objeto visualizado
Bloco 4
Escolha e inserção das infos
Bloco 5
Configuração do gráfico
85
Diagrama Dispersão 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 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados_disp.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
Bloco 3
Ajuste do objeto visualizado
Bloco 4
Escolha e inserção das infos
Bloco 5
Configuração do gráfico
86
Diagrama Dispersão 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 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados_disp.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
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 = ["Custos (kR$)","Temperatura (°C)"] #Renomeando a coluna dos dados obtidos Escolha e inserção das infos
df_raw["Custos (kR$)"] = df_raw["Custos (kR$)"].astype(float) #Transformando o dado de string para ponto flutuante
df_raw["Temperatura (°C)"] = df_raw["Temperatura (°C)"].astype(float) #Transformando o dado de string para ponto flutuante Bloco 5
Configuração do gráfico
87
Diagrama Dispersão em Python
#Bloco 1 - Importar as bibliotecas necessárias
Bloco 1
import pandas as pd #Biblioteca para ler os dados de arquivo externo e trabalhar os dados
Bibliotecas
import matplotlib.pyplot as plt #Biblioteca para gerar os gráficos
Bloco 2
#Bloco 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados_disp.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
Bloco 3
#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF) Ajuste do objeto visualizado
df_raw = [] #Nova variável para trabalho, recebendo os dados originais no formato adequado para o gráfico
df_raw = pd.DataFrame(dataset[0].iloc[:,:].values) #Retirando apenas os dados necessários para serem gerados Bloco 4
df_raw.columns = ["Custos (kR$)","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
Configuração do gráfico
#Bloco 4 – Escolhendo e inserindo os dados
#
fig = plt.figure() #Criando a figura que recebe o gráfico
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$)"].values, y=df_raw["Temperatura (°C)"].values,color = "#318498", marker=“o”)
88
Diagrama Dispersão em Python
#Bloco 1 - Importar as bibliotecas necessárias
Bloco 1
import pandas as pd #Biblioteca para ler os dados de arquivo externo e trabalhar os dados
Bibliotecas
import matplotlib.pyplot as plt #Biblioteca para gerar os gráficos
Bloco 2
#Bloco 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados_disp.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
Bloco 3
#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF) Ajuste do objeto visualizado
df_raw = [] #Nova variável para trabalho, recebendo os dados originais no formato adequado para o gráfico
df_raw = pd.DataFrame(dataset[0].iloc[:,:].values) #Retirando apenas os dados necessários para serem gerados Bloco 4
df_raw.columns = ["Custos (kR$)","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
Configuração do gráfico
#Bloco 4 – Escolhendo e inserindo os dados
#
fig = plt.figure() #Criando a figura que recebe o gráfico
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$)"].values, y=df_raw["Temperatura (°C)"].values,color = "#318498", marker=“o”)
#Mostrando o gráfico
plt.show()
89
Diagrama Dispersão em Python
#Bloco 1 - Importar as bibliotecas necessárias
import pandas as pd #Biblioteca para ler os dados de arquivo externo e trabalhar os dados
import matplotlib.pyplot as plt #Biblioteca para gerar os gráficos
#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF)
df_raw = [] #Nova variável para trabalho, recebendo os dados originais no formato adequado para o gráfico
df_raw = pd.DataFrame(dataset[0].iloc[:,:].values) #Retirando apenas os dados necessários para serem gerados
df_raw.columns = ["Custos (kR$)","Temperatura (°C)"] #Renomeando a coluna dos dados obtidos
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
#Mostrando o gráfico
plt.show()
90
Diagrama de Pareto em Python
Diagrama de Pareto 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
Importação de dados
Bloco 3
Ajuste do objeto visualizado
Bloco 4
Escolha e inserção das infos
Bloco 5
Configuração do gráfico
92
Diagrama de Pareto 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 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
Bloco 3
Ajuste do objeto visualizado
Bloco 4
Escolha e inserção das infos
Bloco 5
Configuração do gráfico
93
Diagrama de Pareto 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 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
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$)"] #Renomeando a coluna dos dados obtidos Escolha e inserção das infos
Bloco 5
Configuração do gráfico
94
Diagrama de Pareto em Python
#Bloco 1 - Importar as bibliotecas necessárias
Bloco 1
import pandas as pd #Biblioteca para ler os dados de arquivo externo e trabalhar os dados
Bibliotecas
import matplotlib.pyplot as plt #Biblioteca para gerar os gráficos
Bloco 2
#Bloco 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
Bloco 3
#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF) Ajuste do objeto visualizado
df_raw = [] #Nova variável para trabalho, recebendo os dados originais no formato adequado para o gráfico
df_raw = pd.DataFrame(dataset[0].iloc[:,:].values) #Retirando apenas os dados necessários para serem gerados Bloco 4
df_raw.columns = ["Finalidade","Custos (kR$)"] #Renomeando a coluna dos dados obtidos Escolha e inserção das infos
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$)"].sum()*100 #Variável para receber a frequência acumulada de cada categoria Configuração do gráfico
df_l=pd.DataFrame(df_l) #Transformando a variável em um dataframe, para ser inserida no gráfico
95
Diagrama de Pareto em Python
#Bloco 1 - Importar as bibliotecas necessárias
Bloco 1
import pandas as pd #Biblioteca para ler os dados de arquivo externo e trabalhar os dados
Bibliotecas
import matplotlib.pyplot as plt #Biblioteca para gerar os gráficos
Bloco 2
#Bloco 2 - Importando os dados
dataset = [] #Criação de uma variável para recepcionar os dados
Importação de dados
dataset.append(pd.read_csv("dados.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1'))
Bloco 3
#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF) Ajuste do objeto visualizado
df_raw = [] #Nova variável para trabalho, recebendo os dados originais no formato adequado para o gráfico
df_raw = pd.DataFrame(dataset[0].iloc[:,:].values) #Retirando apenas os dados necessários para serem gerados Bloco 4
df_raw.columns = ["Finalidade","Custos (kR$)"] #Renomeando a coluna dos dados obtidos Escolha e inserção das infos
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$)"].sum()*100 #Variável para receber a frequência acumulada de cada categoria Configuração do gráfico
df_l=pd.DataFrame(df_l) #Transformando a variável em um dataframe, para ser inserida no gráfico
#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF)
df_raw = [] #Nova variável para trabalho, recebendo os dados originais no formato adequado para o gráfico
df_raw = pd.DataFrame(dataset[0].iloc[:,:].values) #Retirando apenas os dados necessários para serem gerados
df_raw.columns = ["Finalidade","Custos (kR$)"] #Renomeando a coluna dos dados obtidos
Bloco 3
Ajuste do objeto visualizado
Bloco 4
Escolha e inserção das infos
Bloco 5
Configuração do gráfico
99
Diagrama de Sankey 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
from matplotlib.sankey import Sankey #Biblioteca para gerar o diagrama de Sankey
Bloco 2
import numpy as np #Biblioteca para trabalhar os dados
Importação de dados
#Bloco 2 - Importando os dados
Bloco 3
dataset = [] #Criação de uma variável para recepcionar os dados
dataset.append(pd.read_csv("dados_sankey.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1’)) Ajuste do objeto visualizado
Bloco 4
Escolha e inserção das infos
Bloco 5
Configuração do gráfico
100
Diagrama de Sankey 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
from matplotlib.sankey import Sankey #Biblioteca para gerar o diagrama de Sankey
Bloco 2
import numpy as np #Biblioteca para trabalhar os dados
Importação de dados
#Bloco 2 - Importando os dados
Bloco 3
dataset = [] #Criação de uma variável para recepcionar os dados
dataset.append(pd.read_csv("dados_sankey.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1’)) Ajuste do objeto visualizado
#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 = pd.DataFrame(dataset[0].iloc[:,:].values) #Retirando apenas os dados necessários para serem gerados
df_raw.columns = ["Fluxo","Finalidade","Custos (kR$)"] #Renomeando a coluna dos dados obtidos Bloco 5
Configuração do gráfico
101
Diagrama de Sankey em Python
#Bloco 1 - Importar as bibliotecas necessárias
Bloco 1
import pandas as pd #Biblioteca para ler os dados de arquivo externo e trabalhar os dados
Bibliotecas
import matplotlib.pyplot as plt #Biblioteca para gerar os gráficos
from matplotlib.sankey import Sankey #Biblioteca para gerar o diagrama de Sankey
Bloco 2
import numpy as np #Biblioteca para trabalhar os dados
Importação de dados
#Bloco 2 - Importando os dados
Bloco 3
dataset = [] #Criação de uma variável para recepcionar os dados
dataset.append(pd.read_csv("dados_sankey.csv", sep = ";", decimal = "," , header = 0, encoding = 'ISO-8859-1’)) Ajuste do objeto visualizado
#Bloco 3 - Passando os dados originais para uma nova variável tipo DataFrame (DF) Bloco 4
df_raw = [] #Nova variável para trabalho, recebendo os dados originais no formato adequado para o gráfico Escolha e inserção das infos
df_raw = pd.DataFrame(dataset[0].iloc[:,:].values) #Retirando apenas os dados necessários para serem gerados
df_raw.columns = ["Fluxo","Finalidade","Custos (kR$)"] #Renomeando a coluna dos dados obtidos Bloco 5
Configuração do gráfico
#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())
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
Diagrama de Sankey em Python
...
Bloco 1
#Bloco 4 – Escolhendo e inserindo os dados
Bibliotecas
sankey = fig.add_subplot(111) #Criando o gráfico de sankey propriamente dito
sankey_1 = Sankey(ax=sankey, unit=None)
Bloco 2
sankey_1.add(flows=[input_1[0],-1,input_3[0],input_2[0]], orientations=[-1,0,1,0],
Importação de dados
trunklength=1.5,pathlengths=[0.5, 0, 0.5, 0], labels=['Palestras', '', 'Consultoria', 'Servicos’])
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
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)) Bloco 4
sankey_1.finish() Escolha e inserção das infos
#Mostrando o gráfico
plt.show()
103
Diagrama de Sankey em Python
...
#Bloco 4 – Escolhendo e inserindo os dados
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()
#Mostrando o gráfico
plt.show()
104
Dados utilizados para gerar os gráficos
Dados utilizados
dados.csv Dados_disp.csv Dados_1.csv
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.
Mande-nos também seu feedback. Ele é de extrema importância para evoluirmos junto com vocês.
Um grande abraço.
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.