Seaborn – visualização estatística

O que é Seaborn e para que serve

Seaborn — é uma poderosa biblioteca de visualização de dados para Python, construída sobre o Matplotlib. Ela fornece uma interface de alto nível para criar gráficos estatísticos bonitos e informativos. A biblioteca foi desenvolvida para simplificar o processo de criação de visualizações frequentemente usadas em análise de dados e machine learning.

Principais vantagens do Seaborn:

Criação automática de gráficos estilosos com quantidade mínima de código Excelente integração com pandas DataFrame Funções embutidas para visualização estatística Facilidade de trabalhar com dados categóricos e numéricos Cálculo e exibição automáticos de indicadores estatísticos Suporte a paletas de cores modernas e estilos de design

História e desenvolvimento da biblioteca

Seaborn foi criado por Michael Waskom em 2012 como um complemento ao Matplotlib. O nome da biblioteca vem da série de televisão "The West Wing", onde um dos personagens tinha o sobrenome Seaborn. A biblioteca é ativamente desenvolvida e atualizada regularmente, adicionando novas funcionalidades e melhorando as existentes.

Instalação e configuração do Seaborn

Instalação via pip

pip install seaborn

Instalação via conda

conda install seaborn

Importação no código

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

Verificação da versão

print(sns.__version__)

Principais diferenças entre Seaborn e Matplotlib

Arquitetura e princípios de funcionamento

Seaborn usa a "gramática dos gráficos" — um conceito onde a visualização é construída a partir de componentes individuais: dados, elementos estéticos, objetos geométricos e transformações estatísticas. Isso permite criar visualizações complexas combinando elementos simples.

Trabalhando com dados no Seaborn

Conjuntos de dados embutidos

Seaborn inclui vários datasets prontos para estudo e experimentos:

# Carregando um dataset popular
df = sns.load_dataset("tips")
print(df.head())

# Visualizando todos os datasets disponíveis
print(sns.get_dataset_names())

Preparação de dados

# Exemplo de criação de dataset próprio
import numpy as np
import pandas as pd

data = {
    'x': np.random.randn(100),
    'y': np.random.randn(100),
    'category': np.random.choice(['A', 'B', 'C'], 100)
}
df = pd.DataFrame(data)

Principais tipos de gráficos no Seaborn

Visualização de distribuições

Histogramas e distribuições

# Maneira moderna de criar histograma
sns.histplot(df["total_bill"], bins=20, kde=True)
plt.title("Distribuição do valor da conta")
plt.show()

# Gráfico de densidade
sns.kdeplot(df["total_bill"], shade=True)
plt.show()

Função de distribuição empírica