![](https://hub.asimov.academy/wp-content/uploads/2024/06/ThumbCursoIntroducaoInteligenciaArtificial-14.webp)
Os boxplots são uma ferramenta estatística poderosa para visualizar a distribuição de dados. Neste tutorial, vamos aprender a usar Python para criar e configurar boxplots com Seaborn — uma biblioteca de visualização de dados avançada, baseada no Matplotlib.
Se você ainda não sabe o que é um Boxplot, leia nosso tutorial sobre como interpretar um boxplot. Caso contrário, siga adiante para entender como criar boxplots com Seaborn!
Configurando o Ambiente
Antes de começarmos a criar nossos boxplots com Seaborn, precisamos configurar nosso ambiente Python. Certifique-se de ter o Seaborn instalado, que pode ser feito através do pip:
pip install seaborn
Criando um Boxplot Simples
Vamos começar com um exemplo simples de como criar um boxplot com Seaborn:
import seaborn as sns
import matplotlib.pyplot as plt
# Carregando um conjunto de dados exemplo
tips = sns.load_dataset('tips')
# Criando um boxplot
sns.boxplot(x='day', y='total_bill', data=tips)
# Exibindo o gráfico
plt.show()
![](https://hub.asimov.academy/wp-content/uploads/2024/02/boxplot_seaborn01.png)
Note que ao passarmos o argumento x='day'
, o Seaborn já entende que é preciso criar boxplots separados com a distribuição de cada dia existente no conjunto de dados. Tudo isso automaticamente, sem precisarmos selecionar e agrupar os dados de cada boxplot “manualmente”.
Configurações Avançadas de Boxplot
Agora que já sabemos como criar um boxplot simples, vamos explorar algumas configurações avançadas que o Seaborn oferece.
Alterando a Paleta de Cores
Podemos mudar a paleta de cores do nosso boxplot para torná-lo mais visualmente atraente. Para isso, basta passar algum nome válido para o argumento palette
:
sns.boxplot(x='day', y='total_bill', data=tips, palette='rainbow')
plt.show()
![](https://hub.asimov.academy/wp-content/uploads/2024/02/boxplot_seaborn02.png)
Você pode encontrar os nomes de todas as paletas de cores disponíveis nas respectivas documentações do Matplotlib e Seaborn.
Boxplots Horizontais
Se preferir, você pode criar boxplots horizontais simplesmente invertendo os eixos x e y:
sns.boxplot(x='total_bill', y='day', data=tips, palette='coolwarm')
plt.show()
![](https://hub.asimov.academy/wp-content/uploads/2024/02/boxplot_seaborn03.png)
Adicionando Hue para Comparação
Podemos adicionar uma variável categórica adicional usando o parâmetro hue
para comparar diferentes grupos:
sns.boxplot(x='day', y='total_bill', hue='smoker', data=tips, palette='Set1')
plt.show()
![](https://hub.asimov.academy/wp-content/uploads/2024/02/boxplot_seaborn04.png)
Controlando os Whiskers
Por padrão, o Seaborn usa 1.5 * IQR para determinar o comprimento dos whiskers (“bigodes”) e identificar outliers. Podemos ajustar isso com o parâmetro whis
:
sns.boxplot(x='day', y='total_bill', data=tips, whis=2.5)
plt.show()
![](https://hub.asimov.academy/wp-content/uploads/2024/02/boxplot_seaborn05.png)
Estilizando Outliers
Podemos personalizar a aparência dos outliers alterando o estilo dos marcadores. Para isso, passamos um dicionário de configurações para o argumento flierprops
:
sns.boxplot(x='day', y='total_bill', data=tips, flierprops={'marker':'o', 'markersize':8, 'markerfacecolor':'red'})
plt.show()
![](https://hub.asimov.academy/wp-content/uploads/2024/02/boxplot_seaborn06.png)
Conclusão
Boxplots são uma excelente maneira de visualizar a distribuição dos dados e identificar outliers. Com Seaborn, podemos criar boxplots avançados e personalizados com facilidade. Experimente diferentes configurações e estilos para comunicar suas descobertas de dados de forma eficaz.
Lembre-se de que a visualização de dados é uma parte crucial da análise de dados, pois permite que você e outros entendam rapidamente as tendências e padrões nos seus dados. Continue explorando e visualizando!
![](https://hub.asimov.academy/wp-content/uploads/2024/06/maxresdefault-6.jpg)
Comentários