Como Criar Histogramas com Python

Um histogramas é um tipo de gráfico que permite visualizar a distribuição de um conjunto de dados numéricos. Ele divide o intervalo de valores em uma série de intervalos, ou “bins”, e conta quantos valores caem em cada intervalo. Essas contagens são então representadas como barras.

Os histogramas são uma ferramenta poderosa para visualizar a distribuição de dados numéricos e são amplamente utilizados em estatísticas, análise de dados e ciência de dados. Neste tutorial, você aprenderá como criar histogramas com Python utilizando as bibliotecas Matplotlib e Seaborn.

Importando as Bibliotecas Necessárias

Para começar, você precisará instalar e importar as bibliotecas Matplotlib e Seaborn. Se ainda não as tem instaladas, você pode fazer isso usando o pip:

pip install matplotlib seaborn

Agora, vamos importar as bibliotecas:

import matplotlib.pyplot as plt
import seaborn as sns

Criando um Histograma Simples com Matplotlib

Vamos começar com um exemplo simples usando a biblioteca Matplotlib.

import numpy as np

# Gerando dados aleatórios
dados = np.random.randn(1000)

# Criando o histograma
plt.hist(dados, bins=30, alpha=0.5, color='blue')
plt.title('Histograma de Dados Aleatórios')
plt.xlabel('Valores')
plt.ylabel('Frequência')

# Exibindo o gráfico
plt.show()

Criando um Histograma com Seaborn

Seaborn é uma biblioteca de visualização de dados baseada no Matplotlib que oferece uma interface de alto nível para desenhar gráficos estatísticos atraentes.

# Gerando dados aleatórios
dados = np.random.randn(1000)

# Criando o histograma com Seaborn
sns.histplot(dados, bins=30, kde=False, color='green')
plt.title('Histograma de Dados Aleatórios com Seaborn')
plt.xlabel('Valores')
plt.ylabel('Frequência')

# Exibindo o gráfico
plt.show()

Personalizando Seu Histograma

Você pode querer personalizar seu histograma para melhorar a visualização ou destacar informações específicas.

Alterando o Número de Bins

Você pode alterar o número de “bins” para ajustar o nível de detalhe do seu histograma:

sns.histplot(dados, bins=50, kde=False, color='red')

Adicionando uma Estimativa de Densidade por Kernel (KDE)

A estimativa de densidade por kernel (KDE) é uma maneira de estimar a função de densidade de probabilidade dos dados. Com Seaborn, é fácil adicionar um KDE ao seu histograma:

sns.histplot(dados, bins=30, kde=True, color='purple')

Interpretando Histogramas

Interpretar um histograma é relativamente simples. Aqui estão alguns pontos para se prestar atenção:

• Picos: os picos em um histograma indicam onde os dados são mais frequentes.
• Simetria: um histograma simétrico sugere que os dados estão distribuídos uniformemente em torno de um valor central.
• Assimetria: se o histograma estiver inclinado para a esquerda ou direita, isso indica assimetria nos dados, o que pode sugerir a presença de outliers ou uma tendência nos dados.
• Largura dos bins: a largura dos bins pode afetar a aparência do histograma. Bins mais estreitos podem revelar mais detalhes sobre a distribuição dos dados, enquanto bins mais largos podem simplificar a visualização.

Conclusão

Com este tutorial, você aprendeu a criar histogramas em Python utilizando as bibliotecas Matplotlib e Seaborn. Com esse conhecimento, agora é possível explorar seus dados de forma visual e obter insights valiosos sobre suas distribuições. Experimente personalizar os gráficos com diferentes configurações para adaptá-los às suas necessidades analíticas e tornar suas visualizações ainda mais impactantes.

Python para dados: do zero à análise completa