Matplotlib: como gerar gráficos usando Python

No universo dos dados, transformar números em insights claros é um desafio. Embora existam muitas formas de trabalhar com dados e ferramentas valiosas para análises pontuais, como o Excel, a capacidade de gerar gráficos dinâmicos e personalizados é fundamental para análises aprofundadas e para guiar a tomada de decisões.
Este artigo foi criado para ajuxiliar você que busca dominar o Matplotlib, a biblioteca mais fundamental e versátil do Python para visualização de dados. Aqui, exploraremos desde os primeiros passos para criar gráficos até as técnicas que garantem clareza e eficiência.

Matplotlib em Python: o que é e por que usar?

Matplotlib é uma das bibliotecas de software mais fundamentais e amplamente utilizadas para visualização de dados estáticas, animadas e interativas no Python. Construída sobre a extensão de matemática NumPy, ela serve como a base para muitas outras bibliotecas de visualização e para o ecossistema de Data Science em Python. Com ela, é possível gerar uma vasta gama de gráficos, desde os mais simples até os mais complexos e científicos.

Por que escolher Matplotlib para gráficos em Python?

O seu uso pode ser defendido pelos seguintes aspectos:

1. Controle granular e flexibilidade inigualável: Matplotlib oferece um nível de controle extremo sobre cada elemento do seu gráfico, desde as cores das linhas e fontes dos rótulos até a disposição de cada componente. Isso permite criar visualizações altamente personalizadas que atendem a requisitos específicos de publicação ou apresentação.
2. Base para outras bibliotecas: entender Matplotlib é crucial porque muitas outras bibliotecas populares de visualização de dados, como Seaborn, são construídas sobre ele. Ao dominar Matplotlib, você adquire uma base sólida para trabalhar com essas ferramentas mais especializadas, podendo customizar seus resultados com o poder de Matplotlib.
3. Diversidade de gráficos e aplicações: com Matplotlib, é fácil criar uma infinidade de tipos de gráficos, incluindo: gráficos de linha, gráficos de dispersão, gráficos de barras, histogramas, gráficos 3D, mapas de calor e gráficos de contorno para visualizações científicas avançadas. Além disso, pode ser utilizada em diversos ambientes, desde scripts Python e o shell IPython até servidores de aplicação web e ferramentas de interface gráfica.

4. Saída versátil: Matplotlib permite exportar seus gráficos em diversos formatos de alta qualidade, tanto rasterizados (como PNG e JPEG) quanto vetoriais (como PDF e SVG), garantindo que suas visualizações se adaptem a qualquer necessidade, seja para a web ou para impressão.
5. Comunidade ativa e documentação robusta: a biblioteca conta com uma comunidade vasta e engajada, além de uma documentação oficial extensa e bem detalhada. Isso garante que você sempre encontrará suporte e exemplos para resolver seus desafios de visualização de dados em Python.

Em resumo, o Matplotlib, embora por vezes questionado por sua simplicidade, se configura como uma ferramenta indispensável para quem deseja criar gráficos em Python com precisão, beleza e total controle, e, portanto, um conhecimento inestimável para qualquer desenvolvedor ou cientista de dados.

Primeiros passos: como instalar Matplotlib?

Antes de tudo, para começar a usar a biblioteca, temos que instalá-la. Portanto:

pip install matplotlib

Use o comando abaixo no seu projeto:

Como plotar gráficos usando Matplotlib em Python?

A seguir, mostramos como plotar alguns gráficos usando Matplotlib.

Preparando o ambiente e dados para gráficos Python

#importando a classe, da forma mais usual
import matplotlib.pyplot as plt
#definindo variáveis que vamos usar nos exemplos
x = [1, 2, 3]
y = [10, 20, 30]
y2 = [15, 10, 40]
y3 = [20, 10, 35]
yBar = [3, 10, 7, 5, 3, 4.5, 6, 8.1]
z = [i * 1.5 for i in yBar]
xBar = range(len(yBar))
azul = "blue"
verde = "green"
preto = "black"

Exemplo prático de como plotar gráfico em Python

Nessa mesma pasta, você deverá criar um arquivo python, como, por exemplo, “grafico.py”. Utilizaremos  a biblioteca para criar – ou plotar gráfico. Portanto, o primeiro passo é importar a parte da biblioteca responsável pela plotagem dos gráficos.
Agora, simularemos alguns dados fictícios para gerar um gráfico a partir do exemplo a seguir:
Imagine que a empresa em que você trabalha deseja visualizar ou plotar gráfico em uma apresentação com base nos dados dos produtos e seus respectivos lucros do mês atual. Esses dados lhe foram entregues da seguinte forma:

• Produtos A, com 500 reais de lucro total;
• Produtos B, com 200 reais de lucro total;
• Produtos C, com 400 reais de lucro total;

• Produtos D, com 200 reais de lucro total;
• Produtos E, com 50 reais de lucro total.

Criando o gráfico com Matplotlib

Agora, criaremos um gráfico das nossas vendas mensais para comparar o lucro. Para isso, precisamos falar para o pyplot quais são os produtos e quais são seus respectivos lucros. Faremos isso criando duas listas, uma com os produtos e outra com os valores.

Diante disso, basta indicarmos para o pyplot plotar (plot) o nosso gráfico e, posteriormente,  para ele criar e plotar o gráfico. O pyplot construirá o gráfico e o guarda em uma região da memória. Para conseguirmos ver o gráfico, guiar o pyplot a mostrá-lo ( show() ):

Clicando no CTRL + F5, o seguinte gráfico será plotado:

Aprimorando a visualização do gráfico

Perceba que temos um problema: a visualização de lucro do produto D não está visualmente tão fácil de identificar. Por isso, vamos duplicar e acrescentar um terceiro parâmetro na plotagem, deixando o código da seguinte forma:

Clicando no CTRL + F5, o seguinte gráfico será plotado:

Criando e exibindo gráficos de linha em Python

import matplotlib.pyplot as plt
import numpy as np

plt.style.use('_mpl-gallery')

# make data
np.random.seed(1)
x = np.linspace(0, 8, 16)
y1 = 3 + 4*x/8 + np.random.uniform(0.0, 0.5, len(x))
y2 = 1 + 2*x/8 + np.random.uniform(0.0, 0.5, len(x))

# plot
fig, ax = plt.subplots()

ax.fill_between(x, y1, y2, alpha=.5, linewidth=0)
ax.plot(x, (y1 + y2)/2, linewidth=2)

ax.set(xlim=(0, 8), xticks=np.arange(1, 8),
       ylim=(0, 8), yticks=np.arange(1, 8))

plt.show()

Outros tipos de gráficos

Criando e exibindo gráficos de barra em Python

import matplotlib.pyplot as plt
import numpy as np

plt.style.use('_mpl-gallery')

# make data
np.random.seed(1)
x = 4 + np.random.normal(0, 1.5, 200)

# plot:
fig, ax = plt.subplots()

ax.hist(x, bins=8, linewidth=0.5, edgecolor="white")

ax.set(xlim=(0, 8), xticks=np.arange(1, 8),
       ylim=(0, 56), yticks=np.linspace(0, 56, 9))

plt.show()

Criando e exibindo gráficos de pizza em Python

import matplotlib.pyplot as plt
import numpy as np

plt.style.use('_mpl-gallery-nogrid')


# make data
x = [1, 2, 3, 4]
colors = plt.get_cmap('Blues')(np.linspace(0.2, 0.7, len(x)))

# plot
fig, ax = plt.subplots()
ax.pie(x, colors=colors, radius=3, center=(4, 4),
       wedgeprops={"linewidth": 1, "edgecolor": "white"}, frame=True)

ax.set(xlim=(0, 8), xticks=np.arange(1, 8),
       ylim=(0, 8), yticks=np.arange(1, 8))

plt.show()

Personalização com Matplotlib

A capacidade de personalização é, sem dúvida, um dos maiores diferenciais do Matplotlib em Python. Além de gerar e plotar gráficos básicos e adicionar títulos e rótulos descritivos, a biblioteca ainda oferece um controle aprofundado sobre cada aspecto visual. Ou seja, isso significa que você pode, por exemplo, alterar a cor da linha e do fundo, ajustar o tamanho e o estilo das fontes, modificar marcadores, espessuras de linha e muito mais.

Dessa maneira, essa vasta gama de opções permite que você crie um gráfico Python que atenda precisamente às suas necessidades de comunicação e estética, transformando dados em narrativas visuais de impacto.

O início da sua jornada de aprendizados

Neste artigo, navegamos pelas funcionalidades essenciais do Matplotlib, apresentando as principais formas de gerar e plotar gráficos usando Matplotlib. Vimos como essa biblioteca poderosa permite transformar dados brutos em visualizações claras, mas sua jornada de aprendizado está apenas começando.

Na dti digital, acreditamos que o aprendizado contínuo é a chave para o sucesso de todo desenvolvedor. Por isso, reunimos uma série de artigos com dicas práticas para você aprofundar seus conhecimentos em outras tecnologias. Confira alguns de nossos conteúdos:

• n8n: o que é, benefícios, comparativo e automação inteligente
• Lovable: Tudo sobre a IA que constrói sites e apps com linguagem natural
• Software 3.0 e o fim da codificação como conhecemos
• Qual editor de código escolher: um comparativo completo entre Cursor e Copilot

Por fim, se você quer se manter atualizado sobre as últimas tendências, desafios e novidades do universo do desenvolvimento de software? Acompanhe o podcast Entre Chaves para ter acesso às dicas e reflexões dos nossos especialistas.