10. Dataviz Code Session: Quantidades

10.1. Objetivos da DCS

• Aplicar técnicas de dataviz para plotagem e manipulação de representações visuais de quantidades.

• Elaborar RV para dados acerca de consumidores da Netflix (Fonte: kaggle).

10.2. Ferramentas utilizadas

• Módulos Python

  • pandas

  • numpy

  • matplotlib

  • seaborn

10.3. Aplicação do modelo referencial

• Vide Capítulo 3.

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

plt.style.use('../etc/gcpeixoto-datavis.mplstyle') # style sheet

10.3.1. Dados de entrada pré-processados

• Carregamento de dados

df = pd.read_csv('../data/netflix-data.csv')
df = df.set_index('User ID')
df

	Subscription Type	Monthly Revenue	Join Date	Last Payment Date	Country	Age	Gender	Device	Plan Duration
User ID
1	Basic	10	15-01-22	10-06-23	United States	28	Male	Smartphone	1 Month
2	Premium	15	05-09-21	22-06-23	Canada	35	Female	Tablet	1 Month
3	Standard	12	28-02-23	27-06-23	United Kingdom	42	Male	Smart TV	1 Month
4	Standard	12	10-07-22	26-06-23	Australia	51	Female	Laptop	1 Month
5	Basic	10	01-05-23	28-06-23	Germany	33	Male	Smartphone	1 Month
...	...	...	...	...	...	...	...	...	...
2496	Premium	14	25-07-22	12-07-23	Spain	28	Female	Smart TV	1 Month
2497	Basic	15	04-08-22	14-07-23	Spain	33	Female	Smart TV	1 Month
2498	Standard	12	09-08-22	15-07-23	United States	38	Male	Laptop	1 Month
2499	Standard	13	12-08-22	12-07-23	Canada	48	Female	Tablet	1 Month
2500	Basic	15	13-08-22	12-07-23	United States	35	Female	Smart TV	1 Month

2500 rows × 9 columns

10.4. Visualização de quantidades com histogramas

10.4.1. Plotagem com pandas

• O módulo pandas possui métodos para plotagem básica que provêm do matplotlib e são um wrapper de plt.plot().

• Esses métodos são diretamente aplicáveis a Series e DataFrames.

• Histogramas para objetos DataFrame

  • Visualizar distribuições para todas as variáveis possíveis.

df.hist(figsize=(8,2),
        bins=6,
        grid=False,
        xlabelsize=14,
        ylabelsize=10,
        xrot=60,
        yrot=-20);

• Histogramas para objetos Series

fig, ax = plt.subplots()

df['Age'].hist(figsize=(6,2),
               bins=6, 
               grid=False,
               color='#d3ecab',
               edgecolor= 'w',
               xlabelsize=14,
               ylabelsize=14)

ax.set_xlabel('Idade');

• Histograma gerado por meio de plot

df.iloc[10:40]['Age'].plot(kind='bar',
                           title='Histograma (faixa de usuários)',
                           figsize=(8,2),
                           xlabel='Usuários',
                           ylabel='Idade',
                          grid=False);

10.4.2. Plotagem com matplotlib

• Histogramas gerados com hist e suas opções.

fig, ax = plt.subplots(figsize=(6,3))
ax.hist(x=df['Age'],
        density=True,
        histtype='bar',
        align='mid',
        rwidth=0.9,
        color='#99ba00',
        bins=8,
        alpha=0.5);

fig, ax = plt.subplots(figsize=(6,3))
ax.hist(x=df[['Age','Monthly Revenue']],
        density=True,
        histtype='step',
        align='mid',
        rwidth=0.1,
        linewidth=10,
        color=['#74bbff','#de45fb'],
        bins=10);

10.4.3. Plotagem com seaborn

• Opções de plotagem com histplot

  • Plotar diversidade de casos com alteração das variáveis

f, a = plt.subplots(figsize=(8,3))
sb.set_theme(style='darkgrid')

hp = sb.histplot(data=df,
            x='Age', # 'y' para barra horizontal
            hue='Gender',
            bins=10,
            #binwidth=1, # opção com bins
            #binrange=(32,40), # extensão
            cumulative=False, # cumulativa
            stat='percent', # 'count' | 'frequency' | 'probability' | 'density'
            multiple='stack',
            palette='muted',
            kde=True, # density 
            kde_kws={'bw_method':'silverman', # método de binning: 'scott' | 'silverman'
                     'bw_adjust':0.5},  # ajuste da largura de banda: quanto maior, mais suave
            element='bars', # 'bars' | 'step' | 'poly'
            linewidth=1,
            edgecolor='w',
            log_scale=True,
            ax=a)

10.5. Visualização de quantidades com mapa de calor

f, a = plt.subplots(figsize=(4,6))
dfpt = pd.pivot_table(df, index='Country', columns='Device', values='Age')

# escolha 'mask' para exibir mapa de calor com máscara
test = 'mask'

if test == 'full':
     mask = ~np.ones(dfpt.shape,dtype=bool)   
else:
     mask = ~np.ones(dfpt.shape,dtype=bool)
     indices = np.argwhere(dfpt.values > 37)    
     mask[indices[:,0], indices[:,1]] = True

g = sb.heatmap(data=dfpt,
                 cmap=sb.color_palette('mako'),
                 annot=False,
                 linewidths=10,
                 linecolor='white',
                 square=True,
                 cbar=False,
                 xticklabels=False,
                 yticklabels=False,
                 mask=mask,
               ax=a)

df2 = df[ (df['Country'] == 'Australia') & (df['Device'] == 'Laptop')]
df2['Age'].mean()

np.float64(38.361702127659576)

dfpt

Device	Laptop	Smart TV	Smartphone	Tablet
Country
Australia	38.361702	39.157895	38.709091	37.186047
Brazil	39.227273	37.475000	38.272727	38.272727
Canada	38.437500	38.397436	39.462500	38.473684
France	40.942308	38.767442	36.914894	39.658537
Germany	39.349206	38.619048	38.527778	39.428571
Italy	39.280000	37.826087	38.319149	38.750000
Mexico	38.636364	39.414634	38.934783	38.442308
Spain	39.224299	38.444444	38.294118	39.241379
United Kingdom	38.250000	40.025000	40.259259	38.088889
United States	38.727273	39.060345	39.030303	38.913043