Explore Seaborn em um único Jupyter Notebook prático que percorre as principais famílias de gráficos da biblioteca. Com o conjunto Iris e dados matriciais gerados, você comparará Seaborn e Matplotlib, aplicará estilos integrados e criará visualizações relacionais, categóricas, de distribuição, regressão e matrizes.
Este é um panorama amplo da API, não uma sequência lenta de vários laboratórios. O notebook mostra como funções de alto nível associam colunas a posição, cor e estilo de marcador, além de explicar como interfaces no nível de Figure e Axes se relacionam com Matplotlib.
O que você aprenderá
- Aplicar temas, contextos, estilos e paletas do Seaborn a gráficos Matplotlib
- Carregar Iris e mapear categorias com
hueestyle - Criar visualizações relacionais com
relplot,scatterplotelineplot - Comparar distribuições categóricas com gráficos strip, swarm, box, violin, boxen, point, bar e count
- Examinar distribuições univariadas e bivariadas com KDE, joint plots e pair plots
- Adicionar relações ajustadas com
regplotelmplot - Visualizar matrizes com mapas de calor e mapas de calor agrupados
- Distinguir funções convenientes no nível de Figure das funções no nível de Axes integradas ao Matplotlib
Para quem é este curso
Este curso é para usuários de Python que desejam uma visão compacta do vocabulário gráfico do Seaborn para análise exploratória. É mais indicado para quem consegue ler código de notebooks e dados tabulares básicos. Como muitas APIs aparecem em um único notebook, funciona melhor como exploração guiada do que como primeira introdução a Python ou estatística.
Pré-requisitos: Recomendam-se fundamentos de Python e Jupyter Notebook, além de variáveis, chamadas de função e dados tabulares. Algum contato com Matplotlib ajuda, mas não é obrigatório.
Ambiente de aprendizagem: O curso fornece um ambiente Jupyter Ubuntu 22.04 com notebook preparado. Você executa e modifica células para instalar ou importar bibliotecas, carregar dados e renderizar gráficos em linha.
Perguntas frequentes
Este é um curso completo com vários laboratórios?
Não. É um laboratório para iniciantes baseado em um notebook substancial. Ele percorre muitas famílias de gráficos, mas não oferece desafios separados nem projeto final.
Quais dados vou usar?
A maioria dos exemplos usa Iris para comparar medidas e espécies de flores. Os mapas de calor também utilizam uma matriz gerada com NumPy.
O curso ensina teoria estatística?
Não. Ele demonstra distribuições, ajustes de regressão e mapas de calor agrupados, mas não ensina a teoria estatística ou de agrupamento necessária para interpretação profunda.
Todos os exemplos usam a API mais recente do Seaborn?
Não totalmente. O notebook inclui a API antiga distplot junto com kdeplot, jointplot e pairplot. Use-o como panorama conceitual e consulte a documentação atual ao adaptar esse exemplo.
