Criação de Gráficos Estatísticos

Existem diversos tipos de gráficos estatísticos, cada um adequado para representar diferentes tipos de dados e padrões

Dados utilizados

Vamos usar a fonte de dados Video Game Sales with Ratings com somente pontuações encontrada na área de Downloads

import pandas as pd

dados = pd.read_csv('video_games_scores.csv')

print(dados.columns)

Histograma

Representa a distribuição de uma variável contínua. É uma forma de gráfico de barras em que as barras são usadas para mostrar a frequência ou a densidade dos valores em intervalos discretos (bins) ao longo de uma escala contínua

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

dados = pd.read_csv('video_games_scores.csv')
score = dados['Critic_Score']

min = score.min()
max = score.max()
bins = 20
intervalos = np.arange(min, max, (max - min) / bins)

rotulos = []
distribuicao = []

for i in range(len(intervalos) - 1):
    qtd = score[(score >= intervalos[i]) & (score < intervalos[i + 1])].count()
    rotulos.append(intervalos[i])
    distribuicao.append(qtd)

sns.set()
plt.title('Distribuição da Notas por Quantidade')
sns.barplot(x=rotulos, y=distribuicao)
plt.savefig('./video_game_distribuicao.jpg')

Gráfico de distribuição

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

dados = pd.read_csv('video_games_scores.csv')

sns.set()
plt.title('Histograma de Notas dos críticos')
sns.histplot(x='Critic_Score', data=dados)
plt.savefig('./video_game_histogram.jpg')

Gráfico de histograma

Boxplot

Representar a distribuição, a dispersão e a presença de outliers em um conjunto de dados

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

dados = pd.read_csv('video_games_scores.csv')

sns.set()
plt.title('Boxplots de Notas')
sns.boxplot(data=dados[['Critic_Score', 'User_Score']])
plt.savefig('./video_game_boxplot.jpg')

Gráfico de boxplot

Outliers

Valores que se afastam significativamente da maioria dos outros valores em um conjunto de dados. Esses valores são atípicos e geralmente são muito maiores ou menores do que a maioria dos outros dados

import numpy as np
import pandas as pd

dados = pd.read_csv('video_games_scores.csv')

quartiles  = np.percentile(dados['Critic_Score'], [0, 25, 50, 75, 100])

print("Min", quartiles[0])
print("Q1", quartiles[1])
print("Mediana", quartiles[2])
print("Q3", quartiles[3])
print("Max", quartiles[4])

Existem várias maneiras para considerar os outliers a mais comum o Coeficiente Interquartil (IQR), uma vez e meia a distância entre o terceiro e primeiro quartil

IQR = 1.5 * (Q₃ - Q₁)

Podemos calcular os limites para identificar os outliers

import pandas as pd

dados = pd.read_csv('video_games_scores.csv')

q1 = dados['Critic_Score'].quantile(0.25)
q3 = dados['Critic_Score'].quantile(0.75)

iqr = q3 - q1
limit_bottom = q1 - 1.5 * iqr
limit_top = q3 + 1.5 * iqr

print("IQR", iqr)
print("Limit Bottom", limit_bottom)
print("Limit Top", limit_top)

Depende do conjunto de dados podemos remover os elementos de outliers

Correlação

O coeficiente varia de -1 a +1, quanto mais próximo do extremo demonstra a relação de significância, mas sempre se deve estar atento para não confundir correlação com causalidade

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

dados = pd.read_csv('video_games_sales.zip', compression = 'zip')
corr = dados.corr(method='pearson', numeric_only=True)

sns.set()
sns.heatmap(corr, annot=True)
plt.savefig('./video_game_heatmap.jpg')

Gráfico de Heatmap para correlação

Gráfico de dispersão

Gráfico de dispersão por relação entre duas variáveis

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

dados = pd.read_csv('video_games_scores.csv')

sns.set()
sns.scatterplot(x='Critic_Score', y='User_Score', data=dados)
plt.savefig('./video_game_scatter.jpg')

Lorem

Regressão linear simples

Regressão linear é uam técnica de análise de dados que prevê o valor de dados desconhecidos usando outro valor de dados relacionado e conhecido

Y = β0 * X + β1 + ε

β0 e β1 são duas constantes desconhecidas que representam a inclinação da regressão, enquanto ε (épsilon) é o termo de erro

Representando com uma linha vermelha a regressão linear

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

dados = pd.read_csv('video_games_scores.csv')

sns.set()
plt.title('Relação entre Notas Crítico x Usuários')
sns.lmplot(data=dados, x='Critic_Score', y='User_Score', line_kws={'color': 'red'})
plt.savefig('./video_game_lm.jpg')

Lorem