meu-python/Py7.py at main · improbabilidades/meu-python · GitHub

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
import marimo

__generated_with = "0.23.6"
app = marimo.App()


@app.cell
def _():
    import marimo as mo

    return (mo,)


@app.cell(hide_code=True)
def _(mo):
    mo.md(r"""---

    **Universidade da Costa Rica** | Escola de Engenharia Elétrica

    *IE0405 - Modelos Probabilísticos de Sinais e Sistemas*

    ### `PyX` - Série de tutoriais em Python para análise de dados

    # `Py7` - *Gráficos estatísticos*

    > A visualização dos resultados é fundamental na análise de dados. Python possui bibliotecas complementares como **Matplotlib** e **Seaborn**, entre outras, que oferecem ferramentas avançadas para diversos tipos de gráficos comumente usados em diversos contextos acadêmicos e profissionais.

    *Fabian Abarca Calderón*

    ---""")
    return


@app.cell(hide_code=True)
def _(mo):
    mo.md(r"""## Tipos de gráficos

    Para começar, revisaremos os tipos de gráficos comuns em estatística e análise de dados.

    [Seaborn](https://seaborn.pydata.org/tutorial/function_overview.html)Classifica seus gráficos da seguinte maneira:

    <img src="https://seaborn.pydata.org/_images/function_overview_8_0.png"largura="350">""")
    return


@app.cell(hide_code=True)
def _(mo):
    mo.md(r"""### Gráficos relacionais

    O mapeamento fornece relações entre duas variáveis em um plano cartesiano.

    - **Scatter plot** (*scatter plot*): diagrama que mostra a relação de duas variáveis como pares ordenados em um plano cartesiano.

    <img src="https://seaborn.pydata.org/_images/scatterplot_5_0.png"largura="300">

    - **Gráfico de linhas** (*gráfico de linhas, gráfico de linhas*): diagrama que mostra a relação de duas variáveis como pares ordenados em um plano cartesiano, conectados por uma linha para denotar uma sequência.

    <img src="https://seaborn.pydata.org/_images/lineplot_9_0.png"largura="300">""")
    return


@app.cell(hide_code=True)
def _(mo):
    mo.md(r"""### Gráficos de distribuição

    Representação distribuída de um conjunto de valores ao longo de um eixo.

    - **Histograma** (*histograma*): diagrama que agrupa valores numéricos dentro de pequenos intervalos de valores (*bins*) e mostra a distribuição do número de vezes que um valor aparece dentro de cada intervalo, criando uma densidade de probabilidade aproximada.

    <img src="https://seaborn.pydata.org/_images/histplot_1_0.png"largura="300">

    - **Gráfico de estimativa de densidade do kernel** (*Gráfico KDE*): assim como o histograma, é útil para estimar a distribuição da ocorrência de valores amostrais, mas ao estimar $\hat{f}_h(x)$ dá funcionalidade à densidade de probabilidade $f_X(x)$, através de um "[kernel](https://en.wikipedia.org/wiki/Kernel_(statistics))".<img src="https://seaborn.pydata.org/_images/kdeplot_5_0.png"largura="300">

    - **Função de distribuição cumulativa empírica** (*gráfico ECDF*): é uma aproximação da função de distribuição cumulativa (CDF) que representa a proporção ou contagem de observações localizadas abaixo de cada valor em um conjunto de dados.

    <img src="https://seaborn.pydata.org/_images/ecdfplot_1_0.png"largura="300">

    - **Rug plot** (*rug plot*): uma visualização da distribuição marginal de dois dados em um eixo real, como um gráfico de dispersão unidimensional.

    <img src="https://seaborn.pydata.org/_images/rugplot_1_0.png"largura="300">""")
    return


@app.cell(hide_code=True)
def _(mo):
    mo.md(r"""### Gráficos categóricos

    Representação da distribuição de um conjunto de valores ao longo de um eixo para diferentes variáveis categóricas.

    - **Strip plot** (*strip plot*): um gráfico de dispersão onde uma variável categórica.

    <img src="https://seaborn.pydata.org/_images/seaborn-stripplot-2.png"largura="300">

    - **Swarm plot** (*swarm plot*): um gráfico de dispersão onde uma variável categórica, semelhante a um strip plot, mas os pontos não se sobrepõem.

    <img src="https://seaborn.pydata.org/_images/seaborn-swarmplot-2.png"largura="300">

    - **Box plot ou box and whisker plot** (*box plot*, *box-and-whisker plot*): uma visualização de grupos de dados categóricos por meio de seus *quartis*: o valor mínimo e o maior valor são os "bigodes", a mediana é a linha dentro da caixa, e o primeiro quartil e o terceiro quartil são as bordas da caixa. Seguindo determinados critérios, os valores discrepantes são excluídos, mostrados aqui como pontos.

    <img src="https://seaborn.pydata.org/_images/seaborn-boxplot-2.png"largura="300">

    - **Violin plot** (*violin plot*): tem um papel semelhante ao box plot ao mostrar a distribuição de dados numéricos por quartis em uma categoria, mas combina-o com um gráfico do KDE para representar também a distribuição de ocorrências.

    <img src="https://seaborn.pydata.org/_images/seaborn-violinplot-2.png"largura="300">

    - **Point plot** (*point plot*): o ponto representa a média (ou outro estimador) de dois dados de uma variável categórica e a linha horizontal representa um intervalo de confiança para a estimativa. Fornece menos informações que os gráficos anteriores, mas pode ser útil para representar as mudanças nas medidas de tendência central (média, mediana ou moda) entre uma variável categórica e outra.

    <img src="https://seaborn.pydata.org/_images/seaborn-pointplot-5.png"largura="300">

    - **Bar plot** (*bar plot*): mostra informações semelhantes às do dot plot: a média (ou outra medida de tendência central) e o intervalo de confiança fornecem a estimativa, mas a magnitude fornece a média em uma barra.

    <img src="https://seaborn.pydata.org/_images/seaborn-barplot-1.png"largura="300">""")
    return


@app.cell(hide_code=True)
def _(mo):
    mo.md(r"""---
    ##Seaborn

    De acordo com seu [site oficial](https://seaborn.pydata.org/),> Seaborn é uma biblioteca de visualização de dados Python baseada em Matplotlib e compatível com estruturas de dados Pandas. Fornece uma interface de alto nível para desenhar gráficos estatísticos atraentes e informativos.

    <img src="https://seaborn.pydata.org/_static/logo-wide-lightbg.svg"largura="350">

    **Nota**: Os princípios básicos do Matplotlib já foram abordados em `Py2` e posteriores.

    Com os tipos de gráficos mostrados na seção anterior, a Seaborn tem a capacidade de configurar uma [ampla variedade](https://seaborn.pydata.org/examples/index.html)de alternativas. Aqui mostraremos alguns exemplos básicos.

    Seaborn é importado por convenção como```python
    import seaborn as sns
    ```Abaixo estão alguns exemplos usando conjuntos de dados incluídos na biblioteca.""")
    return


@app.cell
def _():
    # Import seaborn
    import seaborn as sns

    # Apply the default theme
    sns.set_theme()

    # Load an example dataset
    tips = sns.load_dataset("tips")

    # Create a visualization
    sns.relplot(
        data=tips,
        x="total_bill",
        y="tip",
        col="time",
        hue="smoker",
        style="smoker",
        size="size",
    )
    return


@app.cell(hide_code=True)
def _(mo):
    mo.md(r"""---
    ###Mais informações

    * [Página da Web](https://www.google.com/)*Livro ou algo assim
    *Tutorial [w3schools](https://www.w3schools.com/python/)
    """)
    return


@app.cell(hide_code=True)
def _(mo):
    mo.md(r"""---
    **Universidade da Costa Rica** | Faculdade de Engenharia | Escola de Engenharia Elétrica

    &copiar; 2021

    ---""")
    return


if __name__ == "__main__":
    app.run()