5  CD: Visualização

6 Introdução

Como apresentado na última aula, estamos agora aprendendo a realizar um “projeto de Ciência de Dados”. Nesta aula, veremos o processo de vizualização de um dados.

6.1 Visualização de Dados

Aqui, serei preguiçoso, o texto do Hadley Wickham é muito bom:

Visualisation is a fundamentally human activity. A good visualisation will show you things that you did not expect, or raise new questions about the data. A good visualisation might also hint that you’re asking the wrong question, or you need to collect different data. Visualisations can surprise you, but don’t scale particularly well because they require a human to interpret them.

Basicamento nosso objetivo aqui é olhar para um data frame e entender quais informações queremos tirar dele e como fazer isso, para depois podermos modelar esses dados.

O caminho é o seguinte:

  • Na aula 4, aprendemos as etapas de tidy e transform.
  • Nesta aula, aprenderemos a etapa visualize.
  • Na aula 6, aprenderemos a etapa model.
  • Por fim, na aula 7, juntaremos tudo, aprendendo como fazer um projeto completo. Adicionalmente, aprenderemos como organizar um script para tal.

6.1.1 Índice

  1. Vizualização de estatísticas descritivas de diferentes dados
  2. Elementos de um gráfico
  3. Como fazer gráficos com matplotlib
  4. Recapitulando
  5. Extras
  6. Outros

6.2 Sumarização com Pandas

Uma maneira de visualizar dados é criar resumos, calcular estatísticas descritivas que contem informações chave sobre os dados, de maneira concisa.

Estes links tem alguns tutoriais interessantes:

  • https://pandas.pydata.org/docs/getting_started/intro_tutorials/06_calculate_statistics.html
  • https://www.geeksforgeeks.org/pandas-groupby-summarising-aggregating-and-grouping-data-in-python/

Vamos começar carregando dados:

import pandas as pd
df = pd.read_csv("https://drive.google.com/uc?id=1u2MEH_DTBMyG3clVKA4Q5FEpntLZNKeE")
df = df.drop(df.columns[0], axis=1)
df['Engine'] = pd.to_numeric(df['Engine'].str.replace(' CC', ''), errors='coerce')
df['Power'] = pd.to_numeric(df['Power'].str.replace(' bhp', ''), errors='coerce')
df = df.drop(df["Kilometers_Driven"].idxmax())
df
Name Location Year Kilometers_Driven Fuel_Type Transmission Owner_Type Mileage Engine Power Seats New_Price Price
0 Maruti Wagon R LXI CNG Mumbai 2010 72000 CNG Manual First 26.6 km/kg 998.0 58.16 5.0 NaN 1.75
1 Hyundai Creta 1.6 CRDi SX Option Pune 2015 41000 Diesel Manual First 19.67 kmpl 1582.0 126.20 5.0 NaN 12.50
2 Honda Jazz V Chennai 2011 46000 Petrol Manual First 18.2 kmpl 1199.0 88.70 5.0 8.61 Lakh 4.50
3 Maruti Ertiga VDI Chennai 2012 87000 Diesel Manual First 20.77 kmpl 1248.0 88.76 7.0 NaN 6.00
4 Audi A4 New 2.0 TDI Multitronic Coimbatore 2013 40670 Diesel Automatic Second 15.2 kmpl 1968.0 140.80 5.0 NaN 17.74
... ... ... ... ... ... ... ... ... ... ... ... ... ...
6014 Maruti Swift VDI Delhi 2014 27365 Diesel Manual First 28.4 kmpl 1248.0 74.00 5.0 7.88 Lakh 4.75
6015 Hyundai Xcent 1.1 CRDi S Jaipur 2015 100000 Diesel Manual First 24.4 kmpl 1120.0 71.00 5.0 NaN 4.00
6016 Mahindra Xylo D4 BSIV Jaipur 2012 55000 Diesel Manual Second 14.0 kmpl 2498.0 112.00 8.0 NaN 2.90
6017 Maruti Wagon R VXI Kolkata 2013 46000 Petrol Manual First 18.9 kmpl 998.0 67.10 5.0 NaN 2.65
6018 Chevrolet Beat Diesel Hyderabad 2011 47000 Diesel Manual First 25.44 kmpl 936.0 57.60 5.0 NaN 2.50

6018 rows × 13 columns

6.2.1 Sumarisando o dataframe como um todo

Existem algumas funções que combinam várias informações sobre todas as variáveis ao mesmo tempo.

df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 6019 entries, 0 to 6018
Data columns (total 13 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   Name               6019 non-null   object 
 1   Location           6019 non-null   object 
 2   Year               6019 non-null   int64  
 3   Kilometers_Driven  6019 non-null   int64  
 4   Fuel_Type          6019 non-null   object 
 5   Transmission       6019 non-null   object 
 6   Owner_Type         6019 non-null   object 
 7   Mileage            6017 non-null   object 
 8   Engine             5983 non-null   float64
 9   Power              5876 non-null   float64
 10  Seats              5977 non-null   float64
 11  New_Price          824 non-null    object 
 12  Price              6019 non-null   float64
dtypes: float64(4), int64(2), object(7)
memory usage: 611.4+ KB
df.describe().round(3)
Year Kilometers_Driven Engine Power Seats Price
count 6019.000 6019.000 5983.000 5876.000 5977.000 6019.000
mean 2013.358 58738.380 1621.276 113.253 5.279 9.479
std 3.270 91268.843 601.355 53.875 0.809 11.188
min 1998.000 171.000 72.000 34.200 0.000 0.440
25% 2011.000 34000.000 1198.000 75.000 5.000 3.500
50% 2014.000 53000.000 1493.000 97.700 5.000 5.640
75% 2016.000 73000.000 1984.000 138.100 5.000 9.950
max 2019.000 6500000.000 5998.000 560.000 10.000 160.000

6.2.2 Sumarisando variáveis categóricas

Para variáveis categóricas sem uma ordem intrínseca, podemos ver a frequência absoluta e relativa de cada categoria.

Exemplo: gênero, estado civil e tipo de produto.

#Frequência abusoluta
counts1 = df['Fuel_Type'].value_counts()

print(counts1)
counts1.plot(kind = "bar")
Fuel_Type
Diesel      3205
Petrol      2746
CNG           56
LPG           10
Electric       2
Name: count, dtype: int64

#Frequência relativa
counts2 = df['Owner_Type'].value_counts(normalize = True)

print(counts2)
counts2.plot(kind = "bar")
Owner_Type
First             0.818877
Second            0.160851
Third             0.018777
Fourth & Above    0.001496
Name: proportion, dtype: float64

6.2.3 Sumarisando variáveis contínuas

Para variáveis que podem assumir qualquer valor dentro da reta real, podemos olhar para a média, mediana, SD.

Exemplo: renda, preço e peso.

print(df['Price'].mean()) # Também existe .sum(), .min(), etc.

df['Price'].describe()
9.47946835022429
count    6019.000000
mean        9.479468
std        11.187917
min         0.440000
25%         3.500000
50%         5.640000
75%         9.950000
max       160.000000
Name: Price, dtype: float64

De modo mais geral, mas menos mensurável, podemos olhar para a distribuição da variável como um todo com um histograma, e uma visualização simplificada com boxplots.

Histograma: Gráfico que representa a distribuição de uma variável contínua, dividindo os dados em intervalos (ou “bins”) e exibindo a frequência de valores em cada intervalo. É útil para visualizar a forma, dispersão e tendências dos dados, como assimetria e presença de picos.

ax = df['Engine'].plot.hist(density=True, bins=10, alpha=0.6, label='Histograma')
df['Engine'].plot.density(ax=ax, label='Densidade')

Boxplot: Gráfico que resume a distribuição de uma variável através de cinco valores-chave: mínimo, primeiro quartil, mediana, terceiro quartil e máximo. Ele é eficaz para identificar outliers, a dispersão dos dados e diferenças entre distribuições de grupos.

df['Price'].plot.box()

6.2.4 Sumarisando variáveis discretas

Para variáveis que podem assumir valores inteiros específicos, olhamos para a média, moda e frequência

Exemplos: número de filhos, número de produtos vendidos, índice de satisfação de 1 a 5

counts = df['Year'].value_counts().sort_index()

counts.plot(kind='bar')

print(df['Year'].mean())
print(df['Year'].mode())
2013.3575938850117
0    2014
Name: Year, dtype: int64
print(df['Seats'].mean())
print(df['Seats'].mode())
5.278735151413753
0    5.0
Name: Seats, dtype: float64

6.2.5 Analisando grupos nos dados

Podemos estar interessado em fazer esses resumos mas utilizando grupos nos dados. Veja este tutorial para mais informações.

#Saber a o preço médio de cada tipo
df.groupby('Transmission')['Price'].mean()
Transmission
Automatic    19.817702
Manual        5.332703
Name: Price, dtype: float64
#Saber o total de cada tipo
df.groupby('Fuel_Type')['Price'].sum()
Fuel_Type
CNG           196.94
Diesel      41154.14
Electric       25.75
LPG            24.87
Petrol      15655.22
Name: Price, dtype: float64
df.plot.box(column = 'Price', by = 'Fuel_Type')
Price    Axes(0.125,0.11;0.775x0.77)
dtype: object

df.groupby('Fuel_Type').agg({'Price': ['sum', 'mean']})
Price
sum mean
Fuel_Type
CNG 196.94 3.516786
Diesel 41154.14 12.840605
Electric 25.75 12.875000
LPG 24.87 2.487000
Petrol 15655.22 5.701100 
df.groupby('Location').agg({'Price': ['sum', 'mean']})
Price
sum mean
Location
Ahmedabad 1894.44 8.457321
Bangalore 4771.65 13.328631
Chennai 3830.29 7.753623
Coimbatore 9589.75 15.078223
Delhi 5378.08 9.707726
Hyderabad 7254.20 9.776550
Jaipur 2399.21 5.809225
Kochi 7277.65 11.179186
Kolkata 3028.75 5.661215
Mumbai 7449.17 9.429329
Pune 4183.73 6.726254

6.3 BANHEIRO

6.4 Gráficos com o Matplotlib

6.4.1 Anatomia e Estilo de Programação

O Matplotlib exibe seus dados em Figuras (por exemplo, janelas, widgets Jupyter, etc.), cada uma das quais pode conter um ou mais Eixos, uma área onde pontos podem ser especificados em termos de coordenadas x-y (ou theta-r em um gráfico polar, x-y-z em um gráfico 3D, etc.). A maneira mais simples de criar uma Figura com um Eixo é usando pyplot.subplots.

Alguns links úteis:

  • https://matplotlib.org/stable/users/explain/quick_start.html.
  • https://matplotlib.org/3.8.3/users/index.html.
  • https://matplotlib.org/cheatsheets/_images/cheatsheets-1.png.
  • https://matplotlib.org/3.8.3/index.html.
  • https://matplotlib.org/3.8.3/api/index.html.

6.4.2 Anatomia de uma figura

6.4.3 Plots

  • Conteúdo principal do gráfico, ou seja, os dados que queremos visualizar
  • A escolha de gráfico para plotar vai depender do tipo de dado que temos e do que queremos comunicar

Tipos de gráficos: - Bar Plot: comparar categorias diferentes, principalmente com dados categóricos ou discretos. Funciona para mostrar a frequência e contagem dos valores - Scatter Plot: mostrar relação entre duas variáveis contínuas, principalmente para observar padrões, tendências e correlações entre duas variáveis - Line Plot: observar mudanças ao longo do tempo de séries de temporais, principalmente para análises de tendência e sazonalidades - Histograma: visualizar a distribuição de uma variável contínua agrupando dados em intervalos e mostra quantos dados caem em cada intervalo - Boxplot: resumir a distribuição de uma variável e destacar valores atípico, principalmente para comparar a distribuição entre várias categorias - Pie Plot: mostrar proporções ou porcentagem entre categorias - Heatmap: visualizar variáveis categóricas ou contínuas em formato de matriz, usando cores para mostrar intensidade ou frequênciacia

6.4.4 Estéticas

  • elementos visuais diretamente ligados aos dados
  • ajudam a distinguir e interpretar diferentes partes do gráfico
  • propósito de destacar os dados de forma intuitiva
  • cor dos pontos ou barras, formato e tamanho dos marcadores e espessura das linhas

6.4.5 Tema

  • apresentação geral do gráfico,
  • tudo que não está diretamente relacionado aos dados, mas que torna o gráfico mais legível e organizado
  • título, rótulos dos eixos, fundo, grid, legenda

6.4.6 O estilo da programação

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2, 100)  # Sample data.

# Note that even in the OO-style, we use `.pyplot.figure` to create the Figure.
fig, ax = plt.subplots(figsize=(5, 2.7))
ax.plot(x, x, label='linear')  # Plot some data on the axes.
ax.plot(x, x**2, label='quadratic')  # Plot more data on the axes...
ax.plot(x, x**3, label='cubic')  # ... and some more.
ax.set_xlabel('x label')  # Add an x-label to the axes.
ax.set_ylabel('y label')  # Add a y-label to the axes.
ax.set_title("Simple Plot")  # Add a title to the axes.
ax.legend()  # Add a legend.

6.4.7 Plots Combinados

# Gerando dados fictícios para os gráficos
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)
y4 = np.exp(x / 10)

# Criando uma matriz de 2x2 subgráficos
fig, axes = plt.subplots(2, 2, figsize=(10, 8))

# Primeiro gráfico
axes[0, 0].plot(x, y1, 'r')
axes[0, 0].set_title('Seno')

# Segundo gráfico
axes[0, 1].plot(x, y2, 'b')
axes[0, 1].set_title('Cosseno')

# Terceiro gráfico
axes[1, 0].plot(x, y3, 'g')
axes[1, 0].set_ylim(-10, 10)  # Limitando o eixo y para evitar valores muito grandes
axes[1, 0].set_title('Tangente')

# Quarto gráfico
axes[1, 1].plot(x, y4, 'm')
axes[1, 1].set_title('Exponencial')

# Ajustar o layout para evitar sobreposição
plt.tight_layout()

# Exibir o gráfico
plt.show()

fig, axs = plt.subplots(2, 2, figsize=(12, 8))

# Histograma da quilometragem
axs[0, 0].hist(df['Kilometers_Driven'], bins=10, color='lightcoral', edgecolor='darkred', alpha=0.7)
axs[0, 0].set_title('Histograma da Quilometragem', fontsize=14, fontweight='bold')
axs[0, 0].set_xlabel('Quilometragem', fontsize=12, color='darkred')
axs[0, 0].set_ylabel('Frequência', fontsize=12, color='darkred')
axs[0, 0].tick_params(axis='both', colors='darkred')
axs[0, 0].grid(color='grey', linestyle='--', linewidth=0.5, alpha=1)

# Gráfico de linhas com soma de vendas
axs[0, 1].plot(
    df.groupby("Year")["Price"].sum().index,
    df.groupby("Year")["Price"].sum().values,
    marker='*', linestyle=':', color='navy', markersize=6, label='Total de Vendas'
)
axs[0, 1].set_title('Soma das Vendas por Ano', fontsize=14, fontweight='bold', fontstyle='italic')
axs[0, 1].set_xlabel('Ano', fontsize=12, color='navy')
axs[0, 1].set_ylabel('Valores', fontsize=12, color='navy')
axs[0, 1].legend(loc='upper left', frameon=False)
axs[0, 1].tick_params(axis='x', colors='darkred', rotation=45)
axs[0, 1].tick_params(axis='y', colors='teal')
axs[0, 1].grid(color='grey', linestyle=':', linewidth=1, alpha=1)

# Scatter plot de Ano vs. Quilometragem
axs[1, 0].scatter(df['Year'], df['Kilometers_Driven'], color='purple', edgecolor='black', s=70, alpha=0.6, marker='v')
axs[1, 0].set_title('Ano vs. Quilometragem', fontsize=14)
axs[1, 0].set_xlabel('Ano', fontsize=12, color='darkgreen')
axs[1, 0].set_ylabel('Quilometragem', fontsize=12, color='purple')
axs[1, 0].tick_params(axis='x', colors='purple', rotation=45)
axs[1, 0].tick_params(axis='y', colors='purple')
axs[1, 0].grid(color='lavender', linestyle=':', linewidth=0.1, alpha=0.5)

# Gráfico de barras da quantidade de tipo de motor
axs[1, 1].bar(df['Fuel_Type'].value_counts().index, df['Fuel_Type'].value_counts().values, color='dodgerblue', edgecolor='black', hatch='/')
axs[1, 1].set_title('Tipo de Motor', fontsize=14, fontweight='bold')
axs[1, 1].set_xlabel('Tipo do motor', fontsize=12, color='dodgerblue')
axs[1, 1].set_ylabel('Quantidade', fontsize=12)

# Ajuste do layout
plt.tight_layout()
plt.show()

6.5 Extras

Principais paramêtros:

  • color: cor
  • linewidth: espessura da linha
  • width: largura da barra
  • linestyle: tipo de linha
  • marker: símbolo nos pontos
  • markersize: tamanho do símbolo
  • label: legenda da série
  • s: tamanho de cada ponto
  • alpha: controle de transparência
  • edgecolor: cor da borda
  • hatch: preencimento da barra
  • bins: número de intervalos para os dados
  • autopct: formato para exibir os valores percentuais
  • strangle: ângulo de rocação inicial do gráfcio
  • explode: destaca fatias específicas
  • cmap: mapa de cores
  1. Tipos de Linhas (linestyle)
  • ‘-’: Linha contínua (padrão).
  • ‘–’: Linha tracejada.
  • ‘-.’: Linha traço-ponto.
  • ‘:’: Linha pontilhada.
  • ’’ ou ‘None’: Sem linha (exibe apenas os marcadores).
  1. Cores (color)
  • Nomes de cores: ‘blue’, ‘red’, ‘green’, ‘purple’, ‘orange’, etc.
  • Códigos Hexadecimais: ‘#1f77b4’, ‘#ff7f0e’, etc.
  • Mapas de Cores (Colormaps): Paletas usadas para gradientes, como ‘viridis’, ‘plasma’, ‘coolwarm’, etc.
  1. Marcadores (marker)
  • ‘o’: Círculo
  • ‘s’: Quadrado
  • ‘^’: Triângulo para cima
  • ‘v’: Triângulo para baixo
  • ‘D’: Losango
  • ’*’: Estrela
  • ‘+’: Cruz
  • ‘x’: X

6.5.1 Outros

Biblioteca seaborn para criar gráficos mais complexos de maneira mais fácil: https://seaborn.pydata.org/

Biblioteca plotline para criar gráfico dinâmica e interativos: https://plotnine.org/

#Gráfico 1
# Criar uma figura com uma grade de 2 linhas e 3 colunas
fig, axs = plt.subplots(2, 3, figsize=(15, 8))  # figsize ajusta o tamanho total da figura

# 1. Gráfico de Barras
categorias = ['A', 'B', 'C', 'D']
vendas = [50, 30, 20, 40]
axs[0, 0].bar(categorias, vendas, color='skyblue', edgecolor='black')

# 2. Gráfico de Dispersão
idades1 = [20, 25, 30, 35, 40]
pesos1 = [65, 70, 75, 80, 85]
idades2 = [22, 27, 32, 37, 42]
pesos2 = [68, 73, 78, 83, 88]
axs[0, 1].scatter(idades1, pesos1, color='purple', edgecolor='black', marker='o', label="Grupo 1")
axs[0, 1].scatter(idades2, pesos2, color='purple', edgecolor='black', marker='o', label="Grupo 2")

# 3. Gráfico de Linhas
dias = ['A', 'B', 'C', 'D', 'E', 'F', 'G']
temperaturas1 = [18, 20, 22, 21, 19, 17, 18]
temperaturas2 = [19, 21, 23, 22, 20, 18, 19]
axs[0, 2].plot(dias, temperaturas1, marker='o', color='orange', linestyle='-', label="Série 1")
axs[0, 2].plot(dias, temperaturas2, marker='o', color='orange', linestyle='-', label="Série 2")

# 4. Histograma
idades_hist = [22, 22, 23, 24, 25, 25, 26, 27, 28, 28, 29, 30, 30, 31, 32, 32, 33, 34]
axs[1, 0].hist(idades_hist, bins=5, color='lightgreen', edgecolor='black')

# 5. Gráfico de Pizza
regioes = ['A', 'B', 'C', 'D']
vendas_pizza = [300, 500, 200, 400]
axs[1, 1].pie(vendas_pizza, labels=regioes, autopct='%1.1f%%', startangle=140,
              colors=['#ff9999','#ff9999','#ff9999','#ff9999'])

# 6. Heatmap (Matriz de Correlação)
dados = np.array([[1, 0.8, 0.3],
                  [0.8, 1, 0.5],
                  [0.3, 0.5, 1]])
im = axs[1, 2].imshow(dados, cmap='viridis', aspect='auto')

# Ajuste de layout
plt.tight_layout()

# Salvar a figura sem mostrar na tela
#plt.savefig("grafico1.png", dpi=300)
plt.show()
#plt.close()
#Gráfico 2
# Criar uma figura com uma grade de 2 linhas e 3 colunas
fig, axs = plt.subplots(2, 3, figsize=(15, 8))

# 1. Gráfico de Barras com cores diferentes para cada barra
categorias = ['A', 'B', 'C', 'D']
vendas = [50, 30, 20, 40]
cores = ['skyblue', 'salmon', 'lightgreen', 'gold']
axs[0, 0].bar(categorias, vendas, color=cores, edgecolor='black')

# 2. Gráfico de Dispersão com dois grupos de dados, cores e formatos diferentes
idades1 = [20, 25, 30, 35, 40]
pesos1 = [65, 70, 75, 80, 85]
idades2 = [22, 27, 32, 37, 42]
pesos2 = [68, 73, 78, 83, 88]
axs[0, 1].scatter(idades1, pesos1, color='purple', edgecolor='black', marker='o', label="Grupo 1")
axs[0, 1].scatter(idades2, pesos2, color='blue', edgecolor='black', marker='s', label="Grupo 2")

# 3. Gráfico de Linhas com duas séries temporais e estilos de linha diferentes
dias = ['A', 'B', 'C', 'D', 'E', 'F', 'G']
temperaturas1 = [18, 20, 22, 21, 19, 17, 18]
temperaturas2 = [19, 21, 23, 22, 20, 18, 19]
axs[0, 2].plot(dias, temperaturas1, marker='o', color='orange', linestyle='-', label="Série 1")
axs[0, 2].plot(dias, temperaturas2, marker='s', color='green', linestyle='--', label="Série 2")


# 4. Histograma com diferentes estilos de borda
idades_hist = [22, 22, 23, 24, 25, 25, 26, 27, 28, 28, 29, 30, 30, 31, 32, 32, 33, 34]
axs[1, 0].hist(idades_hist, bins=5, color='lightgreen', edgecolor='darkgreen', hatch='//')


# 5. Gráfico de Pizza com diferentes ângulos de início e explosão de fatia
regioes = ['A', 'B', 'C', 'D']
vendas_pizza = [300, 500, 200, 400]
explode = (0, 0.1, 0, 0)  # Explodindo a segunda fatia
axs[1, 1].pie(vendas_pizza, labels=regioes, autopct='%1.1f%%', startangle=140, explode=explode,
              colors=['#ff9999','#66b3ff','#99ff99','#ffcc99'])


# 6. Heatmap (Matriz de Correlação) com rótulos e barra de cor ajustada
dados = np.array([[1, 0.8, 0.3],
                  [0.8, 1, 0.5],
                  [0.3, 0.5, 1]])
im = axs[1, 2].imshow(dados, cmap='coolwarm', aspect='auto')
fig.colorbar(im, ax=axs[1, 2], fraction=0.046, pad=0.04)

# Ajuste de layout
# Salvar a figura sem mostrar na tela
#plt.savefig("grafico2.png", dpi=300)
plt.show()
#plt.close()
#Gráfico 3
# Criar uma figura com uma grade de 2 linhas e 3 colunas
fig, axs = plt.subplots(2, 3, figsize=(15, 10))

# 1. Gráfico de Barras com cores diferentes para cada barra
categorias = ['A', 'B', 'C', 'D']
vendas = [50, 30, 20, 40]
cores = ['skyblue', 'salmon', 'lightgreen', 'gold']
axs[0, 0].bar(categorias, vendas, color=cores, edgecolor='black')
axs[0, 0].set_title("Vendas por Categoria")
axs[0, 0].set_xlabel("Categorias")
axs[0, 0].set_ylabel("Vendas")

# 2. Gráfico de Dispersão com dois grupos de dados, cores e formatos diferentes
idades1 = [20, 25, 30, 35, 40]
pesos1 = [65, 70, 75, 80, 85]
idades2 = [22, 27, 32, 37, 42]
pesos2 = [68, 73, 78, 83, 88]
axs[0, 1].scatter(idades1, pesos1, color='purple', edgecolor='black', marker='o', label="Homens")
axs[0, 1].scatter(idades2, pesos2, color='blue', edgecolor='black', marker='s', label="Mulheres")
axs[0, 1].set_title("Idade vs Peso")
axs[0, 1].set_xlabel("Idade")
axs[0, 1].set_ylabel("Peso (kg)")
axs[0, 1].legend()

# 3. Gráfico de Linhas com duas séries temporais e estilos de linha diferentes
dias = ['A', 'B', 'C', 'D', 'E', 'F', 'G']
temperaturas1 = [18, 20, 22, 21, 19, 17, 18]
temperaturas2 = [19, 21, 23, 22, 20, 18, 19]
axs[0, 2].plot(dias, temperaturas1, marker='o', color='orange', linestyle='-', label="Série 1")
axs[0, 2].plot(dias, temperaturas2, marker='s', color='green', linestyle='--', label="Série 2")
axs[0, 2].set_title("Temperatura Semanal")
axs[0, 2].set_xlabel("Dias")
axs[0, 2].set_ylabel("Temperatura (°C)")
axs[0, 2].legend()

# 4. Histograma com diferentes estilos de borda
idades_hist = [22, 22, 23, 24, 25, 25, 26, 27, 28, 28, 29, 30, 30, 31, 32, 32, 33, 34]
axs[1, 0].hist(idades_hist, bins=5, color='lightgreen', edgecolor='darkgreen', hatch='//')
axs[1, 0].set_title("Distribuição de Idades")
axs[1, 0].set_xlabel("Idade")
axs[1, 0].set_ylabel("Frequência")

# 5. Gráfico de Pizza com diferentes ângulos de início e explosão de fatia
regioes = ['A', 'B', 'C', 'D']
vendas_pizza = [300, 500, 200, 400]
explode = (0, 0.1, 0, 0)  # Explodindo a segunda fatia
axs[1, 1].pie(vendas_pizza, labels=regioes, autopct='%1.1f%%', startangle=140, explode=explode,
              colors=['#ff9999','#66b3ff','#99ff99','#ffcc99'])
axs[1, 1].set_title("Vendas por Região")

# 6. Heatmap (Matriz de Correlação) com rótulos e barra de cor ajustada
dados = np.array([[1, 0.8, 0.3],
                  [0.8, 1, 0.5],
                  [0.3, 0.5, 1]])
im = axs[1, 2].imshow(dados, cmap='coolwarm', aspect='auto')
axs[1, 2].set_title("Heatmap de Correlação")
axs[1, 2].set_xticks(range(3))
axs[1, 2].set_yticks(range(3))
axs[1, 2].set_xticklabels(['Var1', 'Var2', 'Var3'])
axs[1, 2].set_yticklabels(['Var1', 'Var2', 'Var3'])
fig.colorbar(im, ax=axs[1, 2], fraction=0.046, pad=0.04)

# Ajuste de layout
# Salvar a figura sem mostrar na tela
#plt.savefig("grafico3.png", dpi=300)
plt.show()
#plt.close()