O que é Data Science?

Data Science é um campo voltado para a análise de dados, identificação de padrões e construção de modelos preditivos. A sua finalidade é extrair informações úteis e insights para auxiliar no processo de tomada de decisão. Para a construção de modelos preditivos, utilizam-se normalmente modelos de Machine Learning como: Regressão Linear Regressão Logística Redes Neurais

O que faz um Cientista de Dados?

Cientista de Dados é o profissional que trabalha na área de Data Science . Interdisciplinar, atua em todas as etapas do projeto, desde a fase de aquisição, análise e tratamento dos dados, quanto na construção de modelos de Machine Learning , avaliação e deploy . Atualmente, é considerada por muitos como sendo a profissão do futuro , com demanda crescente por esse tipo de profissional.

Qual a linguagem mais usada em Data Science?

Atualmente, Python é a linguagem mais utilizada para Data Science . Entre os fatores que tornam o Python tão popular estão a curva de aprendizado, quantidade de pacotes disponíveis e alto engajamento da sua comunidade. Outras linguagems populares para Ciência de Dados são R (uma linguagem com aplicações em estatística) e Matlab.

O que é Machine Learning?

Machine Learning (Aprendizado de Máquina) é uma área dentro do campo da Inteligência Artificial que utiliza algoritmos capazes de aprender por meio de dados coletados. Suas aplicações são vistas em áreas como medicina, marketing digital, logística, análise de malware e até mesmo no setor espacial.

O que é Deep Learning?

Deep Learning (Aprendizado Profundo) é uma área dentro do Machine Learning , que se tornou possível graças à explosão na disponibilidade de dados e no aumento do poder computacional. Usando redes neurais profundas (com diversas camadas), Deep Learning é considerada hoje como sendo o estado-da-arte para inúmeras aplicações, tendo se destacado em carros autônomos e detecção de doenças.

Sigmoidal › Como Criar um Gráfico de Waffle no Python

Quer saber como criar um gráfico de waffle no Python e deixar seus projetos muito mais impactantes?

Curso Como Aprender Data Science na Prática

Talvez o nome não seja familiar, mas com certeza você já viu vários exemplos de waffle charts em sites, revistas e jornais; pois eles não apenas transmitem informações claramente, mas são visualmente mais impactantes que gráficos de barras ou pizza.

A figura acima mostra como a biblioteca pywaffle foi usada para mostrar pictorialmente o resultado das eleições dos EUA em 2016.

Pode reparar que os grandes meios de comunicação preferem esse tipo de visualização, pois nem todo mundo está acostumado a interpretar gráficos de linhas ou barras.

Aprenda, neste post, como plotar esse tipo de gráfico e incluí-lo no seu arsenal de visualização de dados.

Também gravei um vídeo no meu canal do YouTube e disponibilizei todo o código no meu Github. Para acompanhar o Jupyter notebook, é só clicar no botão abaixo 🙂

Usando `pywaffle` para criar gráficos de waffle

Infelizmente, gráficos de waffle não vêm junto com a biblioteca matplotlib. A melhor alternativa que eu conheço é o pacote pywaffle, uma vez que ele se integra perfeitamente ao matplotlib.

Bem documentada e com vários exemplos de aplicação, em poucas linhas de código você já consegue plotar seu primeiro gráfico.

Ah, sim, verifique antes se você a tem instalada no seu ambiente. Caso contrário, basta instalar usando:

Conda – conda install pywaffle
Pip – pip install pywaffle

Vamos supor que uma pesquisa muito séria da Folha de São Paulo tenha identificado que 33% dos brasileiros falam “bolacha”, 48% falam “biscoito” e uma minoria de 19% fala “salgadinho”.

No lugar de plotar um manjado gráfico de pizza, olha como ficaria usando o gráfico de waffle.

# importar as bibliotecas necessárias
import matplotlib.pyplot as plt
from pywaffle import Waffle

# exemplo de Waffle
fig = plt.figure(
                FigureClass=Waffle,
                rows=4,
                columns=10,
                values={'Bolacha': 33,
                        'Biscoito': 48,
                        'Salgadinho': 19},
                legend={'loc': 'upper left',
                        'bbox_to_anchor': (1.1, 1)}
                )

fig.set_tight_layout(False)
plt.show()

# importar as bibliotecas necessárias

import matplotlib.pyplot as plt

from pywaffle import Waffle

# exemplo de Waffle

fig = plt.figure(

FigureClass=Waffle,

rows=4,

columns=10,

values={'Bolacha': 33,

'Biscoito': 48,

'Salgadinho': 19},

legend={'loc': 'upper left',

'bbox_to_anchor': (1.1, 1)}

)

fig.set_tight_layout(False)

plt.show()

Como plotar um Waffle Chart (gráfico de Waffle) usando Python e Matplotlib com Pywaffle

Customizando seus gráficos de waffle

O pywaffle é altamente customizado e aceita os ícones da Font Awesome. Vamos ver como customizar os ícones da biblioteca para representar as estatísticas de ocorrências e acidentes com aviões no Brasil.

Para isso, vou importar a base de dados do Centro de Prevenção e Investigação de Acidentes Aeronáuticos.

# importar o pandas
import pandas as pd

# importar dados do CENIPA
df = pd.read_csv("https://raw.githubusercontent.com/carlosfab/curso_data_science_na_pratica/master/modulo_02/ocorrencias_aviacao.csv")

# extrair value counts da variavel ocorrencia_classificacao
data = df.ocorrencia_classificacao.value_counts().to_dict()

# plotar gráfico de waffle
fig = plt.figure(
                FigureClass=Waffle,
                rows=5,
                columns=15,
                colors=("#232066", "#983D3D", "#DCB732"),
                values=data, icons='plane', icon_size=12,
                legend={'loc': 'upper left', 'bbox_to_anchor': (1,1)},
                icon_legend=True
                )
fig.set_tight_layout(False)
plt.show();

# importar o pandas

import pandas as pd

# importar dados do CENIPA

df = pd.read_csv("https://raw.githubusercontent.com/carlosfab/curso_data_science_na_pratica/master/modulo_02/ocorrencias_aviacao.csv")

# extrair value counts da variavel ocorrencia_classificacao

data = df.ocorrencia_classificacao.value_counts().to_dict()

# plotar gráfico de waffle

fig = plt.figure(

FigureClass=Waffle,

rows=5,

columns=15,

colors=("#232066", "#983D3D", "#DCB732"),

values=data, icons='plane', icon_size=12,

legend={'loc': 'upper left', 'bbox_to_anchor': (1,1)},

icon_legend=True

)

fig.set_tight_layout(False)

plt.show();

Na figura acima, eu selecionei o ícone plane, que é apenas um entre inúmeros outros disponíveis.

Em outro exemplo, suponha que você quer representar por waffle chart a quantidade de homens e mulheres que estão matriculados em um determinado curso de inglês. Repare que eu vou usar o ícone child.

# plotar homens e mulheres na sala de aula
fig = plt.figure(
    FigureClass=Waffle, 
    rows=8, 
    values={'Homens': 48, 'Mulheres': 66}, 
    colors=("#232066", "#983D3D"),
    legend={'loc': 'upper left', 'bbox_to_anchor': (1, 1)},
    icons='child', icon_size=12, 
    icon_legend=True
)

fig.set_tight_layout(False)
plt.show();

# plotar homens e mulheres na sala de aula

fig = plt.figure(

FigureClass=Waffle,

rows=8,

values={'Homens': 48, 'Mulheres': 66},

colors=("#232066", "#983D3D"),

legend={'loc': 'upper left', 'bbox_to_anchor': (1, 1)},

icons='child', icon_size=12,

icon_legend=True

)

fig.set_tight_layout(False)

plt.show();

Fugindo dos gráficos tradicionais

Visualização de dados é uma das minhas partes preferidas em projetos de Data Science. Apesar de muita gente achar que basta aprender comandos para plotar diferentes tipos de gráficos, a visualização de dados é algo que vai bem além disso.

Visualizar dados significa:

Fornecer técnicas que contribuam para a Análise Exploratória de Dados;
Comunicar os dados de maneira clara para outras pessoas;
Apoiar diferentes tipos de stakeholders com diferentes níveis de conhecimento;
Compartilhar a representação dos dados sem bias (viés).

Quando você apresenta um relatório, uma consultoria ou um projeto de Data Science, está comunicando resultados para – na maioria das vezes – pessoas não-técnicas ou que não sabem programar.

Como plotar um gráfico de waffle (waffle chart) usando Python, matplotlib e pywaffle.

Uma das habilidades que diferencia os cientistas de dados entre seus pares é a capacidade de transmitir essa informação de maneira clara e objetiva, até mesmo usando técnicas de storytelling.

Aprender gráficos visualmente mais impactantes e fugir daqueles normais é algo que vai te ajudar muito. Inclua gráficos de waffle no seu arsenal desde já 😉