Matplotlib e Seaborn: visualização de dados com Python

Por que visualizar dados?

Números em uma tabela contam uma história, mas um gráfico a torna impossível de ignorar. A visualização de dados transforma informações brutas em imagens que revelam padrões, tendências e anomalias em segundos.

Considere este exemplo: se alguém mostra uma tabela com 1000 linhas de vendas mensais, você demora para encontrar padrões. Mas se essa mesma informação aparece como um gráfico de linha, você vê imediatamente se as vendas estão subindo, descendo ou oscilando.

Python tem duas bibliotecas principais para visualização:

Matplotlib: o básico

Matplotlib segue uma estrutura simples: você cria uma figura (a tela), adiciona eixos (o gráfico) e exibe o resultado.

import matplotlib.pyplot as plt

# Dados
meses = ["Jan", "Fev", "Mar", "Abr", "Mai", "Jun"]
vendas = [1200, 1500, 1350, 1800, 2100, 1950]

# Criar o grafico
plt.plot(meses, vendas)
plt.title("Vendas Mensais - 2026")
plt.xlabel("Mes")
plt.ylabel("Vendas (R$)")
plt.show()

A convenção é importar matplotlib.pyplot como plt. O método plt.show() exibe o gráfico na tela. No Jupyter Notebook, o gráfico aparece diretamente na célula.

Gráficos de linha

Gráficos de linha são perfeitos para mostrar tendências ao longo do tempo:

import matplotlib.pyplot as plt

meses = ["Jan", "Fev", "Mar", "Abr", "Mai", "Jun"]
vendas_2025 = [1000, 1200, 1100, 1400, 1600, 1500]
vendas_2026 = [1200, 1500, 1350, 1800, 2100, 1950]

plt.figure(figsize=(10, 6))
plt.plot(meses, vendas_2025, marker="o", linestyle="--", color="gray", label="2025")
plt.plot(meses, vendas_2026, marker="s", linestyle="-", color="blue", label="2026")

plt.title("Comparacao de Vendas: 2025 vs 2026", fontsize=14)
plt.xlabel("Mes")
plt.ylabel("Vendas (R$)")
plt.legend()
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

Parâmetros úteis do plot():

Gráficos de barra

Ideais para comparar categorias:

import matplotlib.pyplot as plt

departamentos = ["TI", "RH", "Vendas", "Marketing", "Financeiro"]
funcionarios = [45, 20, 35, 15, 12]
cores = ["#2196F3", "#4CAF50", "#FF9800", "#E91E63", "#9C27B0"]

plt.figure(figsize=(10, 6))
barras = plt.bar(departamentos, funcionarios, color=cores, edgecolor="white")

# Adicionar valores em cima de cada barra
for barra in barras:
    altura = barra.get_height()
    plt.text(barra.get_x() + barra.get_width() / 2, altura + 0.5,
             str(int(altura)), ha="center", fontsize=12)

plt.title("Funcionarios por Departamento", fontsize=14)
plt.xlabel("Departamento")
plt.ylabel("Numero de Funcionarios")
plt.tight_layout()
plt.show()

Para barras horizontais, use plt.barh():

import matplotlib.pyplot as plt

departamentos = ["TI", "RH", "Vendas", "Marketing", "Financeiro"]
funcionarios = [45, 20, 35, 15, 12]

plt.figure(figsize=(10, 6))
plt.barh(departamentos, funcionarios, color="#2196F3")
plt.title("Funcionarios por Departamento")
plt.xlabel("Numero de Funcionarios")
plt.tight_layout()
plt.show()

Gráficos de dispersão (scatter)

Perfeitos para explorar a relação entre duas variáveis:

import matplotlib.pyplot as plt
import numpy as np

np.random.seed(42)
horas_estudo = np.random.uniform(1, 10, 50)
notas = 3 + horas_estudo * 0.6 + np.random.normal(0, 0.8, 50)
notas = np.clip(notas, 0, 10)

plt.figure(figsize=(10, 6))
plt.scatter(horas_estudo, notas, alpha=0.7, color="#2196F3", edgecolors="white", s=80)
plt.title("Horas de Estudo vs Nota Final", fontsize=14)
plt.xlabel("Horas de Estudo por Dia")
plt.ylabel("Nota Final")
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

Histogramas

Mostram a distribuição de uma variável numérica:

import matplotlib.pyplot as plt
import numpy as np

np.random.seed(42)
salarios = np.random.normal(5000, 1500, 200)

plt.figure(figsize=(10, 6))
plt.hist(salarios, bins=20, color="#4CAF50", edgecolor="white", alpha=0.8)
plt.title("Distribuicao Salarial", fontsize=14)
plt.xlabel("Salario (R$)")
plt.ylabel("Frequencia")
plt.axvline(salarios.mean(), color="red", linestyle="--", label=f"Media: R$ {salarios.mean():,.0f}")
plt.legend()
plt.tight_layout()
plt.show()

Customização avançada

Subplots: vários gráficos em uma figura

import matplotlib.pyplot as plt
import numpy as np

meses = ["Jan", "Fev", "Mar", "Abr", "Mai", "Jun"]
vendas = [1200, 1500, 1350, 1800, 2100, 1950]
custos = [800, 900, 850, 1000, 1100, 1050]
lucro = [v - c for v, c in zip(vendas, custos)]

fig, axes = plt.subplots(1, 3, figsize=(16, 5))

# Grafico 1: Vendas
axes[0].plot(meses, vendas, marker="o", color="#2196F3")
axes[0].set_title("Vendas")
axes[0].set_ylabel("R$")

# Grafico 2: Custos
axes[1].bar(meses, custos, color="#FF9800")
axes[1].set_title("Custos")
axes[1].set_ylabel("R$")

# Grafico 3: Lucro
axes[2].bar(meses, lucro, color="#4CAF50")
axes[2].set_title("Lucro")
axes[2].set_ylabel("R$")

plt.suptitle("Dashboard Financeiro - 1o Semestre 2026", fontsize=16)
plt.tight_layout()
plt.show()

Gráfico de pizza

import matplotlib.pyplot as plt

categorias = ["TI", "RH", "Vendas", "Marketing"]
valores = [45, 20, 35, 15]
cores = ["#2196F3", "#4CAF50", "#FF9800", "#E91E63"]
explode = (0.05, 0, 0, 0)  # Destacar a primeira fatia

plt.figure(figsize=(8, 8))
plt.pie(valores, labels=categorias, colors=cores, explode=explode,
        autopct="%1.1f%%", startangle=90, shadow=True)
plt.title("Distribuicao de Funcionarios por Area", fontsize=14)
plt.tight_layout()
plt.show()

Seaborn: gráficos bonitos com menos código

Seaborn é construído sobre Matplotlib e oferece gráficos estatísticos com visual moderno. Ele funciona especialmente bem com DataFrames do Pandas.

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

# Configurar estilo
sns.set_theme(style="whitegrid")

Countplot: contagem de categorias

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

df = pd.DataFrame({
    "departamento": ["TI", "RH", "TI", "Vendas", "RH",
                     "TI", "Vendas", "TI", "RH", "Vendas",
                     "TI", "Marketing", "RH", "TI", "Vendas"]
})

plt.figure(figsize=(10, 6))
sns.countplot(data=df, x="departamento", palette="viridis")
plt.title("Funcionarios por Departamento")
plt.tight_layout()
plt.show()

Heatmap: mapa de calor

Perfeito para visualizar correlações entre variáveis:

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

np.random.seed(42)
df = pd.DataFrame({
    "salario": np.random.normal(5000, 1500, 100),
    "experiencia": np.random.uniform(1, 15, 100),
    "avaliacao": np.random.uniform(5, 10, 100),
    "projetos": np.random.randint(1, 20, 100)
})

plt.figure(figsize=(8, 6))
correlacao = df.corr()
sns.heatmap(correlacao, annot=True, cmap="coolwarm", center=0,
            fmt=".2f", linewidths=0.5)
plt.title("Matriz de Correlacao")
plt.tight_layout()
plt.show()

Boxplot: distribuição e outliers

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

np.random.seed(42)
df = pd.DataFrame({
    "departamento": ["TI"] * 30 + ["RH"] * 30 + ["Vendas"] * 30,
    "salario": np.concatenate([
        np.random.normal(6000, 1000, 30),
        np.random.normal(4500, 800, 30),
        np.random.normal(4000, 1200, 30)
    ])
})

plt.figure(figsize=(10, 6))
sns.boxplot(data=df, x="departamento", y="salario", palette="Set2")
plt.title("Distribuicao Salarial por Departamento")
plt.ylabel("Salario (R$)")
plt.tight_layout()
plt.show()

Pairplot: relações entre todas as variáveis

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

np.random.seed(42)
df = pd.DataFrame({
    "salario": np.random.normal(5000, 1500, 50),
    "experiencia": np.random.uniform(1, 15, 50),
    "avaliacao": np.random.uniform(5, 10, 50)
})

sns.pairplot(df, diag_kind="hist", plot_kws={"alpha": 0.6})
plt.suptitle("Relacao entre Variaveis", y=1.02)
plt.show()

Salvando gráficos

Para salvar um gráfico em arquivo, use savefig() antes de show():

import matplotlib.pyplot as plt

meses = ["Jan", "Fev", "Mar", "Abr", "Mai", "Jun"]
vendas = [1200, 1500, 1350, 1800, 2100, 1950]

plt.figure(figsize=(10, 6))
plt.plot(meses, vendas, marker="o", color="#2196F3")
plt.title("Vendas Mensais")

# Salvar em diferentes formatos
plt.savefig("vendas.png", dpi=300, bbox_inches="tight")
plt.savefig("vendas.pdf", bbox_inches="tight")
plt.savefig("vendas.svg", bbox_inches="tight")

plt.show()

O parâmetro dpi=300 garante alta resolução. O bbox_inches="tight" remove espaços em branco ao redor do gráfico.

Exemplo prático: dashboard de vendas

Vamos criar um dashboard completo combinando Matplotlib e Seaborn:

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

sns.set_theme(style="whitegrid")
np.random.seed(42)

# Criando dataset
meses = ["Jan", "Fev", "Mar", "Abr", "Mai", "Jun",
         "Jul", "Ago", "Set", "Out", "Nov", "Dez"]
vendas_mensal = [12000, 15000, 13500, 18000, 21000, 19500,
                 17000, 22000, 20000, 25000, 28000, 32000]

categorias = ["Eletronicos", "Roupas", "Alimentos", "Livros"]
vendas_categoria = [45000, 30000, 55000, 15000]

# Criar figura com 4 subplots
fig, axes = plt.subplots(2, 2, figsize=(14, 10))

# 1. Vendas mensais (linha)
axes[0, 0].plot(meses, vendas_mensal, marker="o", color="#2196F3", linewidth=2)
axes[0, 0].fill_between(range(len(meses)), vendas_mensal, alpha=0.1, color="#2196F3")
axes[0, 0].set_title("Vendas Mensais", fontsize=13)
axes[0, 0].set_ylabel("Faturamento (R$)")
axes[0, 0].tick_params(axis="x", rotation=45)

# 2. Vendas por categoria (barra)
cores = ["#2196F3", "#4CAF50", "#FF9800", "#E91E63"]
axes[0, 1].bar(categorias, vendas_categoria, color=cores)
axes[0, 1].set_title("Vendas por Categoria", fontsize=13)
axes[0, 1].set_ylabel("Faturamento (R$)")

# 3. Distribuicao de valores (histograma)
valores_pedidos = np.random.exponential(150, 500)
axes[1, 0].hist(valores_pedidos, bins=30, color="#9C27B0", edgecolor="white", alpha=0.8)
axes[1, 0].set_title("Distribuicao - Valor dos Pedidos", fontsize=13)
axes[1, 0].set_xlabel("Valor (R$)")
axes[1, 0].set_ylabel("Frequencia")

# 4. Crescimento acumulado (area)
acumulado = np.cumsum(vendas_mensal)
axes[1, 1].fill_between(range(len(meses)), acumulado, alpha=0.3, color="#4CAF50")
axes[1, 1].plot(range(len(meses)), acumulado, color="#4CAF50", linewidth=2)
axes[1, 1].set_xticks(range(len(meses)))
axes[1, 1].set_xticklabels(meses, rotation=45)
axes[1, 1].set_title("Faturamento Acumulado", fontsize=13)
axes[1, 1].set_ylabel("Total (R$)")

plt.suptitle("Dashboard de Vendas - 2026", fontsize=16, fontweight="bold")
plt.tight_layout()
plt.savefig("dashboard_vendas.png", dpi=300, bbox_inches="tight")
plt.show()

Resumo: quando usar cada gráfico

Conclusão

Matplotlib e Seaborn formam a dupla essencial para visualização de dados em Python. Matplotlib oferece controle total sobre cada elemento do gráfico, enquanto Seaborn entrega resultados bonitos com menos código. Na prática, os dois são usados juntos: Seaborn para gráficos estatísticos rápidos e Matplotlib para personalização fina. No próximo artigo, vamos colocar tudo em prática com um projeto completo de análise de dados.