Visualização de dados para usuários de R: ggplot2 vs. matplotlib/Seaborn

Introdução

Criar visualizações eficazes é fundamental para comunicar insights de dados. Muitos usuários de R estão familiarizados com ggplot2, um poderoso pacote de visualização baseado na Gramática de Gráficos. No Python, matplotlib e Seaborn são ferramentas populares para criar gráficos semelhantes. Neste tutorial, fornecemos exemplos lado a lado que comparam como criar visualizações semelhantes, como gráficos de dispersão, gráficos de barras e gráficos de linhas, tanto em R quanto em Python. Este guia ajudará você a entender as diferenças de sintaxe e escolher a melhor abordagem para seus projetos.

Exemplos comparativos

Abaixo, você encontrará exemplos exibidos usando um painel com guias. Cada guia apresenta um exemplo de visualização em R (usando ggplot2) e a versão equivalente em Python (usando matplotlib/Seaborn).

R (ggplot2) Exemplo:

library(ggplot2)

# Gerar dados de amostra
set.seed(123)
df <- data.frame(x = rnorm(100), y = rnorm(100))

# Criar gráfico de dispersão usando ggplot2
ggplot(df, aes(x = x, y = y)) +
  geom_point(color = "darkblue") +
  labs(title = "Gráfico de dispersão (ggplot2)", x = "X-axis", y = "Y-axis") +
  theme_minimal()

Python (matplotlib e Seaborn) Exemplo:

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

# Gerar dados de amostra
np.random.seed(123)
df = pd.DataFrame({
    'x': np.random.randn(100),
    'y': np.random.randn(100)
})

# Crie um gráfico de dispersão usando Seaborn
sns.scatterplot(x='x', y='y', data=df, color='darkblue')
plt.title("Gráfico de dispersão (Seaborn)")
plt.xlabel("X-axis")
plt.ylabel("Y-axis")
plt.tight_layout()
plt.show()

R (ggplot2) Exemplo:

library(ggplot2)

# Criar dados de amostra para gráfico de barras
df_bar <- data.frame(
  category = c("A", "B", "C", "D"),
  count = c(23, 17, 35, 29)
)

# Criar um gráfico de barras usando ggplot2
ggplot(df_bar, aes(x = category, y = count, fill = category)) +
  geom_bar(stat = "identity") +
  labs(title = "Gráfico de barras (ggplot2)", x = "Category", y = "Count") +
  theme_minimal() +
  scale_fill_brewer(palette = "Set2")

Python (matplotlib e Seaborn) Exemplo:

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

# Criar dados de amostra para gráfico de barras
df_bar = pd.DataFrame({
    'category': ["A", "B", "C", "D"],
    'count': [23, 17, 35, 29]
})

# Criar um gráfico de barras usando Seaborn
sns.barplot(x='category', y='count', data=df_bar, palette="Set2")
plt.title("Gráfico de barras (Seaborn)")
plt.xlabel("Category")
plt.ylabel("Count")
plt.tight_layout()
plt.show()

R (ggplot2) Exemplo:

library(ggplot2)

# Gerar dados de série temporal de amostra
df_line <- data.frame(
  date = seq(as.Date("2020-01-01"), by = "month", length.out = 12),
  value = cumsum(rnorm(12, mean = 5, sd = 2))
)

# Criar um gráfico de linhas usando ggplot2
ggplot(df_line, aes(x = date, y = value)) +
  geom_line(color = "forestgreen", size = 1.2) +
  labs(title = "Gráfico de linhas (ggplot2)", x = "Date", y = "Value") +
  theme_minimal()

Python (matplotlib e Seaborn) Exemplo:

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

# Gerar dados de série temporal de amostra
dates = pd.date_range(start="2020-01-01", periods=12, freq="M")
values = np.cumsum(np.random.randn(12) * 2 + 5)
df_line = pd.DataFrame({'date': dates, 'value': values})

# Crie um gráfico de linhas usando matplotlib
plt.plot(df_line['date'], df_line['value'], color='forestgreen', linewidth=2)
plt.title("Gráfico de linhas (matplotlib)")
plt.xlabel("Date")
plt.ylabel("Value")
plt.tight_layout()
plt.show()

Conclusão

Tanto o R quanto o Python oferecem recursos robustos para visualização de dados. Enquanto ggplot2 no R fornece uma abordagem de gramática gráfica, as bibliotecas matplotlib e Seaborn do Python oferecem ferramentas igualmente poderosas com sua própria sintaxe e opções de personalização exclusivas. Ao comparar esses exemplos lado a lado, você pode entender melhor as nuances de cada ecossistema e selecionar o melhor conjunto de ferramentas para suas necessidades de visualização de dados.

Leitura adicional

Boa programação e aproveite para criar visualizações bonitas em R e Python!

Explore mais artigos

Nota

Aqui estão mais artigos da mesma categoria para ajudá-lo a se aprofundar no tópico.

Fluxos de trabalho de aprendizado de máquina: tidymodels vs. scikit-learn

Comparando o treinamento, a avaliação e a previsão de modelos de ML em R e Python