In [1]:

    

# Versão da Linguagem Python
from platform import python_version
print('Versão da Linguagem Python Usada Neste Jupyter Notebook:', python_version())


    

    




Versão da Linguagem Python Usada Neste Jupyter Notebook: 3.7.6

In [2]:

    

import numpy as np
import pandas as pd
import random
import warnings
warnings.filterwarnings("ignore")
import matplotlib as mat
import matplotlib.pyplot as plt
%matplotlib inline


    

In [3]:

    

np.__version__


    

    
Out[3]:





'1.18.2'

In [4]:

    

pd.__version__


    

    
Out[4]:





'1.0.3'

In [5]:

    

mat.__version__


    

    
Out[5]:





'3.2.1'

In [6]:

    

import seaborn as sea
sea.__version__


    

    
Out[6]:





'0.10.0'

In [7]:

    

# Carregando um dos datasets que vem com o Seaborn
dados = sea.load_dataset("tips")


    

In [8]:

    

dados.head()


    

    
Out[8]:







  

    

      

      
total_bill
      
tip
      
sex
      
smoker
      
day
      
time
      
size
    
  
  

    

      
0
      
16.99
      
1.01
      
Female
      
No
      
Sun
      
Dinner
      
2
    
    

      
1
      
10.34
      
1.66
      
Male
      
No
      
Sun
      
Dinner
      
3
    
    

      
2
      
21.01
      
3.50
      
Male
      
No
      
Sun
      
Dinner
      
3
    
    

      
3
      
23.68
      
3.31
      
Male
      
No
      
Sun
      
Dinner
      
2
    
    

      
4
      
24.59
      
3.61
      
Female
      
No
      
Sun
      
Dinner
      
4
    
  

In [9]:

    

# O método joinplot cria plot de 2 variáveis com gráficos bivariados e univariados
sea.jointplot("total_bill", "tip", dados, kind = 'reg');


    

In [10]:

    

# O método lmplot() cria plot com dados e modelos de regressão.
sea.lmplot("total_bill", "tip", dados, col = "smoker");


    

In [11]:

    

# Construindo um dataframe com Pandas
df = pd.DataFrame()


    

In [12]:

    

# Alimentando o Dataframe com valores aleatórios
df['a'] = random.sample(range(1, 100), 25)
df['b'] = random.sample(range(1, 100), 25)


    

In [13]:

    

df.head()


    

    
Out[13]:







  

    

      

      
a
      
b
    
  
  

    

      
0
      
95
      
19
    
    

      
1
      
17
      
13
    
    

      
2
      
96
      
8
    
    

      
3
      
94
      
44
    
    

      
4
      
57
      
59
    
  

In [14]:

    

# Scatter Plot
sea.lmplot('a', 'b', data = df, fit_reg = True);


    

In [15]:

    

# Density Plot
sea.kdeplot(df.b);


    

In [16]:

    

sea.kdeplot(df.b, df.a);


    

In [17]:

    

sea.distplot(df.a);


    

In [18]:

    

# Histograma
plt.hist(df.a, alpha = .3)
sea.rugplot(df.a);


    

In [19]:

    

# Box Plot
sea.boxplot([df.b, df.a]);


    

In [20]:

    

# Violin Plot
sea.violinplot([df.a, df.b]);


    

In [21]:

    

# Heatmap
sea.heatmap([df.b, df.a], annot = True, fmt = "d");


    

In [22]:

    

# Clustermap
sea.clustermap(df);


    

In [23]:

    

# Configurações globais para controlar estilo, tamanho de fonte, cores, etc.
sea.set(context="notebook", style="darkgrid", palette="dark")


    

In [24]:

    

# Seaborn possui opções de cores variadas
sea.palplot(sea.color_palette())
sea.palplot(sea.color_palette("husl", 8))
sea.palplot(sea.color_palette("hls", 8))


    

In [25]:

    

sea.palplot(sea.color_palette("coolwarm", 7))


    

In [26]:

    

sea.palplot(sea.cubehelix_palette(8))


    

In [27]:

    

# A função tsplot() foi descontinuada

# O método tsplot cria plots a partir de séries temporais
# gammas = sea.load_dataset("gammas")
# sea.tsplot(gammas, "timepoint", "subject", "ROI", "BOLD signal", color = "muted");


    

In [28]:

    

# Histogramas com subsets dos dados
sea.set(style = "darkgrid")

dados = sea.load_dataset("tips")
g = sea.FacetGrid(dados, row = "sex", col = "time", margin_titles = True)
bins = np.linspace(0, 60, 13)
g.map(plt.hist, "total_bill", color = "steelblue", bins = bins, lw = 0);


    

In [29]:

    

# Diversos plots simultâneos
sea.set(style = "white", palette = "muted")
f, axes = plt.subplots(2, 2, figsize = (7, 7), sharex = True)
sea.despine(left = True)

rs = np.random.RandomState(10)

b, g, r, p = sea.color_palette("muted", 4)

d = rs.normal(size = 100)

sea.distplot(d, kde = False, color = b, ax = axes[0, 0])
sea.distplot(d, hist = False, rug = True, color = r, ax = axes[0, 1])
sea.distplot(d, hist = False, color = g, kde_kws = {"shade": True}, ax = axes[1, 0])
sea.distplot(d, color = p, ax = axes[1, 1])

plt.setp(axes, yticks = [])
plt.tight_layout()


    

In [30]:

    

# Plot com distribuições marginais
from scipy.stats import kendalltau
sea.set(style="ticks")

rs = np.random.RandomState(11)
x = rs.gamma(2, size = 1000)
y = -.5 * x + rs.normal(size = 1000)
sea.jointplot(x, y, kind = "hex", stat_func = kendalltau, color = "#4CB391");


    

In [31]:

    

# Regressão Logística
sea.set(style = "darkgrid")
df = sea.load_dataset("titanic")

pal = dict(male = "#6495ED", female = "#F08080")
g = sea.lmplot("age", "survived", col = "sex", hue = "sex", data = df, palette = pal, 
               y_jitter = .02, logistic = True)
g.set(xlim=(0, 80), ylim = (-.05, 1.05));


    

In [32]:

    

# Regressão Linear com Distribuições Marginais
sea.set(style = "darkgrid")
tips = sea.load_dataset("tips")
color = sea.color_palette()[2]
g = sea.jointplot("total_bill", "tip", data = tips, kind = "reg", xlim = (0, 60), 
                  ylim = (0, 12), color = color, size = 7);


    

In [33]:

    

# Pair Plots
sea.set(style = "darkgrid")
df = sea.load_dataset("iris")
sea.pairplot(df, hue = "species", size = 2.5);