Material de apoio — Boas práticas de visualização

TMDB 5000 Movie Dataset

Objetivos

Neste notebook, a mesma base será representada de maneiras diferentes. O objetivo é justificar escolhas de escala, ordem, cor, destaque, contexto e transformação.

Como estudar este capítulo

Boas práticas de visualização não são regras decorativas. Escala, ordem, transformação e cor alteram aquilo que o leitor consegue comparar e podem mudar a impressão produzida pelos mesmos dados. O critério central é comunicar a estrutura relevante sem esconder incerteza, contexto ou limitações.

Usaremos a base TMDB para reconstruir gráficos deliberadamente problemáticos e comparar versões corrigidas. Em cada par, pergunte: qual afirmação a primeira versão parece sustentar, qual decisão visual produziu essa impressão e o que muda na versão revisada? Esse contraste ajuda a aprender mais do que uma lista de proibições.

O código mostra como implementar as escolhas, mas a parte essencial é a justificativa. Uma transformação logarítmica, por exemplo, é útil quando queremos comparar ordens de grandeza; ela não apaga valores extremos nem torna automaticamente a distribuição “correta”. Um bom gráfico deve permitir que o leitor reconheça o que foi transformado.

from pathlib import Path
import json
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

sns.set_theme(style="whitegrid", context="notebook")
movies = pd.read_csv(Path("data") / "tmdb_movies.csv")
movies["release_date"] = pd.to_datetime(movies["release_date"], errors="coerce")
movies["year"] = movies["release_date"].dt.year
movies["profit"] = movies["revenue"] - movies["budget"]
movies["roi"] = movies["revenue"] / movies["budget"]

def first_genre(value):
    try:
        genres = json.loads(value)
        return genres[0]["name"] if genres else "Sem gênero"
    except Exception:
        return "Sem gênero"

movies["main_genre"] = movies["genres"].map(first_genre)
valid = movies.query("budget > 100000 and revenue > 100000").copy()

olist_orders = pd.read_csv(Path("data") / "olist_orders.csv",
                           parse_dates=["order_purchase_timestamp"])
olist_customers = pd.read_csv(Path("data") / "olist_customers.csv")
olist = olist_orders.merge(olist_customers, on="customer_id", validate="many_to_one")

O que é a base?

Uma linha representa um filme. A base reúne metadados do TMDB sobre produção e recepção: título, lançamento, gênero, orçamento, receita, duração, popularidade, média e quantidade de votos.

movies.shape, movies[["original_title", "year", "main_genre", "budget", "revenue", "vote_average"]].head()
((4803, 24),
                              original_title    year main_genre     budget  \
 0                                    Avatar  2009.0     Action  237000000   
 1  Pirates of the Caribbean: At World's End  2007.0  Adventure  300000000   
 2                                   Spectre  2015.0     Action  245000000   
 3                     The Dark Knight Rises  2012.0     Action  250000000   
 4                               John Carter  2012.0     Action  260000000   
 
       revenue  vote_average  
 0  2787965087           7.2  
 1   961000000           6.9  
 2   880674609           6.3  
 3  1084939099           7.6  
 4   284139100           6.1  )
movies[["budget", "revenue", "vote_average", "vote_count"]].describe().T
count mean std min 25% 50% 75% max
budget 4803.0 2.904504e+07 4.072239e+07 0.0 790000.0 15000000.0 40000000.0 3.800000e+08
revenue 4803.0 8.226064e+07 1.628571e+08 0.0 0.0 19170001.0 92917187.0 2.787965e+09
vote_average 4803.0 6.092172e+00 1.194612e+00 0.0 5.6 6.2 6.8 1.000000e+01
vote_count 4803.0 6.902180e+02 1.234586e+03 0.0 54.0 235.0 737.0 1.375200e+04 
movies[["budget", "revenue", "runtime", "release_date"]].isna().mean().sort_values(ascending=False)
runtime         0.000416
release_date    0.000208
budget          0.000000
revenue         0.000000
dtype: float64
NotaInterpretação

Antes de interpretar resultados, confirme o que cada linha representa, o período coberto e as colunas realmente disponíveis. Essa definição determina quais agregações e comparações são válidas.

Valores financeiros iguais a zero devem ser tratados com cautela: frequentemente significam informação não disponível.

Ordem e comparação

top = movies["main_genre"].value_counts().head(10)
fig, axes = plt.subplots(1, 2, figsize=(12, 4.5))
top.plot.bar(ax=axes[0], color="#176b87", title="Ordem de aparição")
top.sort_values().plot.barh(ax=axes[1], color="#176b87", title="Ordem por valor")
plt.tight_layout(); plt.show()

NotaInterpretação

A codificação visual deve reduzir o esforço necessário para responder à pergunta. Ordem, contraste e anotação devem destacar a evidência sem esconder categorias, incerteza ou contexto.

Exercício 1

Qual versão permite localizar mais rapidamente o terceiro gênero mais frequente? Explique usando a ideia de posição e comprimento alinhados.

Eixo truncado

small = top.tail(5).sort_values()
fig, axes = plt.subplots(1, 2, figsize=(12, 4))
small.plot.barh(ax=axes[0], color="#176b87", title="Zero visível")
small.plot.barh(ax=axes[1], color="#b23b3b", title="Eixo truncado")
axes[1].set_xlim(small.min() * .96, small.max() * 1.01)
plt.tight_layout(); plt.show()

NotaInterpretação

Em barras, o comprimento parte de uma origem; truncar o eixo altera visualmente a razão entre categorias. Linhas e pontos podem usar domínios locais quando a pergunta é variação, desde que a escala esteja explícita.

O segundo painel exagera razões porque exibe apenas a extremidade das barras.

Escalas duplas

Quando duas séries usam eixos verticais independentes, a escolha de orientação e domínio pode fabricar uma impressão de concordância. Nos painéis abaixo, os dados são idênticos; somente o segundo eixo foi invertido.

annual_dual = (movies.query("1980 <= year <= 2016")
               .groupby("year")
               .agg(filmes=("id", "size"), nota=("vote_average", "mean"))
               .reset_index())

fig, axes = plt.subplots(1, 2, figsize=(12, 4.5))
for ax, invert, title in zip(
    axes,
    [False, True],
    ["Eixo usual: curvas se opõem", "Eixo invertido: curvas acompanham"],
):
    ax2 = ax.twinx()
    ax.plot(annual_dual["year"], annual_dual["filmes"], color="#176b87")
    ax2.plot(annual_dual["year"], annual_dual["nota"], color="#d97727")
    if invert:
        ax2.invert_yaxis()
    ax.set_title(title)
    ax.set_ylabel("filmes", color="#176b87")
    ax2.set_ylabel("nota média", color="#d97727")
plt.tight_layout(); plt.show()

Prefira painéis alinhados com escalas declaradas, índices com uma base comum ou uma dispersão que represente diretamente a relação entre as variáveis.

Transformações logarítmicas

fig, axes = plt.subplots(1, 2, figsize=(12, 4.5))
sns.scatterplot(data=valid, x="budget", y="revenue", alpha=.3, ax=axes[0])
sns.scatterplot(data=valid, x="budget", y="revenue", alpha=.3, ax=axes[1])
axes[1].set(xscale="log", yscale="log")
axes[0].set_title("Linear"); axes[1].set_title("Log-log")
plt.tight_layout(); plt.show()

NotaInterpretação

O log preserva a ordem, mas transforma razões em distâncias. No exemplo didático, a observação de 45 minutos comprime a escala original; após o log, a região entre 2 e 5 minutos volta a ficar legível.

valid[["budget", "revenue"]].corr(), np.log10(valid[["budget", "revenue"]]).corr()
(           budget   revenue
 budget   1.000000  0.703195
 revenue  0.703195  1.000000,
            budget   revenue
 budget   1.000000  0.642002
 revenue  0.642002  1.000000)

Exercício 2

Adicione a linha revenue = budget. Interprete pontos acima e abaixo dela na escala log-log.

ax = sns.scatterplot(data=valid, x="budget", y="revenue", alpha=.3)
lims = [1e5, 3e9]
ax.plot(lims, lims, "--", color="#d97727", label="receita = orçamento")
ax.set(xscale="log", yscale="log", xlim=lims, ylim=lims)
ax.legend(); plt.show()

Distribuições por grupo

genres = movies["main_genre"].value_counts().head(5).index
d = movies[movies["main_genre"].isin(genres)]
order = d.groupby("main_genre")["vote_average"].median().sort_values().index
sns.boxplot(data=d, x="vote_average", y="main_genre", order=order, color="#176b87")
plt.show()

d.groupby("main_genre")["vote_average"].agg(["count", "mean", "median", "std"]).round(2)
count mean median std
main_genre
Action 754 5.94 6.05 1.01
Adventure 339 6.31 6.30 0.88
Comedy 1042 5.93 6.00 1.00
Drama 1207 6.43 6.60 1.12
Horror 300 5.63 5.80 1.13
NotaInterpretação

Compare grupos usando a mesma definição de métrica e mostre também seus tamanhos. Diferenças aparentes podem refletir composição, cobertura ou poucos casos, e não apenas o fator usado no agrupamento.

Tempo e cobertura

annual = movies.groupby("year").size()
annual.loc[1980:2016].plot(figsize=(10, 4), color="#176b87")
plt.ylabel("filmes na base"); plt.show()

NotaInterpretação

A cobertura temporal precisa ser verificada antes de comparar períodos. Meses incompletos e datas ausentes podem produzir quedas artificiais que pertencem ao processo de coleta, não ao fenômeno estudado.

O gráfico descreve a cobertura do conjunto, não necessariamente toda a produção cinematográfica mundial.

Condicionamento: contagem, razão e justaposição

annual_genres = (movies.query("1980 <= year <= 2016 and main_genre in ['Drama', 'Comedy']")
                 .groupby(["year", "main_genre"]).size().rename("filmes").reset_index())
wide = annual_genres.pivot(index="year", columns="main_genre", values="filmes").fillna(0)
wide["razao_drama_comedia"] = wide["Drama"] / wide["Comedy"].replace(0, np.nan)
wide.tail()
main_genre Comedy Drama razao_drama_comedia
year
2012.0 46 42 0.913043
2013.0 49 49 1.000000
2014.0 32 55 1.718750
2015.0 25 44 1.760000
2016.0 11 16 1.454545 
fig, axes = plt.subplots(1, 2, figsize=(12, 4))
sns.lineplot(data=annual_genres, x="year", y="filmes", hue="main_genre", ax=axes[0])
axes[1].plot(wide.index, wide["razao_drama_comedia"], color="#b23b3b")
axes[1].axhline(1, color="#737b83", linestyle="--")
axes[0].set_title("Contagens"); axes[1].set_title("Razão Drama / Comédia")
plt.tight_layout(); plt.show()

Contagens medem volume; razões medem composição. São perguntas diferentes, embora usem as mesmas observações.

Condicionamento por espaço e tempo

A amostra Olist permite observar o estado do cliente e o trimestre da compra. Uma linha continua representando um pedido.

olist_2017 = olist[olist["order_purchase_timestamp"].dt.year.eq(2017)].copy()
olist_2017["trimestre"] = "T" + olist_2017["order_purchase_timestamp"].dt.quarter.astype(str)
estado_trimestre = (olist_2017.groupby(["trimestre", "customer_state"])
                    .size().rename("pedidos").reset_index())
estado_trimestre.sort_values("pedidos", ascending=False).head(12)
trimestre customer_state pedidos
103 T4 SP 1423
76 T3 SP 1022
49 T2 SP 736
96 T4 RJ 501
88 T4 MG 430
23 T1 SP 420
69 T3 RJ 322
61 T3 MG 281
42 T2 RJ 278
34 T2 MG 218
100 T4 RS 180
95 T4 PR 179 
g = sns.catplot(data=estado_trimestre.query("customer_state in ['SP','RJ','MG','RS','PR']"),
                x="customer_state", y="pedidos", col="trimestre",
                kind="bar", color="#176b87", sharey=True)
g.set_axis_labels("UF", "pedidos na amostra")
plt.show()

O mapa usado nos slides substitui as barras por posição geográfica, mantendo o mesmo domínio de cores nos quatro trimestres. Assim conseguimos comparar onde e quando os pedidos se concentram. Os contornos dos estados usam uma linha escura e fina: sem essa referência, áreas com valores baixos quase desaparecem sobre o fundo branco. A borda melhora a leitura geográfica, mas não deve competir com a escala de cores que representa os pedidos.

Cor e destaque

best = valid.query("vote_count >= 500").nlargest(10, "profit").sort_values("profit")
colors = ["#b7c4ca"] * 9 + ["#d97727"]
plt.barh(best["original_title"], best["profit"] / 1e9, color=colors)
plt.xlabel("lucro nominal (US$ bilhões)"); plt.show()

plt.scatter(valid["budget"], valid["revenue"],
            c=np.log10(valid["vote_count"].clip(lower=1)),
            cmap="viridis", alpha=.5, s=22)
plt.xscale("log"); plt.yscale("log")
plt.colorbar(label="log10(votos)"); plt.show()

Exercício 3

Troque viridis por uma paleta qualitativa. Por que ela comunica pior uma variável ordenada?

Anotações e contexto

row = valid.loc[valid["profit"].idxmax()]
ax = sns.scatterplot(data=valid, x="budget", y="revenue", alpha=.25, color="#737b83")
ax.scatter(row.budget, row.revenue, color="#d97727", s=80)
ax.annotate(row.original_title, (row.budget, row.revenue), xytext=(8, 8), textcoords="offset points")
ax.set(xscale="log", yscale="log", title="Um destaque ligado à mensagem",
       xlabel="orçamento informado (US$)", ylabel="receita informada (US$)")
plt.show()

Exemplos complementares de comunicação visual

Simplificação precisa preservar contexto

Gráfico de barras acompanhado de título informativo, unidade, tamanho da base e fonte.

Remover grades, bordas e cores desnecessárias reduz ruído. Remover unidade, população, fonte ou filtros elimina informação necessária para interpretar o resultado. Um gráfico simples não é um gráfico sem contexto.

Anotação e identificação direta

Série temporal com seu ponto máximo anotado diretamente.

Comparação entre uma legenda separada e rótulos colocados junto às séries.

Uma anotação deve aproximar evidência e interpretação. Rótulos diretos reduzem o esforço de procurar a cor na legenda e voltar ao gráfico; anotar todos os pontos produziria o efeito contrário.

Formato e sobreposição também mudam a leitura

A mesma série em painéis com razões de aspecto diferentes.

Dispersão opaca comparada à agregação hexbin dos mesmos dados.

A razão de aspecto altera a inclinação aparente sem alterar nenhum dado. Em dispersões densas, pontos opacos encobrem uns aos outros; transparência preserva observações individuais, enquanto hexbin responde melhor à pergunta sobre concentração local.

fig, axes = plt.subplots(1, 2, figsize=(11, 4))
axes[0].scatter(valid["budget"], valid["revenue"], alpha=.15, s=12)
axes[1].hexbin(valid["budget"], valid["revenue"], gridsize=32,
               mincnt=1, bins="log", cmap="Blues",
               xscale="log", yscale="log")
axes[0].set(xscale="log", yscale="log")
for ax in axes:
    ax.set(xlabel="orçamento", ylabel="receita")
plt.tight_layout(); plt.show()

Agregação e acessibilidade

Notas individuais comparadas à mediana anual e ao intervalo central.

Séries distinguidas apenas por cor e depois por cor, traço e rótulo.

Agregar pode reduzir milhares de marcas a uma tendência legível, mas o resumo deve preservar a variação relevante — aqui, mediana e intervalo interquartil aparecem juntos. Para acessibilidade, a categoria não deve depender apenas da percepção de cor: tipo de linha, forma ou rótulo fornecem canais redundantes.

Auditoria de um gráfico

Use a função abaixo como checklist textual antes de publicar.

def auditar_grafico(pergunta, unidade, periodo, filtros, mensagem):
    return pd.Series({
        "pergunta": pergunta,
        "unidade de observação": unidade,
        "período": periodo,
        "filtros": filtros,
        "mensagem verificável": mensagem,
    })

auditar_grafico(
    "Como orçamento e receita se relacionam?",
    "filme",
    "datas presentes na base TMDB 5000",
    "orçamento e receita > US$ 100 mil",
    "A relação positiva aparece melhor em escala log-log",
)
pergunta                           Como orçamento e receita se relacionam?
unidade de observação                                                filme
período                                  datas presentes na base TMDB 5000
filtros                                  orçamento e receita > US$ 100 mil
mensagem verificável     A relação positiva aparece melhor em escala lo...
dtype: object

Desafio final

Escolha uma pergunta sobre gênero, tempo ou finanças. Produza duas versões:

  1. uma versão deliberadamente ruim;
  2. uma versão revisada com comparação, escala, contexto e destaque coerentes.

Escreva três frases justificando cada mudança.

Para guardar

Boas práticas não são uma lista de proibições. Elas derivam da tarefa perceptiva, da pergunta e do compromisso de representar dados com transparência.

Guia teórico consolidado

Escala é parte do argumento

Barras codificam magnitude pelo comprimento desde uma origem comum; por isso, truncar o zero exagera razões. Pontos e linhas podem usar domínios locais quando a pergunta é variação, desde que a escala seja explícita. Dois eixos verticais são particularmente perigosos: domínios e orientação independentes permitem fabricar concordância ou oposição entre curvas.

A escala logarítmica transforma razões em distâncias:

\[\log(ab)=\log(a)+\log(b).\]

Ela é apropriada para fenômenos multiplicativos e caudas longas, mas exige valores positivos, marcas interpretáveis e indicação clara da transformação.

Tempo, comparação e condicionamento

Linhas sugerem continuidade e só devem conectar valores com ordem significativa. Comparações entre painéis pedem domínios comuns. Condicionar por grupo, espaço ou tempo permite enxergar heterogeneidade sem misturar populações distintas. Contagens absolutas e razões respondem perguntas diferentes: volume não é composição.

Cor, destaque e acessibilidade

Paletas qualitativas separam categorias; sequenciais representam magnitude ordenada; divergentes exigem um centro substantivo. Luminância deve acompanhar a ordem. Vermelho e verde não bastam para parte do público; cor precisa ser combinada com posição, forma, rótulo ou contraste.

Destaque cria hierarquia: poucas cores fortes e cinza para contexto geralmente comunicam melhor que uma paleta saturada. Legendas distantes aumentam o esforço; rótulos diretos aproximam evidência e interpretação.

Incerteza e ética

Médias sem distribuição ou incerteza podem sugerir precisão inexistente. Razão de aspecto, filtragem, domínio dos eixos e omissão de grupos alteram a interpretação. Um gráfico correto também declara unidade, período, filtros, fonte, limitações e a mensagem verificável que sustenta.