Gráficos de dispersão e gráficos de pares

Os gráficos de distribuição mostram uma variável por vez. Quando você quer compreender a relação entre duas variáveis numéricas, precisa de gráficos de dispersão e visualizações relacionadas. Eles ajudam a identificar correlação (as duas variáveis aumentam juntas?), aglomerados (há subgrupos nos dados?) e valores atípicos (há pontos incomuns distantes da nuvem principal?). O Seaborn facilita tudo isso com scatterplot e pairplot.

sns.scatterplot(data, x, y) representa cada observação como um ponto em suas coordenadas (x, y). Diferentemente de plt.scatter do Matplotlib, a versão do Seaborn se vincula automaticamente a um DataFrame e integra-se às semânticas hue, size e style. O resultado são gráficos informativos com várias variáveis usando uma única chamada de função e uma legenda automática.

O parâmetro hue atribui uma cor a cada ponto com base em uma terceira variável, que pode ser categórica ou numérica. Quando hue é uma coluna categórica, como 'smoker', o Seaborn usa cores distintas. Quando hue é uma coluna numérica, ele usa um mapa de cores sequencial. Isso permite visualizar três variáveis simultaneamente em um gráfico 2D sem adicionar um terceiro eixo.

Além de hue, os gráficos de dispersão do Seaborn aceitam size (a área do ponto codifica uma variável numérica) e style (o formato do marcador codifica uma variável categórica). Usar as três semânticas simultaneamente pode revelar padrões complexos com várias variáveis, mas também pode sobrecarregar o leitor. Uma orientação prática é usar primeiro hue (o mais evidente), depois style e, por último, size, apenas quando necessário.

sns.regplot() desenha um gráfico de dispersão e sobrepõe uma linha de regressão linear com uma faixa de confiança de 95% sombreada. Isso é útil para visualizar a intensidade e a direção da relação linear entre duas variáveis. A faixa de confiança se estreita nas regiões com muitos dados e se amplia nas extremidades, onde menos pontos contribuem para o ajuste.

sns.lmplot() é a versão no nível da figura de regplot. Ele aceita hue (linhas de regressão separadas por grupo no mesmo painel) e col/row (painéis separados). Isso é útil para testar se a relação entre duas variáveis difere entre subgrupos — por exemplo, se a relação entre conta e gorjeta é mais inclinada no jantar do que no almoço.

sns.pairplot(df) cria uma grade de gráficos de dispersão para cada par de colunas numéricas do DataFrame, com gráficos de distribuição na diagonal. Essa é a maneira mais rápida de visualizar, em uma única chamada, todas as relações entre pares de variáveis em um conjunto de dados. Para um DataFrame com n colunas numéricas, pairplot cria uma grade n×n. Ele é mais prático quando n está entre 3 e 8 — grades maiores ficam pequenas demais para serem lidas.

O parâmetro diag_kind controla o que aparece na diagonal da grade de pairplot. Use 'hist' para histogramas ou 'kde' para estimativas de densidade por núcleo. A diagonal mostra a distribuição univariada de cada variável, enquanto os painéis fora da diagonal mostram gráficos de dispersão entre pares. Você também pode usar corner=True para mostrar apenas o triângulo inferior, reduzindo pela metade o número de painéis e diminuindo a redundância.

sns.PairGrid oferece controle total sobre o tipo de gráfico exibido em cada seção da matriz. Use g.map_upper(), g.map_lower() e g.map_diag() para atribuir funções diferentes, como regplot no triângulo superior e kdeplot no inferior. Isso produz gráficos com qualidade de publicação, nos quais cada painel transmite informações distintas sobre o par de variáveis.

Ao ler um gráfico de dispersão, estime a direção (a nuvem sobe ou desce?), a força (quão próximos da tendência estão os pontos?) e a forma (linear ou curva?) da relação. O coeficiente de correlação r varia de -1 (negativa perfeita) a +1 (positiva perfeita), sendo 0 indicativo de ausência de relação linear. Lembre-se: correlação não implica causalidade, e uma relação não linear pode ter r ≈ 0.

sns.jointplot() combina um gráfico bivariado central com gráficos univariados marginais nas bordas superior e direita. Passe kind='scatter', 'hex', 'kde' ou 'reg'. O tipo hex é útil quando há milhares de pontos sobrepostos — ele os agrupa em hexágonos e usa cores para mostrar a densidade, resolvendo o problema de sobreposição que torna os gráficos de dispersão ilegíveis em grandes conjuntos de dados.

Nesta lição, você aprendeu que sns.scatterplot codifica até quatro variáveis usando x, y, hue, size e style; sns.regplot/lmplot sobrepõe uma linha de regressão para quantificar relações lineares; e sns.pairplot produz uma grade com todos os pares, ideal para a análise exploratória de conjuntos de dados multivariados. A seguir, exploraremos mapas de calor para visualizar matrizes de correlação.