Matplotlib

Matplotlib

Visão Geral

Matplotlib é a biblioteca de visualização fundamental do Python para criar gráficos estáticos, animados e interativos. Esta habilidade fornece orientação sobre o uso eficaz do matplotlib, abrangendo tanto a interface pyplot (estilo MATLAB) quanto a API orientada a objetos (Figure/Axes), juntamente com melhores práticas para criar visualizações com qualidade de publicação.

Quando Usar Esta Habilidade

Esta habilidade deve ser usada quando:

• Criar qualquer tipo de gráfico ou chart (linha, dispersão, barra, histograma, mapa de calor, contorno, etc.)
• Gerar visualizações científicas ou estatísticas
• Personalizar a aparência do gráfico (cores, estilos, rótulos, legendas)
• Criar figuras multi-painel com subplots
• Exportar visualizações para vários formatos (PNG, PDF, SVG, etc.)
• Construir gráficos interativos ou animações
• Trabalhar com visualizações 3D
• Integrar gráficos em notebooks Jupyter ou aplicações GUI

Conceitos Fundamentais

A Hierarquia do Matplotlib

Matplotlib usa uma estrutura hierárquica de objetos:

1. Figure - O contêiner de nível superior para todos os elementos do gráfico
2. Axes - A área de plotagem real onde os dados são exibidos (uma Figure pode conter múltiplos Axes)
3. Artist - Tudo visível na figura (linhas, texto, ticks, etc.)
4. Axis - Os objetos da linha numérica (eixo x, eixo y) que lidam com ticks e rótulos

Duas Interfaces

1. Interface pyplot (Implícita, estilo MATLAB)

import matplotlib.pyplot as plt

plt.plot([1, 2, 3, 4])
plt.ylabel('some numbers')
plt.show()

• Conveniente para gráficos rápidos e simples
• Mantém estado automaticamente
• Bom para trabalho interativo e scripts simples

2. Interface Orientada a Objetos (Explícita)

import matplotlib.pyplot as plt

fig, ax = plt.subplots()
ax.plot([1, 2, 3, 4])
ax.set_ylabel('some numbers')
plt.show()

• Recomendado para a maioria dos casos de uso
• Controle mais explícito sobre figura e axes
• Melhor para figuras complexas com múltiplos subplots
• Mais fácil de manter e depurar

Workflows Comuns

1. Criação Básica de Gráficos

Workflow de gráfico único:

import matplotlib.pyplot as plt
import numpy as np

# Create figure and axes (OO interface - RECOMMENDED)
fig, ax = plt.subplots(figsize=(10, 6))

# Generate and plot data
x = np.linspace(0, 2*np.pi, 100)
ax.plot(x, np.sin(x), label='sin(x)')
ax.plot(x, np.cos(x), label='cos(x)')

# Customize
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_title('Trigonometric Functions')
ax.legend()
ax.grid(True, alpha=0.3)

# Save and/or display
plt.savefig('plot.png', dpi=300, bbox_inches='tight')
plt.show()

2. Múltiplos Subplots

Criando layouts de subplot:

# Method 1: Regular grid
fig, axes = plt.subplots(2, 2, figsize=(12, 10))
axes[0, 0].plot(x, y1)
axes[0, 1].scatter(x, y2)
axes[1, 0].bar(categories, values)
axes[1, 1].hist(data, bins=30)

# Method 2: Mosaic layout (more flexible)
fig, axes = plt.subplot_mosaic([['left', 'right_top'],
                                 ['left', 'right_bottom']],
                                figsize=(10, 8))
axes['left'].plot(x, y)
axes['right_top'].scatter(x, y)
axes['right_bottom'].hist(data)

# Method 3: GridSpec (maximum control)
from matplotlib.gridspec import GridSpec
fig = plt.figure(figsize=(12, 8))
gs = GridSpec(3, 3, figure=fig)
ax1 = fig.add_subplot(gs[0, :])  # Top row, all columns
ax2 = fig.add_subplot(gs[1:, 0])  # Bottom two rows, first column
ax3 = fig.add_subplot(gs[1:, 1:])  # Bottom two rows, last two columns

3. Tipos de Gráficos e Casos de Uso

Gráficos de linha - Séries temporais, dados contínuos, tendências

ax.plot(x, y, linewidth=2, linestyle='--', marker='o', color='blue')

Gráficos de dispersão - Relações entre variáveis, correlações

ax.scatter(x, y, s=sizes, c=colors, alpha=0.6, cmap='viridis')

Gráficos de barras - Comparações categóricas

ax.bar(categories, values, color='steelblue', edgecolor='black')
# For horizontal bars:
ax.barh(categories, values)

Histogramas - Distribuições

ax.hist(data, bins=30, edgecolor='black', alpha=0.7)

Mapas de calor - Dados de matriz, correlações

im = ax.imshow(matrix, cmap='coolwarm', aspect='auto')
plt.colorbar(im, ax=ax)

Gráficos de contorno - Dados 3D em plano 2D

contour = ax.contour(X, Y, Z, levels=10)
ax.clabel(contour, inline=True, fontsize=8)

Box plots - Distribuições estatísticas

ax.boxplot([data1, data2, data3], labels=['A', 'B', 'C'])

Violin plots - Densidades de distribuição

ax.violinplot([data1, data2, data3], positions=[1, 2, 3])

Para exemplos abrangentes de tipos de gráficos e variações, consulte references/plot_types.md.

4. Estilos e Personalização

Métodos de especificação de cor:

• Cores nomeadas: 'red', 'blue', 'steelblue'
• Códigos hexadecimais: '#FF5733'
• Tuplas RGB: (0.1, 0.2, 0.3)
• Colormaps: cmap='viridis', cmap='plasma', cmap='coolwarm'

Usando stylesheets:

plt.style.use('seaborn-v0_8-darkgrid')  # Apply predefined style
# Available styles: 'ggplot', 'bmh', 'fivethirtyeight', etc.
print(plt.style.available)  # List all available styles

Personalizando com rcParams:

plt.rcParams['font.size'] = 12
plt.rcParams['axes.labelsize'] = 14
plt.rcParams['axes.titlesize'] = 16
plt.rcParams['xtick.labelsize'] = 10
plt.rcParams['ytick.labelsize'] = 10
plt.rcParams['legend.fontsize'] = 12
plt.rcParams['figure.titlesize'] = 18

Texto e anotações:

ax.text(x, y, 'annotation', fontsize=12, ha='center')
ax.annotate('important point', xy=(x, y), xytext=(x+1, y+1),
            arrowprops=dict(arrowstyle='->', color='red'))

Para opções detalhadas de estilo e diretrizes de colormap, consulte references/styling_guide.md.

5. Salvando Figuras

Exportando para vários formatos:

# High-resolution PNG for presentations/papers
plt.savefig('figure.png', dpi=300, bbox_inches='tight', facecolor='white')

# Vector format for publications (scalable)
plt.savefig('figure.pdf', bbox_inches='tight')
plt.savefig('figure.svg', bbox_inches='tight')

# Transparent background
plt.savefig('figure.png', dpi=300, bbox_inches='tight', transparent=True)

Parâmetros importantes:

• dpi: Resolução (300 para publicações, 150 para web, 72 para tela)
• bbox_inches='tight': Remove espaço em branco excessivo
• facecolor='white': Garante fundo branco (útil para temas transparentes)
• transparent=True: Fundo transparente

6. Trabalhando com Gráficos 3D

from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')

# Surface plot
ax.plot_surface(X, Y, Z, cmap='viridis')

# 3D scatter
ax.scatter(x, y, z, c=colors, marker='o')

# 3D line plot
ax.plot(x, y, z, linewidth=2)

# Labels
ax.set_xlabel('X Label')
ax.set_ylabel('Y Label')
ax.set_zlabel('Z Label')

Melhores Práticas

1. Seleção de Interface

• Use a interface orientada a objetos (fig, ax = plt.subplots()) para código de produção
• Reserve a interface pyplot apenas para exploração interativa rápida
• Sempre crie figuras explicitamente em vez de confiar no estado implícito

2. Tamanho da Figura e DPI

• Defina figsize na criação: fig, ax = plt.subplots(figsize=(10, 6))
• Use DPI apropriado para meio de saída:
  • Tela/notebook: 72-100 dpi
  • Web: 150 dpi
  • Impressão/publicações: 300 dpi

3. Gerenciamento de Layout

• Use constrained_layout=True ou tight_layout() para evitar sobreposição de elementos
• fig, ax = plt.subplots(constrained_layout=True) é recomendado para espaçamento automático

4. Seleção de Colormap

• Sequencial (viridis, plasma, inferno): Dados ordenados com progressão consistente
• Divergente (coolwarm, RdBu): Dados com ponto central significativo (ex: zero)
• Qualitativo (tab10, Set3): Dados categóricos/nominais
• Evite colormaps arco-íris (jet) - eles não são perceptualmente uniformes

5. Acessibilidade

• Use colormaps amigos de daltônicos (viridis, cividis)
• Adicione padrões/hachuras para gráficos de barras além de cores
• Garanta contraste suficiente entre elementos
• Inclua rótulos e legendas descritivas

6. Desempenho

• Para grandes conjuntos de dados, use rasterized=True em chamadas de plot para reduzir tamanho de arquivo
• Use redução apropriada de dados antes de plotar (ex: redimensionar série temporal densa)
• Para animações, use blitting para melhor desempenho

7. Organização de Código

# Good practice: Clear structure
def create_analysis_plot(data, title):
    """Create standardized analysis plot."""
    fig, ax = plt.subplots(figsize=(10, 6), constrained_layout=True)

    # Plot data
    ax.plot(data['x'], data['y'], linewidth=2)

    # Customize
    ax.set_xlabel('X Axis Label', fontsize=12)
    ax.set_ylabel('Y Axis Label', fontsize=12)
    ax.set_title(title, fontsize=14, fontweight='bold')
    ax.grid(True, alpha=0.3)

    return fig, ax

# Use the function
fig, ax = create_analysis_plot(my_data, 'My Analysis')
plt.savefig('analysis.png', dpi=300, bbox_inches='tight')

Scripts de Referência Rápida

Esta habilidade inclui scripts auxiliares no diretório scripts/:

plot_template.py

Script de template demonstrando vários tipos de plot com melhores práticas. Use isto como ponto de partida para criar novas visualizações.

Uso:

python scripts/plot_template.py

style_configurator.py

Utilitário interativo para configurar preferências de estilo do matplotlib e gerar stylesheets customizados.

Uso:

python scripts/style_configurator.py

Referências Detalhadas

Para informações abrangentes, consulte os documentos de referência:

• references/plot_types.md - Catálogo completo de tipos de plot com exemplos de código e casos de uso
• references/styling_guide.md - Opções detalhadas de estilo, colormaps e personalização
• references/api_reference.md - Referência de classes e métodos principais
• references/common_issues.md - Guia de solução de problemas para problemas comuns

Integração com Outras Ferramentas

Matplotlib se integra bem com:

• NumPy/Pandas - Plot direto de arrays e DataFrames
• Seaborn - Visualizações estatísticas de alto nível construídas sobre matplotlib
• Jupyter - Plotting interativo com %matplotlib inline ou %matplotlib widget
• Frameworks GUI - Embedding em aplicações Tkinter, Qt, wxPython

Pegadinhas Comuns

1. Elementos sobrepostos: Use constrained_layout=True ou tight_layout()
2. Confusão de estado: Use interface OO para evitar problemas com máquina de estado pyplot
3. Problemas de memória com muitas figuras: Feche figuras explicitamente com plt.close(fig)
4. Avisos de fonte: Instale fontes ou suprima avisos com plt.rcParams['font.sans-serif']
5. Confusão de DPI: Lembre-se que figsize está em polegadas, não pixels: pixels = dpi * inches

Recursos Adicionais

• Documentação oficial: https://matplotlib.org/
• Galeria: https://matplotlib.org/stable/gallery/index.html
• Cheatsheets: https://matplotlib.org/cheatsheets/
• Tutoriais: https://matplotlib.org/stable/tutorials/index.html