Esta seção corresponde a Bar Charts, do capítulo 3 de Grus (2019).
Um gráfico de barras é a boa escolha quando se quer mostrar como alguma quantidade varia entre um conjunto discreto de itens.
Por exemplo, quantos Oscars cada um destes filmes ganhou:
from matplotlib import pyplot as plt
movies = ["Annie Hall", "Ben-Hur", "Casablanca", "Gandhi", "West Side Story"]
num_oscars = [5, 11, 3, 8, 10]
plt.bar(range(len(movies)), num_oscars)
plt.title("Meus filmes favoritos")
plt.ylabel("# de Oscars")
# rotula o eixo x com os nomes dos filmes, no centro de cada barra
plt.xticks(range(len(movies)), movies, rotation=20)
plt.tight_layout()
plt.show()
A chamada plt.bar(x, altura) desenha barras de largura padrão, centradas nas coordenadas x. Como os nomes dos filmes não são números, usamos range(len(movies)) para posicioná-las e depois plt.xticks para trocar os números pelos nomes.
Um gráfico de barras também serve para desenhar histogramas de valores numéricos agrupados em faixas, para ver como os valores se distribuem:
from collections import Counter
grades = [83, 95, 91, 87, 70, 0, 85, 82, 100, 67, 73, 77, 0]
# agrupa as notas por decil, colocando o 100 junto com os 90
histogram = Counter(min(grade // 10 * 10, 90) for grade in grades)
plt.bar([x + 5 for x in histogram.keys()], # desloca a barra 5 para a direita
histogram.values(), # dá a cada barra a altura correta
10, # e largura 10
edgecolor=(0, 0, 0)) # com borda preta
plt.axis([-5, 105, 0, 5]) # eixo x de -5 a 105,
# eixo y de 0 a 5
plt.xticks([10 * i for i in range(11)]) # rótulos de 0, 10, ..., 100
plt.xlabel("Decil")
plt.ylabel("# de alunos")
plt.title("Distribuição das notas da Prova 1")
plt.show()
A expressão min(grade // 10 * 10, 90) merece um segundo de atenção.
grade // 10 * 10 arredonda para baixo até o múltiplo de 10 — a nota 87 vira 80. O min(..., 90) existe porque a nota 100 viraria um decil próprio, com uma barra sozinha na ponta; ele a joga na faixa dos 90.
É uma decisão de apresentação, não de cálculo. E é o tipo de decisão que muda o gráfico sem mudar o dado — vale saber que ela foi tomada.
O terceiro argumento de plt.bar é a largura das barras. Como as faixas têm 10 de largura e queremos que elas se toquem, usamos largura 10 e deslocamos cada barra 5 unidades para a direita, para que fique centrada na faixa.
Aqui está a parte que interessa.
Usar plt.axis sem critério é péssima ideia quando se constrói um gráfico para alguém ler, porque é fácil enganar. Veja:
mentions = [500, 505]
years = [2017, 2018]
plt.bar(years, mentions, 0.8)
plt.xticks(years)
plt.ylabel("# de vezes que ouvi alguém dizer 'ciência de dados'")
# se você não fizer isto, o matplotlib rotula o eixo x como 0, 1
# e acrescenta um "+2.013e3" no canto — feio, e nosso
plt.ticklabel_format(useOffset=False)
# o eixo y enganoso mostra apenas a parte de cima
plt.axis([2016.5, 2018.5, 499, 506])
plt.title("Olhe o aumento GIGANTE!")
plt.show()
Impressionante, não? Agora o mesmo dado, com o eixo começando em zero:
plt.bar(years, mentions, 0.8)
plt.xticks(years)
plt.ylabel("# de vezes que ouvi alguém dizer 'ciência de dados'")
plt.ticklabel_format(useOffset=False)
plt.axis([2016.5, 2018.5, 0, 550])
plt.title("Não tão gigante assim")
plt.show()
Repare no que aconteceu. As barras são as mesmas, os dados são os mesmos, os rótulos são os mesmos, e não há uma única informação falsa em nenhum dos dois.
O que mudou foi onde o eixo vertical começa. No primeiro, 500 e 505 viram uma barra pequena e uma enorme — um crescimento aparente de várias vezes. No segundo, elas são praticamente indistinguíveis, que é o que 1% de diferença de fato é.
Essa é a distorção mais comum em gráfico publicado, e ela é difícil de acusar porque tecnicamente não há mentira alguma. A defesa é olhar sempre onde o eixo começa, antes de olhar o formato das barras.
A regra prática: num gráfico de barras, o eixo vertical deve começar em zero.
A barra comunica magnitude pelo comprimento, e um comprimento só é comparável se todos partirem da mesma origem. Truncar o eixo quebra a relação entre o que se vê e o que se mede.
Em gráficos de linha a regra é mais frouxa — ali o que comunica é a inclinação, não o comprimento —, mas a honestidade continua exigindo que a escala seja declarada.