Suporte upstream incluído

Arquivos de suporte estão incluídos em caminhos relativos à skill. Veja UPSTREAM-NOTICE.md para suas fontes fixadas, licenças, hashes e alterações de importação.

Matplotlib

Visão Geral

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

Quando Usar Esta Skill

Esta skill deve ser usada quando:

• Criar qualquer tipo de gráfico ou diagrama (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 com vários painéis e 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 Principais

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 real de plotagem onde os dados são exibidos (uma Figure pode conter vários Axes)
3. Artist - Tudo o que é visível na figura (linhas, texto, ticks, etc.)
4. Axis - Os objetos de 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 o 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()

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

Fluxos de Trabalho Comuns

1. Criação Básica de Gráficos

Fluxo de trabalho 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 subplots:

# 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)

…