Analisando a distribuição dos tipos de dor cardíaca em pacientes | Praticando gráficos: criando gráficos de comparação

import pandas as pd import matplotlib.pyplot as plt import seaborn as sns url = 'https://raw.githubusercontent.com/alura-cursos/python_dados/refs/heads/main/Dados/pacientes_doenca_cardiaca.csv' df = pd.read_csv(url) df.head() tipo_dor = df.value_counts('Tipo_dor').reset_index() tipo_dor = tipo_dor.rename(columns = {'count':'Quantidade de Pacientes'}) tipo_dor fig, ax = plt.subplots(figsize = (6,4)) ax = sns.barplot(data = tipo_dor, x = 'Quantidade de Pacientes', y = 'Tipo_dor', hue = 'Tipo_dor', palette = 'rocket_r') ax.set_title('Análise da frequência de tipos de dor cardíaca', loc = 'left', fontsize = 16, pad = 20) ax.set_ylabel('') ax.tick_params(axis = 'both', which = 'both', length = 0) sns.despine() plt.show()

E aí, Márcia! Tudo bem?

Parabéns! Mantenha o ritmo nos exercícios e continue compartilhando na nossa comunidade.

Percebi que você praticou o uso do value_counts() para fazer contagens rápidas, aplicou muito bem o sns.barplot para criar um gráfico de barras e ainda entendeu a relevância de renomear colunas para tornar os dados mais legíveis na visualização.

Uma sugestão para evoluir ainda mais é usar ax.bar_label() com o objetivo de adicionar os valores diretamente nas barras. Veja só:

for container in ax.containers:
    ax.bar_label(container, fmt='%d')

Resultado: Cada barra do gráfico exibirá o número de pacientes correspondente.

Essa abordagem ajuda a tornar a leitura dos dados mais direta e visualmente clara.

Para saber mais:

Sugestão de conteúdo para você mergulhar ainda mais sobre o tema:

[Documentação] - seaborn.barplot

Alguns materiais estão em inglês, mas é possível compreendê-los usando o recurso de tradução de páginas do próprio navegador.

Fico à disposição! E se precisar, conte sempre com o apoio do fórum.

Abraço e bons estudos!

Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!