import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
url = 'https://raw.githubusercontent.com/Gabriellemga/Praticando_Python/refs/heads/main/Praticando_gr%C3%A1ficos_composi%C3%A7%C3%A3o_relacionamentos/dados/atividade_10.csv'
df = pd.read_csv(url)
df.head()
correlacao = df.corr()
plt.figure(figsize=(6, 5))
sns.heatmap(correlacao, annot=True, cmap='crest', fmt='.2f', linewidths=0.5)
plt.title('Matriz de Correlação', fontsize=16)
plt.show()
Bom dia, Márcia! Como está?
Incrível! Continue resolvendo os desafios e compartilhando com a comunidade Alura.
Notei que você utilizou o Seaborn para criar um heatmap, aplicou de forma eficaz o .corr() do pandas para gerar a matriz de correlação e compreendeu a importância do ajuste com linewidths, annot e fmt para tornar a visualização mais clara e precisa.
Um próximo passo interessante seria explorar o mask no heatmap para ocultar a metade superior da matriz (já que é simétrica). Veja o exemplo:
import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt
url = 'https://raw.githubusercontent.com/Gabriellemga/Praticando_Python/refs/heads/main/Praticando_gr%C3%A1ficos_composi%C3%A7%C3%A3o_relacionamentos/dados/atividade_10.csv'
df = pd.read_csv(url)
correlacao = df.corr()
mask = np.triu(correlacao)
plt.figure(figsize=(6, 5))
# Aplicando o mask no heatmap
sns.heatmap(correlacao, mask=mask, annot=True, cmap='crest', fmt='.2f', linewidths=0.5)
plt.title('Matriz de Correlação', fontsize=16)
plt.show()
Resultado:
Isso permite uma visualização mais limpa, que pode ser muito útil para destacar as correlações principais.
Para saber mais:
Sugestão de conteúdo para você mergulhar ainda mais sobre o tema:
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!