Importante

Você está vendo a versão anterior da nova experiência da Alura que estamos preparando para você. Em breve, ela ganha uma identidade visual novinha totalmente pensada em potencializar seus estudos!

1
resposta

DASHBOARD: LIÇÃO DE CASA

ENUNCIADO:
Sua tarefa será escolher uma feature adicional do dataset de doença cardíaca e criar um novo gráfico para ela. Pode ser qualquer tipo de gráfico que você achar mais adequado para a visualização dos dados dessa feature específica.

from ucimlrepo import fetch_ucirepo
import plotly.express as px
from dash import Dash, dcc, html

heart_disease = fetch_ucirepo(id=45)
dados = heart_disease.data.features
dados['doenca'] = (heart_disease.data.targets > 0) * 1

histograma de idade

figura_histograma = px.histogram(dados, x='age', title='Histograma de idades')
div_do_histograma = html.Div([
html.H2('Histograma de IDADES'),
dcc.Graph(figure=figura_histograma)
])

boxplot de idade por presença de doença

figura_boxplot = px.box(dados, y='age', x='doenca', color='doenca', title='Boxplot de IDADES por presença de DOENÇA')
div_do_boxplot = html.Div([
html.H2('Boxplot de IDADES por presença de doença'),
dcc.Graph(figure=figura_boxplot)
])

plot de linha para colesterol por idade

figura_bar = px.bar(dados, x='age', y='chol', title='Colesterol por idade')
div_do_bar = html.Div([
html.H2('Colesterol por idade'),
dcc.Graph(figure=figura_bar)
])

app = Dash(name)

Layout

app.layout = html.Div([
html.H1('Análise de Dados do UCI Respository Heart Disease'),
div_do_histograma,
div_do_boxplot,
div_do_bar
])

app.run(debug=True)

1 resposta

Olá, Roberta! Como vai?

Parabéns pela resolução da atividade!

Vi que você explorou o dataset de doença cardíaca para criar visualizações com Python, utilizou muito bem o Plotly Express para gerar gráficos interativos e ainda compreendeu a importância da integração com Dash para estruturar um painel analítico completo.

Continue postando as suas soluções, com certeza isso ajudará outros estudantes e tem grande relevância para o fórum.

Uma dica interessante para o futuro é aplicar facet plots para comparar múltiplas variáveis em um único gráfico. Assim:

figura_facet = px.scatter(dados, x="age", y="chol", color="doenca", facet_col="sex")
figura_facet.show()

Isso faz a análise ficar mais segmentada e clara.

Se quiser aprofundar ainda mais, algumas boas práticas são:

  • Dash Layout: organizar os componentes em colunas e linhas para melhorar a experiência visual.
  • Plotly Express: explorar diferentes tipos de gráficos como scatter, violin e density heatmaps.
  • Interatividade: adicionar filtros com dcc.Dropdown para permitir análises dinâmicas.

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

Ah, uma pergunta: Você acha que criar gráficos adicionais em Dash ajuda mais na clareza das análises para estudos acadêmicos ou na aplicabilidade prática em projetos de mercado?

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

Abraço e bons estudos!

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