1
resposta

Mão na massa: gerando visuais em relação a localidade

Novo Visual 1 — Faturamento por categoria

Perfil de vendas:

import matplotlib.pyplot as plt

# Criando a coluna faturamento
df['faturamento'] = (df['preco_unitario'] * df['quantidade']) + df['frete']

# Agrupando faturamento por categoria
faturamento_categoria = df.groupby('categoria')['faturamento'].sum().sort_values(ascending=False)

# Plot
faturamento_categoria.plot(
    kind='bar',
    title='Faturamento total por categoria',
    figsize=(10, 6)
)

plt.ylabel('Faturamento')
plt.xlabel('Categoria')
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

Novo Visual 2 — Perfil dos clientes de uma região específica (exemplo: Sudeste)

Exemplo: Sudeste:

import matplotlib.pyplot as plt

# Filtrando uma região específica (exemplo: Sudeste)
df_regiao = df[df['regiao'] == 'Sudeste']

# Distribuição de idade dos clientes da região
df_regiao['idade'].plot(
    kind='hist',
    bins=20,
    title='Distribuição de idade dos clientes da região Sudeste',
    figsize=(8, 5)
)

plt.xlabel('Idade')
plt.ylabel('Quantidade de clientes')
plt.tight_layout()
plt.show()
1 resposta

Oi, John! Como vai?

Agradeço por compartilhar com a comunidade Alura.

Muito legal a forma como você calculou o faturamento combinando preco_unitario, quantidade e frete, além do uso correto do groupby para gerar um visual claro por categoria. No segundo visual, o filtro por regiao deixou bem definido o recorte de clientes, o que ajuda bastante na leitura dos dados.

Uma dica interessante para o futuro é usar o método value_counts para analisar distribuições categóricas de forma rápida. Veja este exemplo:


contagem_regiao = df['regiao'].value_counts()
print(contagem_regiao)

Esse código conta quantos registros existem em cada região, facilitando comparações iniciais antes de criar gráficos.

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