Análise Exploratória de Dados com o Gráfico de Boxplot

Entender a origem dos dados e suas principais características é fundamental para produzir análises ou previsões úteis na ciência de dados. As estatísticas descritivas ajudam muito nesse sentido e sumarizam informações relevantes sobre as variáveis, mas às vezes isso não é suficiente. Para obter uma visão geral dos dados é importante explorar também os métodos de visualização.

O que é visualização de dados?

Análise de dados possíveis com gráficos de boxplot

1. Identificação de medidas de tendência central: o boxplot exibe a mediana da distribuição, que é uma medida de tendência central. Você pode usar o gráfico para identificar rapidamente a mediana e ter uma ideia da localização central dos dados.
2. Avaliação da dispersão dos dados: o comprimento da caixa no gráfico de boxplot representa a dispersão dos dados. Quanto maior a caixa, maior é a variabilidade nos dados. Você pode comparar os comprimentos das caixas em diferentes grupos ou categorias para avaliar a dispersão relativa dos dados.
3. Detecção de assimetria: os boxplots podem ajudar a identificar assimetria na distribuição dos dados. Se a mediana não estiver no centro da caixa, isso pode indicar uma assimetria positiva (cauda direita) ou negativa (cauda esquerda) nos dados. Essa assimetria pode sugerir tendências e padrões relevantes para sua análise. Além disso, se um "bigode" (segmento de linha que se estende a partir da caixa) for significativamente mais longo em uma direção do que na outra, isso também pode indicar assimetria.
4. Identificação de valores atípicos: os boxplots mostram pontos que estão além dos "bigodes" do gráfico. Esses pontos são chamados de valores atípicos ou outliers. Ao analisar o gráfico de boxplot, você pode identificar facilmente se há valores atípicos e determinar sua magnitude.
5. Comparação entre grupos ou categorias: os gráficos de boxplot permitem comparar várias distribuições lado a lado. Você pode visualizar as diferenças nas medianas, dispersões e presença de valores atípicos entre diferentes grupos ou categorias.

O que é um gráfico de boxplot?

• Caixa: a caixa é desenhada de forma a incluir o intervalo interquartil (IQR), que representa a variação dos dados no meio do conjunto. O IQR é a diferença entre o terceiro quartil (Q3) e o primeiro quartil (Q1). A mediana (valor central da distribuição) é representada por uma linha dentro da caixa.
• Bigodes: os bigodes se estendem a partir da caixa e mostram a extensão dos dados. O comprimento dos bigodes é calculado com base na amplitude dos dados, excluindo os valores atípicos. O ponto em cada bigode é chamado de "whisker", indicando o limite inferior e superior dos dados.
• Valores atípicos: valores que estão além dos bigodes são representados como pontos individuais e são considerados valores atípicos. Esses pontos podem indicar observações que estão significativamente distantes da maioria dos dados.

Como gerar gráficos de boxplot?

R

# Carregar pacotes
library(gtrendsR)  # acesso aos dados do Google Trends
library(ggplot2)   # gramática de gráficos
library(dplyr)     # manipulação de dados

# Coleta, um país por vez, com nova tentativa se o Trends bloquear
coletar_interesse <- function(pais, tentativas = 4) {
  for (i in seq_len(tentativas)) {
    resposta <- try(
      gtrendsR::gtrends(
        keyword      = "Artificial intelligence",  # o termo pesquisado
        geo          = pais,                       # o país da consulta
        time         = "all",                      # toda a série, desde 2004
        onlyInterest = TRUE                        # só o interesse ao longo do tempo
      ),
      silent = TRUE
    )
    if (!inherits(resposta, "try-error")) {
      return(resposta$interest_over_time)
    }
    Sys.sleep(20)                                  # aguarda antes de tentar de novo
  }
  stop("Google Trends recusou a consulta para ", pais)
}

interesse_br <- coletar_interesse("BR")   # série do Brasil
Sys.sleep(15)                             # pausa entre os dois países
interesse_us <- coletar_interesse("US")   # série dos Estados Unidos

tabela <- dplyr::bind_rows(interesse_br, interesse_us)

# A coluna hits vem como texto quando o Google marca valores menores que 1
tabela <- tabela |>
  dplyr::mutate(
    hits = as.numeric(hits),                                  # índice de 0 a 100
    pais = dplyr::recode(geo, "BR" = "Brasil", "US" = "EUA")  # rótulo do eixo
  )

# Gráfico de boxplot
tabela |>
  ggplot2::ggplot() +
  ggplot2::aes(x = hits, y = pais) +
  ggplot2::geom_boxplot() +
  ggplot2::labs(
    title    = "Gráfico de Boxplot",
    subtitle = 'Interesse ao longo do tempo pelo termo "Artificial intelligence" nas pesquisas\n do Google',
    y        = "País",
    x        = "Índice Google Trends (0 a 100)",
    caption  = "Dados: Google Trends | Elaboração: Análise Macro"
  )

Python

# Importar bibliotecas
from pytrends.request import TrendReq   # acesso aos dados do Google Trends
import pandas as pd                     # manipulação de dados
import plotnine as p9                   # gramática de gráficos
import time                             # pausa entre as requisições

# Coleta, um país por vez, com nova tentativa se o Trends bloquear
def coletar_interesse(pais, tentativas=4):
    requisicao = TrendReq()
    for _ in range(tentativas):
        try:
            requisicao.build_payload(
                kw_list=["Artificial intelligence"],   # o termo pesquisado
                geo=pais,                              # o país da consulta
                timeframe="all"                        # toda a série, desde 2004
            )
            tabela = requisicao.interest_over_time()
            if not tabela.empty:
                return tabela.assign(geo=pais).reset_index()
        except Exception:
            pass
        time.sleep(20)                                 # aguarda antes de tentar de novo
    raise RuntimeError(f"Google Trends recusou a consulta para {pais}")

interesse_br = coletar_interesse("BR")   # série do Brasil
time.sleep(15)                           # pausa entre os dois países
interesse_us = coletar_interesse("US")   # série dos Estados Unidos

tabela = pd.concat([interesse_br, interesse_us])

# Nome curto para o índice e rótulo do país no lugar da sigla
tabela = (
    tabela
    .rename(columns={"Artificial intelligence": "hits"})
    .assign(pais=lambda d: d["geo"].map({"BR": "Brasil", "US": "EUA"}))
)

# Gráfico de boxplot
grafico = (
    p9.ggplot(tabela)
    + p9.aes(x="hits", y="pais")
    + p9.geom_boxplot()
    + p9.labs(
        title="Gráfico de Boxplot",
        subtitle='Interesse ao longo do tempo pelo termo "Artificial intelligence"\nnas pesquisas do Google',
        y="País",
        x="Índice Google Trends (0 a 100)",
        caption="Dados: Google Trends | Elaboração: Análise Macro",
    )
)

print(grafico)

O que as duas caixas mostram

Quando o boxplot não basta

Conclusão

Referências

Wikipedia contributors. (2023, June 4). Box plot. In Wikipedia, The Free Encyclopedia. Retrieved 16:48, June 6, 2023, from https://en.wikipedia.org/w/index.php?title=Box_plot&oldid=1158421606