Análise Exploratória de Dados com o Gráfico de Boxplot

O que é visualização de dados?

A visualização de dados é a sua exibição visual, através de representações tabulares, gráficas ou por diagramas, como forma de comunicar alguma informação. É um processo que aplica conjuntamente matemática, estatística, artes gráficas e comunicação, portanto é uma das tarefas menos automatizáveis da análise e ciência de dados, sendo dificilmente substituível por máquinas no curto prazo.

Nesse sentido, em tempos de Inteligência Artificial, robôs e Big Data, a visualização de dados é uma habilidade importante para se ter no currículo, principalmente se usada em conjunto com técnicas de data storytelling.

Naturalmente, existem diversas formas de visualizar dados através de gráficos, desde as mais simples até as mais complexas. Exemplos comuns que vemos no nosso cotidiano são os gráficos de barras, linhas, colunas, de pizza, etc., que são simples de entender e podem ser usados para propósitos diferentes. No entanto, quando o objetivo é analisar a distribuição dos dados, o gráfico de boxplot é uma ótima opção. É um tipo de gráfico que é fácil de produzir e interpretar.

Análise de dados possíveis com gráficos de boxplot

Os gráficos de boxplot, também chamado de diagrama de caixa, são ferramentas poderosas para analisar e visualizar dados. Eles são especialmente úteis para analisar a distribuição dos dados. Algumas análises de dados comuns que podem ser feitas usando gráficos de boxplot são:

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.

Essas são apenas algumas das análises que podem ser feitas usando gráficos de boxplot. No entanto, é importante lembrar que a interpretação dos gráficos deve ser feita com base no contexto dos dados e nas perguntas específicas que você deseja responder.

O que é um gráfico de boxplot?

Um gráfico de boxplot, também conhecido como diagrama de caixa ou gráfico de caixa e bigodes, é uma representação visual das principais estatísticas descritivas de um conjunto de dados. Ele exibe informações sobre a distribuição dos dados, incluindo a mediana, os quartis, a amplitude e a presença de valores atípicos.

Um gráfico de boxplot consiste em uma caixa retangular e dois segmentos de linha chamados de “bigodes”. A visualização é composta pelos seguintes elementos:

• 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.

O gráfico de boxplot é uma ferramenta útil para visualizar a distribuição e a variação dos dados, bem como para identificar valores atípicos. Ele fornece uma visão geral, rápida e concisa das estatísticas fundamentais de um conjunto de dados, permitindo comparar várias distribuições lado a lado.

Como gerar gráficos de boxplot?

Em análise e ciência de dados podemos gerar gráficos de boxplot de maneira fácil usando linguagens de programação, como R e Python. A vantagem de usar linguagens de programação para visualizar dados é a possibilidade de customização, flexibilidade para visualizações estáticas ou interativas e a integração com o restante do fluxo de análise ou ciência de dados. Além disso, existem pacotes que possibilitam gerar visualizações com poucos ou um único comando/função, como os famosos ggplot2, matplotlib, plotly, plotnine e outros.

Abaixo mostramos um exemplo de gráfico de boxplot com a variável que mostra a evolução ao longo do tempo pelo termo de pesquisa “Artificial intelligence” na procura do Google, nos países Brasil e Estados Unidos. Os dados são do período de 2004 até 2023, índice de 0 a 100, e a fonte é o Google Trends.