Question 1

Qual é a principal diferença entre a interface pyplot e a interface orientada a objetos do Matplotlib?

Accepted Answer

A interface pyplot (plt.plot, plt.title) é uma API estilo MATLAB que gerencia implicitamente as figuras e eixos atuais, conveniente para gráficos simples e rápidos. A interface orientada a objetos (fig, ax = plt.subplots()) dá controle explícito sobre cada elemento (Figure, Axes) e é recomendada para gráficos complexos, múltiplos subplots ou scripts de produção, pois torna o código mais legível e fácil de manter.

Question 2

Qual método usar para criar uma figure com uma grade de 2 linhas e 3 colunas de subplots?

Accepted Answer

A função plt.subplots(2, 3) cria uma figure contendo uma grade de 2 linhas e 3 colunas de subplots. Retorna uma tupla (fig, axes) onde axes é um array NumPy 2D de forma (2, 3) permitindo acessar cada subplot via axes[row, col]. Esta abordagem é a forma mais concisa e idiomática de criar grades regulares de subplots no Matplotlib.

Question 3

Como exibir um heatmap de correlação de um DataFrame Pandas com Seaborn?

Accepted Answer

Para exibir um heatmap de correlação, primeiro calcule a matriz de correlação com df.corr(), depois passe o resultado para sns.heatmap(). A opção annot=True exibe os valores de correlação em cada célula, facilitando a leitura. Esta combinação é o padrão padrão para visualizar correlações entre variáveis numéricas na análise exploratória de dados.

Visualização com Matplotlib & Seaborn

Qual é a principal diferença entre a interface pyplot e a interface orientada a objetos do Matplotlib?

Resposta

Qual método usar para criar uma figure com uma grade de 2 linhas e 3 colunas de subplots?

Resposta

Como exibir um heatmap de correlação de um DataFrame Pandas com Seaborn?

Resposta

Qual é o papel do parâmetro 'bins' em plt.hist()?

Como compartilhar o eixo Y entre múltiplos subplots na mesma linha?

Outros temas de entrevista Data Science & ML

Fundamentos de Python

Programação Orientada a Objetos em Python

Estruturas de dados em Python

Fundamentos do Git

Fundamentos de SQL

Fundamentos de NumPy

Fundamentos de Pandas

Jupyter & Google Colab

SQL Joins e consultas avançadas

Pandas avançado

Visualizações interativas com Plotly

Estatística descritiva

Estatística inferencial

Web Scraping

BigQuery & Cloud Data

Feature Engineering

ML Supervisionado: Regressão

ML Supervisionado: Classificação

Árvores de Decisão e Ensembles

ML Não Supervisionado

Pipelines ML e Validação

Séries Temporais e Previsão

Fundamentos de Deep Learning

TensorFlow & Keras

CNN e classificação de imagens

RNN e Sequências

Transformers e Attention

NLP e Hugging Face

GenAI e LangChain

MLOps e Implantação

Domine Data Science & ML para sua proxima entrevista