Aprenda Melhores Práticas para Visualizações Claras e Acessíveis

Ao criar visualizações de dados, o objetivo é comunicar informações de forma clara e eficaz. Para isso, é necessário considerar algumas práticas recomendadas que promovem tanto a clareza quanto a acessibilidade. Princípios fundamentais incluem garantir forte contraste de cores para que os gráficos sejam legíveis por todos, inclusive por pessoas com deficiência de visão de cores; utilizar títulos descritivos, rótulos de eixos e legendas para que os espectadores compreendam o que cada elemento representa; e minimizar a poluição visual evitando linhas de grade desnecessárias, excesso de texto ou elementos sobrepostos. A rotulagem consistente e o uso de paletas de cores acessíveis tornam os gráficos visualmente atraentes e fáceis de interpretar para todos os públicos.


              1234567891011121314151617181920212223242526272829303132333435363738394041424344
            
import plotly.express as px
import pandas as pd
from IPython.display import display, HTML

# Sample data
data = {
    "Category": ["A", "B", "C", "D"],
    "Value": [120, 90, 60, 30]
}
df = pd.DataFrame(data)

# Use a colorblind-friendly palette
color_sequence = px.colors.qualitative.Safe

fig = px.bar(
    df,
    x="Category",
    y="Value",
    color="Category",
    color_discrete_sequence=color_sequence,
    title="Well-Labeled and Colorblind-Friendly Bar Chart",
    labels={
        "Category": "Group Category",
        "Value": "Measured Value"
    }
)

# Add clear annotations
fig.update_traces(
    text=df["Value"],
    textposition="outside"
)

# Adjust layout for clarity
fig.update_layout(
    xaxis_title="Group Category",
    yaxis_title="Measured Value",
    legend_title="Category",
    font=dict(size=14),
    plot_bgcolor="white"
)

html = fig.to_html(full_html=False, include_plotlyjs="cdn")
display(HTML(html))

O gráfico acima demonstra diversos recursos de acessibilidade. A paleta de cores foi escolhida a partir da sequência Safe do Plotly, projetada para ser distinguível por usuários com deficiência de visão de cores. Cada barra está claramente identificada com a categoria e seu valor, e os rótulos de texto estão posicionados fora das barras para facilitar a leitura. O gráfico inclui um título descritivo e títulos explícitos nos eixos para garantir que os espectadores compreendam imediatamente o que está sendo exibido. A legenda utiliza as mesmas cores acessíveis e possui um título claro. O fundo está definido como branco para maximizar o contraste, e os tamanhos das fontes foram aumentados para melhor legibilidade.

Aplicar essas melhores práticas a todos os seus gráficos Plotly garante que suas visualizações permaneçam acessíveis e eficazes, independentemente do público. Sempre que personalizar layouts, cores ou estilos — como nos capítulos anteriores — escolha paletas amigáveis para daltônicos, forneça rotulagem clara e descritiva e evite excesso de elementos desnecessários. Essas etapas ajudam seus dados a contar sua história de forma clara e inclusiva, tornando suas visualizações ferramentas valiosas para comunicação e tomada de decisão.

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 1. Capítulo 9

Pergunte à IA

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

Deslize para mostrar o menu


              1234567891011121314151617181920212223242526272829303132333435363738394041424344
            
import plotly.express as px
import pandas as pd
from IPython.display import display, HTML

# Sample data
data = {
    "Category": ["A", "B", "C", "D"],
    "Value": [120, 90, 60, 30]
}
df = pd.DataFrame(data)

# Use a colorblind-friendly palette
color_sequence = px.colors.qualitative.Safe

fig = px.bar(
    df,
    x="Category",
    y="Value",
    color="Category",
    color_discrete_sequence=color_sequence,
    title="Well-Labeled and Colorblind-Friendly Bar Chart",
    labels={
        "Category": "Group Category",
        "Value": "Measured Value"
    }
)

# Add clear annotations
fig.update_traces(
    text=df["Value"],
    textposition="outside"
)

# Adjust layout for clarity
fig.update_layout(
    xaxis_title="Group Category",
    yaxis_title="Measured Value",
    legend_title="Category",
    font=dict(size=14),
    plot_bgcolor="white"
)

html = fig.to_html(full_html=False, include_plotlyjs="cdn")
display(HTML(html))

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 1. Capítulo 9