Gráfico De Linha Exemplo

O que é um gráfico de linha e por que quase todo mundo erra na hora de fazer

Gráfico de linha é uma representação visual onde dados contínuos são plotados ao longo de um eixo temporal ou ordinal. Pontos conectados por segmentos retos formam a trajetória da variável que você está analisando. Não tem muita misteri. É basicamente isso. Muita gente confunde com gráfico de dispersão. A diferença é que no gráfico de linha a ordem dos dados importa e os pontos precisam estar conectados para mostrar tendência. Se seus dados não têm uma sequência lógica — tipo temperatura ao longo do dia, vendas mensais, cotação de moeda — o gráfico de linha vai mentir pra você. E você vai apresentá-lo como se fosse verdade.

Quando usar um gráfico de linha exemplo corretamente

Aqui vai um caso real que eu enfrentei faz pouco tempo. Eu precisava comparar o desempenho de três campanhas de marketing ao longo de 18 meses. Parece simples, né? O problema é que as campanhas tinham picos em datas diferentes e a escala do eixo Y estava travada num intervalo muito estreito por causa de uma campanha com valores muito altos que distorcia as outras duas. O gráfico ficou ilegível. Uma linha parecia plana, mas na verdade era apenas comprimida visualmente. A solução que eu usei foi separar cada campanha em subgráficos individuais com escalas independentes, usando o recurso de "shared X-axis" do matplotlib. Assim todas as três tinham a mesma largura horizontal, mas podiam ter ejes Y diferentes. Ficou muito mais claro. Você pode fazer isso facilmente passando `sharex=True` quando cria um grid de subplots.

Outro ponto que as pessoas ignoram: gráficos de linha não precisam sempre começar e terminar no zero. Isso é especialmente válido quando você mostra variação relativa ou percentual ao invés de valor absoluto. Se você está mostrando a variação diária de uma ação que cotou entre R$145 e R$152, plotar de zero a R$152 vai eliminar todo o contraste visual. Use `ylim` para focar na faixa relevante dos seus dados.

Pegando dados e construindo o gráfico

Vou mostrar na prática. Primeiro, os dados. Suponha que você tenha uma planilha com meses e valores de receita: No Python, a forma mais direta é usar pandas para carregar e matplotlib para plotar. Um gráfico de linha exemplo básico seria:

import matplotlib.pyplot as plt
import pandas as pd

df = pd.read_csv('receita_mensal.csv')
plt.figure(figsize=(10, 5))
plt.plot(df['mes'], df['receita'], marker='o', linewidth=2, markersize=6)
plt.title('Receita Mensal — 2024')
plt.xlabel('Mês')
plt.ylabel('Receita (R$)')
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.savefig('grafico_receita.png', dpi=150)
plt.show()

O parâmetro `marker='o'` adiciona pontos visíveis em cada dados. Sem ele, o gráfico parece apenas uma linha solta e é difícil identificar onde estão os valores exatos. `linewidth` controla a espessura — o padrão é muito fino, use pelo menos 1.5 para ficar legível em apresentações. `dpi=150` garante uma resolução boa o suficiente para relatórios impressos. Se você quiser sobrepor múltiplas séries, basta adicionar mais chamadas de `plt.plot()` antes do `plt.show()`. Cada chamada desenha uma linha nova sobre o mesmo eixo. Para diferenciar as linhas, passe o parâmetro `label` e depois chame `plt.legend()`.

Erros comuns que eu vejo todo dia

Primeiro erro: usar gráfico de linha para dados categóricos sem ordem natural. Nome de cidades, tipos de produto, setores empresariais. A linha conecta pontos que não devem ser conectados. Nesse caso, use gráfico de barras. Segundo erro: exagerar na quantidade de linhas no mesmo gráfico. Mais de cinco linhas a ficar ilegível, especialmente se elas se cruzam frequentementemente. Eu recomendo no máximo três séries comparáveis. Se você precisa mostrar mais, separa em painéis distintos ou usa um gráfico de área empilhada, mas com cuidado — área empilhada distorce a percepção de magnitude individual.

Terceiro erro: ignorar a formatação dos rótulos do eixo X quando os dados são temporais. Se você tem mais de 12 pontos e os rótulos ficam sobrepostos, rotate o texto ou simplifique o formato. No matplotlib, `plt.xticks(rotation=45)` resolve na maioria dos casos. Para datas mais complexas, use `matplotlib.dates` com formatters específicos.

Ferramentas e downloads

Para quem quer praticar, o site do matplotlib oferece uma galeria completa com exemplos prontos que você pode baixar e adaptar. O repositório oficial do pandas também tem notebooks com datasets reais prontos para análise. Se você prefere algo mais visual e interativo, o Plotly Express permite criar gráficos de linha com interatividade (zoom, hover com valores) em poucas linhas de código, exportando como HTML standalone. Um recurso útil que eu sempre indico é o dataset do Kaggle sobre vendas globais de e-commerce. São aproximadamente 500 mil registros com data, produto, região e valor. Basta filtrar por um período e fazer o aggregate mensal para ter um bom gráfico de linha exemplo com dados reais. Leva cerca de 10 minutos do início ao gráfico final.

Dicas avançadas que fazem diferença

Se seus dados têm sazonalidade forte — como varejo, por exemplo — considere adicionar uma linha de média móvel para suavizar o ruído e destacar a tendência subjacente. No pandas é uma linha: `df['receita'].rolling(window=3).mean().plot()`. Também é importante tratar valores ausentes antes de plotar. O matplotlib conecta pontos pulando NaN por padrão, o que pode criar linhas diagonais enganosas entre duas observações que na verdade estão separadas por semanas. Use `interpolate()` do pandas ou `dropna()` dependendo do que faz sentido para sua análise.

Por fim, salve sempre em alta resolução. Muitos salvam em 72 DPI e depois ficam surpresos quando o gráfico fica pixelado num slide ou num documento PDF. 150 DPI é o mínimo aceitável para materiais impressos. Para publicação digital, 100 DPI já resolve. O comando é simplesmente `plt.savefig('nome.png', dpi=150)`. Gráfico de linha é ferramenta básica, não complicada. A dificuldade real está em saber quando não usá-lo e em apresentar os dados de forma que a informação seja honesta, não apenas bonita. A maioria dos problemas que eu vejo em apresentações corporativas vem de má escolha de escala ou excesso de informação no mesmo painel. Menos é mais, mesmo em visualização de dados.