Resposta direta: as 5 bibliotecas Python que mais aparecem no dia a dia do analista de dados são Pandas (ler e tratar tabelas), NumPy (cálculos com números), Matplotlib e Seaborn (gráficos) e Scikit-learn (modelos simples de previsão e agrupamento). Comece pelo Pandas: sozinho, ele já resolve a maior parte do trabalho de limpeza e resumo de dados.
Abaixo você vê para que serve cada uma, um exemplo curto de código e a ordem que faz mais sentido para estudar. Os exemplos usam uma tabela de vendas fictícia, com as colunas data, regiao, produto, quantidade, desconto e valor.
Resumo: qual biblioteca usar para quê
| Biblioteca | Para que serve | Quando você vai usar |
|---|---|---|
| Pandas | Ler, limpar, filtrar e resumir tabelas | Em quase toda análise |
| NumPy | Cálculos rápidos com listas de números | Contas, arredondamentos, condições em massa |
| Matplotlib | Gráficos com controle total | Ajustar cada detalhe de um gráfico |
| Seaborn | Gráficos estatísticos com pouco código | Explorar distribuições e comparações |
| Scikit-learn | Modelos de previsão, classificação e agrupamento | Quando a análise vira previsão |
1. Pandas: a planilha dentro do Python
O Pandas trabalha com o DataFrame, uma tabela com linhas e colunas, parecida com uma aba do Excel. Com ele você lê arquivos CSV, Excel, JSON ou o resultado de uma consulta SQL, trata valores vazios, cria colunas novas e resume os dados por categoria.
import pandas as pd
vendas = pd.read_csv("vendas.csv", parse_dates=["data"])
# tirar linhas sem valor e criar a coluna de mês
vendas = vendas.dropna(subset=["valor"])
vendas["mes"] = vendas["data"].dt.to_period("M")
# total vendido por região, do maior para o menor
total_regiao = (vendas.groupby("regiao")["valor"]
.sum()
.sort_values(ascending=False))
print(total_regiao)
Repare que o groupby faz o mesmo papel do GROUP BY do SQL e da tabela dinâmica do Excel. Se você já conhece um dos dois, o raciocínio é o mesmo. Para entender melhor essa lógica, veja GROUP BY e HAVING em SQL.
2. NumPy: contas rápidas em colunas inteiras
O NumPy é a base sobre a qual o Pandas foi construído. Ele faz operações em todos os valores de uma vez, sem precisar de laços (for), o que deixa o código curto e rápido. No dia a dia do analista, ele aparece em cálculos e em regras condicionais aplicadas à coluna inteira.
import numpy as np
# classificar cada venda como "alta" ou "normal"
vendas["faixa"] = np.where(vendas["valor"] >= 1000, "alta", "normal")
# média, mediana e desvio padrão do valor
print(np.mean(vendas["valor"]),
np.median(vendas["valor"]),
np.std(vendas["valor"]))
A mediana e o desvio padrão são conceitos de Estatística que todo analista usa para não ser enganado por valores extremos. Uma venda muito grande puxa a média para cima, mas quase não mexe na mediana.
3. Matplotlib: o gráfico do seu jeito
O Matplotlib é a biblioteca de gráficos mais antiga e mais flexível do Python. Ela exige um pouco mais de código, mas permite controlar título, eixos, cores, rótulos e tamanho. É a escolha quando o gráfico vai para um relatório e precisa ficar exatamente como você quer.
import matplotlib.pyplot as plt
por_mes = vendas.groupby("mes")["valor"].sum()
fig, ax = plt.subplots(figsize=(8, 4))
por_mes.plot(ax=ax, marker="o")
ax.set_title("Vendas por mês")
ax.set_xlabel("Mês")
ax.set_ylabel("Total vendido (R$)")
plt.tight_layout()
plt.savefig("vendas_por_mes.png")
4. Seaborn: gráficos estatísticos com pouco código
O Seaborn funciona por cima do Matplotlib e já entende DataFrames. Em uma linha você compara grupos, vê a distribuição dos valores e encontra outliers. É ótimo para a fase de exploração, quando você ainda está descobrindo o que os dados têm a dizer.
import seaborn as sns
# distribuição do valor das vendas por região
sns.boxplot(data=vendas, x="regiao", y="valor")
plt.title("Valor das vendas por região")
plt.show()
O boxplot mostra mediana, quartis e pontos fora da curva de cada região. Se uma região tem muitos pontos isolados lá em cima, vale investigar se são vendas grandes de verdade ou erros de digitação.
5. Scikit-learn: quando a análise vira previsão
O Scikit-learn reúne algoritmos de machine learning com uma interface simples: você separa os dados, treina o modelo e avalia o resultado. Para o analista, os usos mais comuns são prever um valor (regressão), classificar algo em grupos (por exemplo, cliente com risco de cancelar) e agrupar clientes parecidos (clusterização).
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_absolute_error
X = vendas[["quantidade", "desconto"]]
y = vendas["valor"]
X_treino, X_teste, y_treino, y_teste = train_test_split(X, y, test_size=0.2, random_state=42)
modelo = LinearRegression().fit(X_treino, y_treino)
erro = mean_absolute_error(y_teste, modelo.predict(X_teste))
print(f"Erro médio: R$ {erro:.2f}")
Não é preciso começar por aqui. Machine learning faz mais sentido depois que você domina tratamento de dados e Estatística básica, porque um modelo é tão bom quanto os dados que entram nele.
Em que ordem estudar
- Pandas: ler arquivos, filtrar, criar colunas, agrupar e juntar tabelas (
merge). - NumPy: o básico de operações em colunas e regras com
np.where. - Matplotlib e Seaborn: gráficos de linha, barras, histograma e boxplot.
- Estatística aplicada: média, mediana, dispersão, correlação.
- Scikit-learn: regressão linear, classificação e agrupamento, com dados que você já sabe tratar.
Se você ainda está decidindo entre começar por Python ou por SQL, leia para que serve Python na análise de dados. Na maioria dos casos, SQL e Power BI vêm primeiro e Python entra para automatizar e aprofundar.
Erros comuns de quem está começando
- Decorar funções sem um problema real. Escolha uma base (vendas, RH, atendimento) e faça perguntas a ela.
- Pular a limpeza. Datas como texto, números com vírgula e linhas duplicadas distorcem qualquer gráfico.
- Ir direto para machine learning. Sem saber resumir e visualizar os dados, fica difícil saber se o modelo faz sentido.
- Não guardar o código. Um notebook organizado no GitHub vira projeto de portfólio.
Perguntas frequentes
Preciso instalar tudo isso para começar?
Não. Ambientes como o Google Colab já vêm com essas bibliotecas instaladas e rodam no navegador. Se preferir instalar no computador, a distribuição Anaconda traz todas de uma vez.
Pandas substitui o Excel?
Para tarefas repetitivas e bases grandes, sim, porque o código pode rodar de novo a cada atualização. Para uma conta rápida ou para compartilhar com quem não programa, o Excel continua prático. Os dois convivem.
Existem outras bibliotecas importantes?
Sim. Polars é uma alternativa mais rápida ao Pandas para bases grandes, Plotly faz gráficos interativos e Statsmodels aprofunda a parte estatística. Mas as 5 deste artigo são a base para entender todas as outras.
Próximo passo
No curso de Python para análise de dados da Educadados você pratica Pandas, gráficos e Estatística com exercícios corrigidos na hora e bases de dados para baixar. Ele faz parte da Formação Analista de Dados, junto com SQL, Power BI e Excel.