Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Gerar gráficos e visualizações

Aula 13 de 20 Atualizada a 2 de novembro de 2026 Programador
Nesta página
  1. Gerar gráficos e visualizações
  2. Gráficos simples com matplotlib
  3. Gráficos a partir de dados de ficheiros
  4. Visualizações estatísticas com seaborn
  5. Gráficos interativos com plotly
  6. Personalização avançada
  7. Padrão: gerador de relatórios visuais
  8. Dicas para gráficos de qualidade
  9. Pontos-chave

Atualizado em 2 de novembro de 2026 com base na documentação da OpenAI: a ferramenta Code Interpreter requer agora um parâmetro container (adicionado a todos os exemplos), as partes de entrada de texto utilizam o tipo input_text e a pesquisa na web utiliza a ferramenta web_search (web_search_preview é agora uma ferramenta legada sem filtros de domínio). Os ficheiros gerados são recuperados através das funções fichiers_generes e telecharger da Lição 10. Os ficheiros anexados às mensagens são carregados com o propósito user_data, que a OpenAI recomenda para entradas do modelo (File inputs). Fontes: Code Interpreter · Web search.

Gerar gráficos e visualizações

Um gráfico produzido pelo Code Interpreter não é uma imagem gerada: é o resultado da execução de um script matplotlib real sobre os seus dados verdadeiros. Esta distinção é importante — os eixos são precisos, os valores correspondem ao ficheiro e pode solicitar o código para o reproduzir localmente.

Três bibliotecas coexistem no contentor, cada uma servindo um propósito diferente. O matplotlib trata de tudo, mas pode ser verboso. O seaborn adiciona uma camada estatística que torna as distribuições e correlações legíveis numa única linha. O plotly produz HTML interativo, ideal para entregáveis que irá explorar com o rato. Indique qual deseja no seu prompt; sem instruções, o modelo assume o matplotlib por padrão.

Gráficos simples com matplotlib

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Create a bar chart showing monthly sales: "
          "Jan=120, Feb=98, Mar=145, Apr=167, May=189, Jun=210, "
          "Jul=195, Aug=178, Sep=220, Oct=245, Nov=267, Dec=312. "
          "Professional style, blue colors, title and labels.",
    tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
    instructions="Use matplotlib with a professional style. "
                "Sans-serif font, light grid, no top or right spines."
)

# Retrieve the generated image
for ann in fichiers_generes(response):
    telecharger(client, ann, "monthly_sales.png")

Gráficos a partir de dados de ficheiros

Este é o caso de uso mais comum e onde o valor é mais evidente: carrega o ficheiro, descreve o gráfico que deseja e o modelo trata da leitura, da tipagem das colunas e da criação do gráfico. Sem etapas de preparação manual e, crucialmente, sem transcrição manual de números — logo, sem erros de copiar e colar.

with open("team_performance.csv", "rb") as f:
    file_obj = client.files.create(file=f, purpose="user_data")

response = client.responses.create(
    model="gpt-5.6-terra",
    input=[{
        "role": "user",
        "content": [
            {"type": "input_text", "text": (
                "From this file, create a dashboard with 4 charts: "
                "1. Monthly revenue evolution (line chart) "
                "2. Breakdown by product category (pie chart) "
                "3. Top 10 clients by revenue (horizontal bar chart) "
                "4. Correlation between quantity and amount (scatter plot) "
                "Arrange the 4 charts in a 2x2 grid."
            )},
            {"type": "input_file", "file_id": file_obj.id}
        ]
    }],
    tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
    instructions="Create a matplotlib figure with 4 subplots. "
                "Use a consistent color palette. "
                "Resolution 1920x1080, DPI 150. "
                "Export as high-quality PNG."
)

Visualizações estatísticas com seaborn

O seaborn destaca-se quando a questão concerne uma distribuição ou uma relação, em vez de uma série de valores. Um diagrama de caixa por categoria ou uma matriz de correlação revela num instante o que uma tabela de números só mostra após uma leitura atenta — e é exatamente isso que um gráfico deve fazer.

response = client.responses.create(
    model="gpt-5.6-terra",
    input=[{
        "role": "user",
        "content": [
            {"type": "input_text", "text": (
                "Visual statistical analysis of this data: "
                "1. Heatmap of the correlation matrix "
                "2. Distribution of each numerical variable (histograms + KDE) "
                "3. Boxplots by category to identify outliers "
                "4. Pairplot of the 5 main variables"
            )},
            {"type": "input_file", "file_id": file_obj.id}
        ]
    }],
    tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
    instructions="Use seaborn with the 'whitegrid' theme. "
                "Annotate values in the heatmap. "
                "Use the 'coolwarm' palette for correlations."
)

Gráficos interativos com plotly

O plotly altera a natureza do entregável: em vez de uma imagem estática, obtém um ficheiro HTML autónomo onde pode fazer zoom, passar o rato e filtrar. É a escolha certa para um painel que alguém irá explorar, mas a escolha errada para uma figura destinada a um documento impresso ou e-mail.

response = client.responses.create(
    model="gpt-5.6-terra",
    input=[{
        "role": "user",
        "content": [
            {"type": "input_text", "text": (
                "Create an interactive plotly chart showing sales evolution with: "
                "- Zoom and date range selection "
                "- Hover tooltips with details "
                "- Buttons to filter by category "
                "- Export as standalone HTML file"
            )},
            {"type": "input_file", "file_id": file_obj.id}
        ]
    }],
    tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)

# Retrieve the interactive HTML file
for ann in fichiers_generes(response):
    if ann.filename.endswith(".html"):
        telecharger(client, ann, "interactive_dashboard.html")

Personalização avançada

Guia de estilo corporativo

Um gráfico gerado por padrão é imediatamente reconhecível e parece amador num documento corporativo. Passar as suas cores, tipos de letra e convenções em instructions é suficiente para produzir figuras consistentes de um relatório para o outro — e como estas instruções são reutilizáveis, só precisa de fazer o esforço uma vez.

STYLE_GUIDE = """
Visualization rules:
- Primary color: #1E3A5F (navy blue)
- Secondary color: #E74C3C (red)
- Accent color: #F39C12 (orange)
- Background: white (#FFFFFF)
- Font: sans-serif
- No borders around charts
- Light gray grid (#E0E0E0)
- Bold title, size 14
- Axis labels size 11
- Legend at bottom right
- Always include data source at bottom left
- Minimum resolution: 1200x800 pixels
"""

response = client.responses.create(
    model="gpt-5.6-terra",
    input=[{
        "role": "user",
        "content": [
            {"type": "input_text", "text": "Create a quarterly revenue evolution chart"},
            {"type": "input_file", "file_id": file_obj.id}
        ]
    }],
    tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
    instructions=STYLE_GUIDE
)

Padrão: gerador de relatórios visuais

def generate_visual_report(
    file_path: str,
    report_title: str,
    sections: list[str]
) -> list[str]:
    """Generate a report with charts from data."""
    with open(file_path, "rb") as f:
        file_obj = client.files.create(file=f, purpose="user_data")

    images = []

    for i, section in enumerate(sections):
        response = client.responses.create(
            model="gpt-5.6-terra",
            input=[{
                "role": "user",
                "content": [
                    {"type": "input_text", "text": f"Section {i+1} of report '{report_title}': {section}"},
                    {"type": "input_file", "file_id": file_obj.id}
                ]
            }],
            tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
            instructions=(
                "Create a professional chart for this section. "
                "Include a descriptive title and relevant annotations. "
                "Export as PNG 1200x800 DPI 150."
            )
        )

        for ann in fichiers_generes(response):
            name = f"report_section_{i+1}.png"
            telecharger(client, ann, name)
            images.append(name)

    return images

# Usage
charts = generate_visual_report(
    "annual_sales.csv",
    "2025 Sales Report",
    [
        "Monthly revenue evolution with trend",
        "Sales breakdown by region (map or treemap)",
        "Performance comparison by sales rep (grouped bars)",
        "Forecasts for the next 3 months (with confidence interval)"
    ]
)

Dicas para gráficos de qualidade

quality_instructions = """
For each chart:
- Choose the chart type best suited to the data
- Use accessible colors (sufficient contrast)
- Avoid 3D charts unless explicitly requested
- Limit pie charts to 6 categories maximum
- Add annotations for important points
- Use appropriate scales (no truncated zero unless justified)
- Always export in high resolution
"""

Pontos-chave

  • matplotlib, seaborn e plotly estão disponíveis na sandbox
  • Passe os seus dados via input_file para gráficos baseados em ficheiros reais
  • Defina um guia de estilo em instructions para garantir consistência
  • Recupere as imagens geradas das anotações container_file_citation e transfira-as através da API do contentor (funções fichiers_generes e telecharger da Lição 10)
  • O plotly permite gerar painéis HTML interativos