/data-create-viz

name: data-create-viz
description: Cria visualizações de dados de qualidade profissional com Python no tema Evolution (fundo escuro, acento #00FFA7, fonte Inter). Use quando precisar transformar resultados de query ou um DataFrame em um gráfico, selecionar o tipo de gráfico correto para uma tendência ou comparação, gerar um plot para relatório ou apresentação, ou precisar de um gráfico interativo com hover e zoom. Fontes: Stripe, Omie, Licensing, Evo CRM, ou dados colados/CSV.
argument-hint: "<fonte de dados> [tipo de gráfico] [instruções adicionais]"

data-create-viz — Criar Visualizações de Dados

Cria visualizações de dados de qualidade profissional usando Python. Gera gráficos a partir de dados com boas práticas de clareza, precisão e design no tema Evolution.

Uso

/data-create-viz <fonte de dados> [tipo de gráfico] [instruções adicionais]

Fluxo de Trabalho

1. Entender a Requisição

Determinar:

• **Fonte de dados**: Resultados de query, dados colados, arquivo CSV/Excel, ou dados a serem consultados
• **Tipo de gráfico**: Explicitamente solicitado ou precisa ser recomendado
• **Propósito**: Exploração, apresentação, relatório, componente de dashboard
• **Audiência**: Time técnico, executivos, stakeholders externos

2. Obter os Dados

**Se fonte de dados do workspace (Stripe, Omie, Licensing, Evo CRM):** 1. Usar a skill correspondente para buscar os dados 2. Carregar os resultados em um pandas DataFrame 3. Limpar e preparar conforme necessário

**Se dados forem colados ou enviados como arquivo:** 1. Fazer parse dos dados em um pandas DataFrame 2. Limpar e preparar conforme necessário (conversões de tipo, tratamento de nulos)

**Se dados vierem de uma análise anterior na conversa:** 1. Referenciar os dados existentes

3. Selecionar o Tipo de Gráfico

Se o usuário não especificou um tipo de gráfico, recomendar um com base nos dados e na pergunta:

| Relacionamento dos Dados | Gráfico Recomendado | |---|---| | Tendência ao longo do tempo | Gráfico de linha | | Comparação entre categorias | Gráfico de barras (horizontal se muitas categorias) | | Composição parte-todo | Barras empilhadas ou área (evitar pizza a menos que <6 categorias) | | Distribuição de valores | Histograma ou box plot | | Correlação entre duas variáveis | Scatter plot | | Comparação de duas variáveis ao longo do tempo | Linha de eixo duplo ou barras agrupadas | | Dados geográficos | Mapa coroplético | | Ranking | Gráfico de barras horizontal | | Fluxo ou processo | Diagrama Sankey | | Matriz de relacionamentos | Heatmap |

Explicar brevemente a recomendação se o usuário não especificou.

4. Gerar a Visualização

Escrever código Python usando uma destas bibliotecas com base na necessidade:

• **matplotlib + seaborn**: Melhor para gráficos estáticos de qualidade profissional. Escolha padrão.
• **plotly**: Melhor para gráficos interativos ou quando o usuário solicitar interatividade.

**Tema Evolution Dark — Configuração Base:**

import matplotlib.pyplot as plt
import matplotlib.patches as mpatches
import seaborn as sns
import pandas as pd
import numpy as np

# ── Tema Evolution Dark ──────────────────────────────────────────
EVO_BG       = '#0A0A0A'
EVO_SURFACE  = '#1A1A1A'
EVO_ACCENT   = '#00FFA7'
EVO_TEXT     = '#F0F0F0'
EVO_MUTED    = '#666666'
EVO_BORDER   = '#2A2A2A'

EVO_PALETTE = [
    '#00FFA7',  # Acento principal Evolution
    '#4C9FE8',  # Azul
    '#FFB547',  # Âmbar
    '#FF6B6B',  # Vermelho
    '#A78BFA',  # Roxo
    '#34D399',  # Verde esmeralda
    '#FB923C',  # Laranja
]

# Configurar estilo global
plt.rcParams.update({
    'figure.facecolor': EVO_BG,
    'axes.facecolor': EVO_SURFACE,
    'axes.edgecolor': EVO_BORDER,
    'axes.labelcolor': EVO_MUTED,
    'axes.titlecolor': EVO_TEXT,
    'xtick.color': EVO_MUTED,
    'ytick.color': EVO_MUTED,
    'text.color': EVO_TEXT,
    'grid.color': '#222222',
    'grid.alpha': 0.8,
    'legend.facecolor': '#1A1A1A',
    'legend.edgecolor': EVO_BORDER,
    'legend.labelcolor': EVO_TEXT,
    'font.family': 'DejaVu Sans',  # Fallback para Inter
    'figure.dpi': 150,
})

def apply_evo_style(ax):
    """Aplicar estilo Evolution a um eixo."""
    ax.spines['top'].set_visible(False)
    ax.spines['right'].set_visible(False)
    ax.spines['left'].set_color(EVO_BORDER)
    ax.spines['bottom'].set_color(EVO_BORDER)
    ax.grid(True, alpha=0.3, color='#2A2A2A', linestyle='-', linewidth=0.5)
    ax.set_axisbelow(True)

**Requisitos de código:**

# Criar figura com tamanho apropriado
fig, ax = plt.subplots(figsize=(12, 6), facecolor=EVO_BG)

# [código específico do gráfico]

# Sempre incluir:
ax.set_title('Título Claro e Descritivo', fontsize=14, fontweight='bold',
             color=EVO_TEXT, pad=16)
ax.set_xlabel('Label do Eixo X', fontsize=11, color=EVO_MUTED)
ax.set_ylabel('Label do Eixo Y', fontsize=11, color=EVO_MUTED)

# Aplicar estilo Evolution
apply_evo_style(ax)

# Formatar números adequadamente
# - Percentuais: '45,2%' não '0,452'
# - Moeda BRL: 'R$ 1,2M' não '1200000'
# - Moeda USD: '$1.2M' não '1200000'
# - Números grandes: '2,3K' ou '1,5M' não '2300' ou '1500000'

plt.tight_layout(pad=2.0)
plt.savefig('nome_do_grafico.png', dpi=150, bbox_inches='tight',
            facecolor=EVO_BG)
plt.show()

5. Aplicar Boas Práticas de Design

**Cores:**

• Usar a paleta Evolution consistente e amigável para daltônicos
• Usar cor significativamente (não decorativamente)
• Destacar o ponto de dado ou tendência principal com #00FFA7 (acento Evolution)
• Usar cinza (#444444) para dados de referência menos importantes

**Tipografia:**

• Título descritivo que enuncia o insight, não apenas a métrica (ex: "MRR cresceu 23% YoY" não "MRR por Mês")
• Labels de eixo legíveis (não rotacionadas 90 graus se possível)
• Labels de dados nos pontos-chave quando adicionam clareza

**Layout:**

• Espaçamento e margens apropriados
• Posicionamento de legenda que não obscurece os dados
• Categorias ordenadas por valor (não a