Como Criar um Dashboard com Python e Streamlit
Dashboards permitem transformar dados de uma planilha em informações visuais mais fáceis de interpretar. Em vez de analisar milhares de registros individualmente, podemos utilizar indicadores e gráficos para identificar padrões e comparar resultados.
Neste tutorial, você aprenderá como criar um Dashboard de Vendas do Walmart utilizando Python, Pandas, Matplotlib e Streamlit.
Nosso dashboard terá quatro indicadores:
- faturamento total;
- média das vendas;
- maior venda registrada;
- quantidade de lojas.
Também criaremos quatro gráficos:
- Top 5 lojas com mais vendas;
- vendas em semanas com feriados;
- evolução das vendas por ano;
- vendas mensais por ano.
Estrutura do projeto
Dashboard-Walmart/
│
├── main.py
├── graficos.py
└── Walmart_Sales.csv
- O arquivo
main.pyserá responsável por carregar os dados e construir o dashboard. - O arquivo
graficos.pyarmazenará as funções responsáveis pela criação dos gráficos. - Já o arquivo
Walmart_Sales.csvcontém os dados utilizados na análise.
Passo 1 — Instalar as bibliotecas
Abra o terminal e execute:
pip install streamlit pandas numpy matplotlib
Neste projeto utilizaremos:
Streamlitpara construir o dashboard;Pandaspara manipular os dados;NumPypara trabalhar com valores numéricos;Matplotlibpara criar os gráficos.
Passo 2 — Importar as bibliotecas no graficos.py
Comece importando as bibliotecas:
import streamlit as st
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
Essas são as bibliotecas utilizadas pelas funções de visualização do projeto.
Passo 3 — Criar a função do Top 5 lojas
A função grafico_lojas() será responsável por identificar quais são as cinco lojas com maior faturamento total e apresentar esse resultado em um gráfico de barras.
Ela agrupa os dados pela coluna Store, soma os valores de Weekly_Sales, organiza os resultados do maior para o menor e seleciona apenas as cinco primeiras lojas.
def grafico_lojas(df):
somar_vendas_lojas = df.groupby('Store')['Weekly_Sales'].sum()
print(somar_vendas_lojas)
top5_lojas = somar_vendas_lojas.sort_values(
ascending=False
).head(5)
lojas = top5_lojas.index.astype(str)
vendas = top5_lojas.values
plt.bar(
lojas,
vendas,
color='blue'
)
plt.title("Top 5 Lojas com Mais Vendas")
plt.xlabel("Lojas")
plt.ylabel("Faturamento(US$)")
plt.grid(axis="y", alpha=0.6)
st.pyplot(plt.gcf())
plt.close()

Passo 4 — Criar a função das vendas por ano
A função grafico_ano() será responsável por mostrar como o faturamento evoluiu ao longo dos anos presentes na base de dados.
Primeiro, a coluna Date é convertida para o formato de data. Depois, criamos uma nova coluna chamada Ano, agrupamos as vendas por ano e exibimos os resultados em um gráfico de linha.
def grafico_ano(df):
# converter a coluna Date para data
df["Date"] = pd.to_datetime(
df['Date'],
format="%d-%m-%Y"
)
# criando coluna ano
df['Ano'] = df['Date'].dt.year
print(df['Ano'])
# Somar as vendas por ano
vendas_ano = df.groupby(
"Ano"
)["Weekly_Sales"].sum()
anos = vendas_ano.index
valores = vendas_ano.values
plt.plot(
anos,
valores,
color="green",
marker="o",
label="Vendas"
)
plt.title(
"Evolução das Vendas por Ano"
)
plt.xlabel("Ano")
plt.ylabel("Faturamento (US$)")
plt.xticks(anos)
plt.legend()
st.pyplot(plt.gcf())
plt.close()

Passo 5 — Criar a função das vendas em feriados
A função grafico_feriados() será utilizada para comparar o faturamento registrado em semanas com feriados e em semanas sem feriados.
Para isso, os dados são agrupados pela coluna Holiday_Flag e as vendas são somadas para cada categoria. Depois, os resultados são apresentados em um gráfico de pizza.
def grafico_feriados(df):
somar_vendas = df.groupby(
'Holiday_Flag'
)['Weekly_Sales'].sum()
print(somar_vendas)
valores = [
somar_vendas[0],
somar_vendas[1]
]
print(valores)
nomes = [
"Com feriado",
"Sem feriado"
]
plt.pie(
valores,
labels=nomes,
autopct="%1.1f%%",
colors=["tomato", "skyblue"]
)
plt.title(
"Vendas em Semanas com Feriados"
)
st.pyplot(plt.gcf())
plt.close()

Passo 6 — Criar a função das vendas mensais por ano
A função grafico_mes() será responsável por comparar as vendas de cada mês entre os anos de 2010, 2011 e 2012.
Ela extrai o mês e o ano da coluna Date, agrupa as vendas por essas duas informações e separa os resultados em três listas, uma para cada ano. Depois, os valores são apresentados em um gráfico de barras horizontais.
def grafico_mes(df):
# converter a coluna Date para data
df["Date"] = pd.to_datetime(
df['Date'],
format="%d-%m-%Y"
)
# criando coluna mes
df['Mês'] = df['Date'].dt.month
# criando coluna ano
df['Ano'] = df['Date'].dt.year
# Agrupar as vendas por mês e ano
vendas = df.groupby(
["Mês", "Ano"]
)["Weekly_Sales"].sum()
print(vendas.index)
# Separar as vendas de cada ano
vendas_2010 = []
vendas_2011 = []
vendas_2012 = []
# preencher as listas com os 12 meses
for mes in range(1, 13):
for ano, lista in [
(2010, vendas_2010),
(2011, vendas_2011),
(2012, vendas_2012)
]:
if (mes, ano) in vendas.index:
lista.append(
vendas[mes, ano]
)
else:
lista.append(0)
# Posições das barras
meses = np.arange(12)
largura = 0.25
# Barras de 2010
plt.barh(
meses - largura,
vendas_2010,
largura,
label="2010",
color="blue"
)
# Barras de 2011
plt.barh(
meses,
vendas_2011,
largura,
label="2011",
color="orange"
)
# Barras de 2012
plt.barh(
meses + largura,
vendas_2012,
largura,
label="2012",
color="green"
)
# Nomes dos meses
nomes_meses = [
"Jan", "Fev", "Mar", "Abr",
"Mai", "Jun", "Jul", "Ago",
"Set", "Out", "Nov", "Dez"
]
plt.yticks(
meses,
nomes_meses
)
plt.title(
"Vendas Mensais por Ano"
)
plt.xlabel(
"Faturamento (US$)"
)
plt.ylabel("Meses")
plt.legend()
st.pyplot(plt.gcf())
plt.close()

Passo 7 — Criar o main.py
Comece importando as bibliotecas e as quatro funções:
import streamlit as st
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from graficos import (
grafico_lojas,
grafico_feriados,
grafico_ano,
grafico_mes
)
Agora vamos criar a função main() completa:
def main():
df = pd.read_csv(
"Walmart_Sales.csv"
)
st.title(
"📊 Dashboard de Vendas - Walmart"
)
st.write(
"Análise visual das vendas das lojas Walmart"
)
# Indicadores
faturamento_total = (
df["Weekly_Sales"].sum()
)
media_vendas = (
df["Weekly_Sales"].mean()
)
maior_venda = (
df["Weekly_Sales"].max()
)
quantidade_lojas = (
df["Store"].nunique()
)
col1, col2, col3, col4 = st.columns(4)
col1.metric(
"Faturamento Total",
f"US$ {faturamento_total:,.2f}"
)
col2.metric(
"Média de Vendas",
f"US$ {media_vendas:,.2f}"
)
col3.metric(
"Maior Venda",
f"US$ {maior_venda:,.2f}"
)
col4.metric(
"Quantidade de Lojas",
quantidade_lojas
)
st.markdown("---")
# Gráficos
grafico_feriados(df)
grafico_lojas(df)
grafico_ano(df)
grafico_mes(df)

Conclusão
Neste tutorial, você aprendeu como criar um Dashboard de Vendas com Python e Streamlit utilizando dados armazenados em um arquivo CSV. Criamos quatro funções completas no arquivo graficos.py, cada uma responsável por uma visualização diferente. Também utilizamos o Pandas para agrupar e analisar as informações e o Matplotlib para construir gráficos de barras, pizza, linha e barras horizontais. Por fim, utilizamos o Streamlit para exibir os indicadores e transformar nossa análise em uma aplicação visual.







