PDF - VERSÃO DE IMPRESSÃO

Lição 13 - Visualização de dados: fundamentos

objetivo

Olá, estudante!

Agora que você já revisou e se aprofundou em alguns conceitos da linguagem de programação Python para ciência de dados, agora, falaremos de visualização de dados! Nesta lição, serão apresentados os conceitos fundamentais de visualização de dados, abordando a importância dessa prática na análise e interpretação de informações. Ao longo do conteúdo, você será introduzido aos princípios básicos da visualização, aprendendo como transformar dados brutos em representações visuais claras e significativas. Serão explorados diferentes tipos de gráficos e suas aplicações bem como as melhores práticas para a escolha da visualização adequada ao tipo de dado e ao objetivo da análise.

Você também será incentivado a refletir sobre a importância da estética e da clareza, para garantir que as visualizações não apenas transmitam dados, mas também contém uma história convincente e fácil de entender. Ao final, espera-se que você, futuro técnico em Desenvolvimento de Sistemas, compreenda a relevância da visualização de dados no processo de tomada de decisão e sua aplicação em diversos contextos, incluindo o mercado de trabalho.

Vamos lá?

problematização

A visualização de dados desempenha um grande papel na ciência de dados, especialmente ao lidar com grandes volumes de informações complexas. Em muitos casos, os dados brutos podem ser extensos, difíceis de interpretar e comunicar, o que dificulta a tomada de decisões informadas.

A problematização central que a visualização de dados resolve é a de como transformar esses dados em insights claros e acessíveis. Ao aplicar técnicas de visualização adequadas, como gráficos, tabelas e mapas, cientistas de dados conseguem identificar padrões, tendências e anomalias que poderiam passar despercebidos em uma análise puramente numérica ou textual.

Além disso, a visualização facilita a comunicação dos resultados para diferentes públicos, permitindo que até aqueles sem conhecimentos técnicos compreendam as informações de forma intuitiva. Isso não só melhora a eficiência nas análises, mas também garante que decisões baseadas em dados sejam mais precisas e fundamentadas.

Dessa maneira, a visualização de dados se torna uma ferramenta indispensável para transformar a complexidade em clareza, contribuindo para a eficácia dos projetos de ciência de dados no dia a dia.

case

Agora, vamos entender como os fundamentos de visualização de dados funcionam na prática? A empresa fictícia Tech Solutions, empresa especializada em soluções de software para o setor financeiro, enfrentava a dificuldade de seus clientes em interpretar dados brutos, como planilhas e tabelas, para tomar decisões estratégicas. Para resolver esse desafio, a empresa implementou técnicas de visualização de dados, como gráficos interativos, mapas de calor e dashboards dinâmicos, com o objetivo de transformar dados complexos, como transações financeiras diárias, em representações visuais que facilitassem a análise de tendências de mercado e riscos.

A visualização interativa de dados permitiu que os clientes da empresa analisassem a distribuição geográfica das transações, identificassem picos de atividade e detectassem anomalias, como padrões incomuns de gastos. Isso resultou em decisões mais rápidas e assertivas, melhorando a comunicação das informações em diferentes níveis hierárquicos. O projeto fortaleceu a posição da empresa no mercado, oferecendo uma ferramenta eficaz de apoio à tomada de decisão.

Viu só como as técnicas de visualização de dados são essenciais no dia a dia?

Conceitualização

A visualização de dados desempenha papel essencial na análise de informações, pois permite identificar padrões, tendências e anomalias que seriam difíceis de perceber em dados brutos. Dale (2024) destaca que a visualização de dados é uma história de transformação. Por exemplo, uma lista básica de ganhadores do Prêmio Nobel (que, sozinha, pode parecer apenas um conjunto de nomes e datas) pode ser convertida em uma visualização interativa, dando vida aos dados e tornando a exploração da história do prêmio fácil e divertida, facilitando a compreensão e interpretação dos dados.

O que [...] (2024) define “visualização de dados” como o processo de usar elementos visuais, como diagramas, gráficos ou mapas, para representar dados, sendo uma ferramenta poderosa para comunicar informações complexas de maneira acessível, permitindo que insights importantes sejam compartilhados de forma eficaz entre diferentes públicos, desde analistas até gestores estratégicos. Essa prática não apenas melhora a tomada de decisão, mas também torna o processo mais ágil e embasado em dados confiáveis.

Princípios básicos da visualização de dados

Uma boa visualização de dados deve ser construída com base em três componentes essenciais: clareza, precisão e propósito. A clareza pode ser adicionada com elementos de projeto e comparações relevantes, enquanto a precisão assegura que os dados representados sejam fielmente interpretados, sem distorções ou omissões. Além disso, uma evidência abrangente, como usar um grande volume de dados na sua análise, aumenta a confiança e também ajudam os valores atípicos a se destacarem. O propósito, por sua vez, orienta a escolha do tipo de visualização mais adequado, alinhando-se aos objetivos da análise e às necessidades do público, trazendo a história por detrás da visualização dos dados (O que [...], 2024).

Aspectos, como o uso estratégico de cores, proporções e disposição gráfica, desempenham um papel relevante na eficácia da visualização. As cores podem destacar informações importantes ou agrupar dados relacionados, desde que sejam usadas de forma consistente e sem excessos. Proporções adequadas ajudam a evitar interpretações equivocadas, enquanto uma disposição gráfica bem planejada organiza as informações de forma hierárquica, facilitando a interpretação e o foco nos principais insights.

Tipos de gráficos e suas aplicações

A escolha do gráfico adequado é fundamental para comunicar dados de maneira eficaz. Gráficos de barras são ideais para comparações entre categorias distintas, como vendas por região ou número de clientes por segmento. Já os gráficos de linhas destacam tendências ao longo do tempo, como a evolução de receitas mensais ou o crescimento de um indicador. A seguir, nas Figuras 1 e 2, respectivamente, temos um exemplo do gráfico de barras e do gráfico de linhas:

Figura 1 - Gráfico de barras
Fonte: o autor.

#PraCegoVer: na figura apresenta um gráfico de barras com o título "GRÁFICO DE BARRAS" em negrito na parte superior. O gráfico exibe dados de quatro anos: 2019, 2020, 2021 e 2022, com barras de três cores diferentes (azul-escuro, azul-claro e verde), representando diferentes categorias ou variáveis. No eixo vertical, os valores variam de 0 a 20, e cada ano possui três barras correspondentes. Em 2019, a barra azul-escuro é a maior, seguida pela verde e pela azul-claro. Em 2020, as barras são mais equilibradas, com a azul-claro sendo a maior. No ano de 2021, a barra azul-claro é a mais alta entre todos os anos, enquanto a verde permanece menor. Em 2022, a barra azul-escuro volta a ser a maior, seguida pela azul-claro e pela verde. O gráfico não apresenta legendas ou informações detalhadas sobre o que cada cor representa. Fim da descrição.

Figura 2 - Gráfico de linhas
Fonte: o autor.

#PraCegoVer: a figura apresenta um "Gráfico de Linhas" com três séries de dados representadas por linhas de cores diferentes: azul para "Production", roxa para "Sale" e azul-claro para "Marketing". O gráfico mostra a variação desses três elementos ao longo de seis meses, de janeiro a junho. A linha azul-claro (Marketing) começa em um valor baixo em janeiro, sobe progressivamente até maio, atingindo seu pico, e, depois, apresenta uma leve queda em junho. A linha roxa (Sale) cresce rapidamente de janeiro a março, estabiliza-se em abril e, depois, começa a diminuir até junho. A linha azul (Production) tem um crescimento inicial, mas, depois, sofre uma leve queda em março e abril, voltando a subir nos meses seguintes. A legenda na parte inferior identifica cada cor com sua respectiva categoria. O design do gráfico é limpo e organizado, com pontos marcando cada dado ao longo das linhas. Fim da descrição.

Os gráficos de dispersão são úteis para identificar relações entre duas variáveis, como a correlação entre publicidade e vendas. Histogramas, por sua vez, são empregados para visualizar a distribuição de uma variável contínua, como a frequência de valores em uma faixa de idades. Mapas de calor são especialmente eficazes para representar intensidade em um espaço bidimensional, como o tráfego em uma rede de servidores ou a concentração de vendas por localidade. A seguir, nas Figuras 3, 4 e 5, respectivamente, temos um exemplo do gráfico de dispersão, histograma e um mapa de calor:

Figura 3 - Gráfico de dispersão
Fonte: o autor.

#PraCegoVer: a figura apresenta um Gráfico de Dispersão com o título em destaque na parte superior, escrito em letras grandes e rosa. Logo abaixo, há um subtítulo menor indicando "Vendas 2025". O gráfico contém diversos pontos distribuídos pelo plano cartesiano, representados em diferentes tons de rosa e preto. O eixo horizontal possui valores que variam aproximadamente de 0 a 30, enquanto o eixo vertical varia de 0 a 250. Os pontos estão espalhados de forma irregular, sugerindo uma análise de correlação entre duas variáveis relacionadas às vendas em 2025. O fundo do gráfico é claro, e a grade facilita a visualização da distribuição dos dados. Não há uma legenda ou informações adicionais que expliquem os eixos ou o significado exato dos pontos. Fim da descrição.

Figura 4 - Histograma
Fonte: o autor.

#PraCegoVer: a figura apresenta um histograma combinado com um polígono de frequências, representando a distribuição da frequência absoluta dos níveis de HDL (mg/dL). No eixo horizontal (x), estão os intervalos de valores do HDL, que variam de 40 a 70 mg/dL, enquanto, no eixo vertical (y), está a frequência absoluta, variando de 0 a 6. As barras do histograma estão preenchidas em tom rosa e possuem contornos pretos, indicando a quantidade de ocorrências dentro de cada intervalo. Sobre o histograma, há uma linha azul conectando os pontos médios do topo de cada barra, formando o polígono de frequências. Cada ponto do polígono tem um valor numérico correspondente, indicando a quantidade exata de ocorrências para cada intervalo. A legenda na parte inferior identifica os elementos do gráfico: a cor rosa representa a "frequência absoluta", enquanto a linha azul simboliza o "polígono de frequências". O gráfico ilustra uma distribuição aproximadamente simétrica, com o pico na faixa 50 – 55 mg/dL, onde a frequência atinge seis ocorrências. Fim da descrição.

Figura 5 - Mapa de calor
Fonte: o autor.

#PraCegoVer: a figura apresenta um mapa de calor (heatmap) que relaciona diferentes características (dados) com diversas enfermidades. No eixo horizontal (superior), há colunas rotuladas de A a J, representando diferentes características. No eixo vertical (à direita), há linhas identificadas como E1 a E7 e "Sano" (saudável), indicando diferentes condições de saúde. O gráfico utiliza uma escala de cores, mostrada na legenda inferior, onde tons mais claros (branco e azul-claro) representam valores baixos, tons médios indicam valores normais, e tons mais escuros (vermelho intenso) indicam valores altos. A distribuição das cores nas células do mapa sugere variações nos níveis das características entre indivíduos saudáveis e aqueles com diferentes enfermidades. O gráfico permite identificar padrões e possíveis correlações entre as características e as condições de saúde. Fim da descrição.

Ao escolher o tipo de gráfico, é essencial considerar a natureza dos dados e o objetivo da análise. Por exemplo, para identificar padrões temporais, gráficos de linha são mais apropriados, enquanto, para identificar clusters ou outliers, gráficos de dispersão oferecem maior clareza.

Melhores práticas na escolha da visualização

A escolha correta do tipo de gráfico é essencial para alinhar a visualização ao objetivo da análise e transmitir informações de forma clara e precisa. Quando o objetivo é a comparação de categorias, gráficos de barras são ideais. Para destacar distribuições, os histogramas oferecem uma visão clara da frequência de valores em intervalos definidos. Relações entre variáveis podem ser exploradas com gráficos de dispersão, enquanto gráficos de linhas são indicados para acompanhar tendências ao longo do tempo. Já a análise de composições, como a proporção de um todo, pode ser bem representada por gráficos de setores ou barras empilhadas. A seguir, nas Figuras 6 e 7, respectivamente, temos um exemplo do gráfico de setor e do gráfico de barras empilhadas:

Figura 6 - Gráfico de setor
Fonte: o autor.

#PraCegoVer: a figura apresenta um gráfico de setor (ou gráfico de pizza) com três segmentos coloridos representando diferentes linguagens de programação: Python, R e Matlab. O título do gráfico, "GRÁFICO DE SETOR", está em destaque na parte superior. Ao lado direito, há uma legenda que associa cada cor a uma linguagem: Python está representado em verde-claro, R em verde mais escuro, e Matlab em azul-petróleo. O gráfico é dividido em três partes de tamanhos distintos, sugerindo diferentes proporções de uso ou preferência dessas linguagens. No entanto não há valores numéricos ou porcentagens indicados para cada segmento. O design do gráfico é simples e claro, facilitando a interpretação visual das proporções entre as categorias. Fim da descrição.

Figura 7 - Gráfico de barras empilhadas
Fonte: o autor.

#PraCegoVer: a figura apresenta um gráfico de barras empilhadas com o título "GRÁFICO DE BARRAS EMPILHADAS" na parte superior. O gráfico exibe dados organizados em barras verticais, cada uma representando um conjunto de informações distribuídas ao longo do tempo, rotulado como "Data" no eixo horizontal. As barras são segmentadas em três cores, conforme indicado na legenda à esquerda: amarelo para o ano 2025, vermelho para 2024 e verde para 2023. O eixo vertical exibe uma escala numérica que varia de 0 a 40, representando a soma das contribuições de cada ano em cada categoria. A disposição empilhada das cores permite visualizar a contribuição individual de cada ano para o total de cada barra, evidenciando tendências ao longo do tempo. O fundo do gráfico tem um tom bege-claro, proporcionando um contraste suave com as cores utilizadas. Fim da descrição.

É fundamental, no entanto, evitar armadilhas que possam levar a interpretações errôneas. Gráficos sobrecarregados com excesso de elementos, como cores e rótulos desnecessários, podem confundir mais do que esclarecer. Escalas manipuladas ou não padronizadas também podem distorcer a percepção dos dados. Assim, priorizar clareza, simplicidade e precisão é essencial para que as visualizações cumpram seu papel de apoiar a tomada de decisões e facilitar a comunicação de informações complexas.

Introdução a bibliotecas Python para visualização de dados

A linguagem Python conta com um ecossistema robusto de bibliotecas voltadas à visualização de dados, cada uma oferecendo ferramentas e abordagens específicas para criar gráficos claros e informativos. Entre as mais populares, estão Matplotlib, Seaborn e Plotly, amplamente utilizadas por cientistas de dados e desenvolvedores para atender às necessidades de análise visual.

Segundo Matthes (2023), a Matplotlib — já vista em algumas lições anteriores — é uma biblioteca matemática para construção de gráficos e visualizações personalizadas, fundamentais para a comunicação dos resultados da análise dos dados, que é uma biblioteca versátil e poderosa que serve como base para muitas outras ferramentas de visualização. Ela permite a criação de gráficos altamente personalizáveis, sendo ideal para situações em que um controle detalhado sobre a aparência e o comportamento dos gráficos é necessário.

Seaborn, por sua vez, é construída sobre o Matplotlib e foca na simplificação da criação de gráficos estatísticos. Segundo Bisht (2022), Seaborn é uma biblioteca de visualização incrível para plotagem de gráficos estatísticos em Python. A biblioteca oferece belos estilos padrão e paletas de cores para tornar os gráficos estatísticos mais atraentes. Com funções de alto nível e designs atraentes por padrão, ela é particularmente útil para explorar padrões e tendências em dados complexos, como distribuições e correlações.

Já Plotly é uma biblioteca de plotagem de gráficos interativa e de código aberto, que oferece suporte a mais de 40 tipos de gráficos distintos. Ela abrange uma ampla variedade de aplicações, incluindo casos estatísticos, financeiros, geográficos, científicos e tridimensionais (Getting [...], 2025). Por sua versatilidade e recursos dinâmicos, é uma excelente escolha para a criação de dashboards e apresentações que demandam manipulação de dados em tempo real.

Essas bibliotecas complementam-se e podem ser combinadas em projetos, dependendo do nível de complexidade e das necessidades de interação das visualizações. A escolha da ferramenta certa é uma habilidade essencial para profissionais que desejam transformar dados em informações impactantes.

Construção de visualizações práticas com Python

A construção de visualizações em Python começa com a utilização de bibliotecas, como Matplotlib e Seaborn, que oferecem recursos acessíveis e poderosos para criar gráficos. A seguir, apresentamos um passo a passo para gerar visualizações básicas e personalizá-las de forma eficaz.

Com o Matplotlib, é possível criar gráficos fundamentais, como linhas e barras. Por exemplo, para construir um gráfico de linhas simples, o primeiro passo é importar a biblioteca e fornecer os dados. Veja o exemplo da Figura 8:

Figura 8 - Exemplo de gráfico em Matplotlib
Fonte: o autor.

#PraCegoVer: a figura apresenta dez linhas. Na linha 1, está escrito “import matplotlib.pyplot as plt”; na linha 3, “x = [1, 2, 3, 4, 5]”; na linha 4, “y = [2, 4, 6, 8, 10]”; na linha 6, “plt.plot(x, y)”; na linha 7, “plt.title('Gráfico de Linhas')”; na linha 8, “plt.xlabel('Eixo X')”; na linha 9, “plt.ylabel('Eixo Y')”; e, na linha 10, “plt.show().” Nas linhas 2 e 5, não há conteúdo escrito. Fim da descrição.

Esse código gera uma visualização com título, rótulos para os eixos e dados plotados como uma linha. Já com o Seaborn, a criação de gráficos estatísticos é simplificada. Por exemplo, um gráfico de dispersão pode ser criado utilizando o método scatterplot, como você pode conferir na Figura 9:

Figura 9 - Exemplo de gráfico em Seaborn
Fonte: o autor.

#PraCegoVer: a figura apresenta seis linhas. Na linha 1, está escrito “import seaborn as sns”; na linha 3, “dados = {'idade': [25, 30, 35, 40, 45], 'salario': [3000, 4000, 5000, 6000, 7000]}”; na linha 4, “sns.scatterplot(x='idade', y='salario', data=dados)”; na linha 5, “plt.title('Idade vs Salário')”; e, na linha 6, “plt.show()”. Na linha 2, não há conteúdo escrito. Fim da descrição.

Aqui, o Seaborn aplica, automaticamente, estilizações atraentes ao gráfico. No entanto a personalização é um elemento importante para tornar as visualizações claras e impactantes. Em Matplotlib, por exemplo, configurações adicionais, como cores e estilos de linhas, podem ser aplicadas, como você pode conferir na Figura 10 a seguir:

Figura 10 - Gráfico personalizado em Matplotlib
Fonte: o autor.

#PraCegoVer: a figura apresenta oito linhas. Na linha 1, está escrito “import matplotlib.pyplot as plt “; na linha 3, “plt.plot(x, y, color='red', linestyle='--', marker='o')”; na linha 4, “plt.title('Gráfico Personalizado')”; na linha 5, “plt.xlabel('Eixo X')”; na linha 6, “plt.ylabel('Eixo Y')”; na linha 7, “plt.legend(['Crescimento'], loc='upper left')”; e, na linha 8, “plt.show()”. Na linha 2, não há conteúdo escrito. Fim da descrição.

No exemplo, o gráfico inclui linhas pontilhadas, marcadores circulares e uma legenda posicionada no canto superior esquerdo. Essas abordagens oferecem uma base sólida para criar visualizações práticas e ajustadas às necessidades da análise, permitindo que os dados sejam representados de maneira clara, estética e informativa.

saiba aplicar

A visualização de dados é uma habilidade essencial para você, enquanto técnico em Desenvolvimento de Sistemas, pois permite transformar informações complexas em representações visuais acessíveis e impactantes. Esse conhecimento capacitará você, futuro profissional, a interpretar dados de maneira eficiente, identificar padrões e tendências e comunicar insights de forma clara para diferentes públicos.

Sendo assim, para consolidar o aprendizado, exploraremos como utilizar a biblioteca Seaborn para criar visualizações em Python, diretamente no Google Colab. Trabalharemos com um conjunto de dados real, utilizando o famoso conjunto de dados do Titanic, que contém informações sobre os passageiros do Titanic, como idade, classe, sobrevivência, entre outras variáveis. Siga agora o passo a passo:

1. Acesse o site Google Colab Notebook.

2. Clique em “New notebook”.

3. No editor de código, comece importando as bibliotecas que usaremos para manipulação e visualização de dados.

a. Pandas será utilizado para manipulação de dados.

b. Seaborn para a visualização dos dados.

c. Matplotlib para ajustes adicionais nos gráficos.

4. O Conjunto de dados Titanic está disponível diretamente no Seaborn. Vamos carregá-lo usando o método searborn.load_dataset().

5. Vamos explorar o conjunto de dados para entender sua estrutura e as variáveis disponíveis

6. Vamos criar um gráfico de distribuição da idade dos passageiros do Titanic para entender a distribuição dos dados. Utilize o sns.histplot() do Seaborn.

a. O parâmetro dropna() é usado para remover valores ausentes (NaN).

b. kde=True adiciona a curva de densidade do gráfico.

7. Para analisar a relação entre a sobrevivência dos passageiros e sua classe, criaremos um gráfico de barras. Use o sns.barplot() para isso.

a. O gráfico de barras ajudará a visualizar a taxa de sobrevivência de cada classe de passageiros (1ª, 2ª, 3ª classe).

8. Uma análise útil pode ser a correlação entre a idade e o preço do bilhete. Vamos criar um gráfico de dispersão (scatter plot).

a. A cor do ponto (hue=’survived’) indicará se o passageiro sobreviveu ou não.

Agora, veja, na Figura 11, a seguir, o resultado de todo o código digitado que você poderá usar como referência para sua prática:

Figura 11 - Visualização de dados dos sobreviventes do Titanic
Fonte: o autor.

#PraCegoVer: a figura apresenta 31 linhas. Na linha 1, está escrito “# Passo 3”; na linha 2, “import pandas as pd”; na linha 3, “import seaborn as sns”; na linha 4, “import matplotlib.pyplot as plt”; na linha 6, “# Passo 4”; na linha 7, “titanic = sns.load_dataset(‘titanic’)”; na linha 9, “# Passo 5”; na linha 10, “titanic.head()”; na linha 12, “# Passo 6”; na linha 13, “sns.histplot(titanic['age'].dropna(), kde=True, color='blue')”; na linha 14, “plt.title('Distribuição de Idade dos Passageiros do Titanic')”; na linha 15, “plt.xlabel('Idade')”; na linha 16, “plt.ylabel('Frequência')”; na linha 17, “plt.show()”; na linha 19, “# Passo 7”; na linha 20, “sns.barplot(x='class', y='survived', data=titanic, palette='viridis')”; na linha 21, “plt.title('Taxa de Sobrevivência por Classe de Passageiro')”; na linha 22, “plt.xlabel('Classe')”; na linha 23, “plt.ylabel('Taxa de Sobrevivência')”; na linha 24, “plt.show()”; na linha 26, “# Passo 8”; na linha 27, “sns.scatterplot(x='age', y='fare', data=titanic, hue='survived', palette='coolwarm')”; na linha 28, “plt.title('Idade vs Preço do Bilhete (Sobrevivente vs Não Sobrevivente)')”; na linha 29, “plt.xlabel('Idade')”; na linha 30, “plt.ylabel('Preço do Bilhete')”; e, na linha 31, “plt.show()”. Nas linhas 5, 8, 11, 18 e 25, não há conteúdo escrito. Fim da descrição.

Chame seus colegas e/ou professores para analisar os resultados das visualizações criadas e utilize o conjunto de dados para criar mais visualizações. Nesse exercício prático, você aprendeu a utilizar a biblioteca Seaborn no Google Colab para realizar visualizações eficazes de dados. Criamos gráficos de distribuição, barras e dispersão, essenciais para a análise exploratória de dados, utilizando um conjunto de dados real.

Lembre-se, o domínio dessas ferramentas é de extrema importância para você, futuro técnico em Desenvolvimento de Sistemas, pois facilita a interpretação dos dados e a comunicação dos resultados de maneira clara e objetiva.

REFERÊNCIAS

BISHT, K. S. Seaborn: machine learning: basic to advance with matplolib: with every concept examples. [S. n.: s. l.], 2022.

DALE, K. Visualização de dados com Python e JavaScript: Raspe, Limpe, Explore e Transforme seus dados. Rio de Janeiro: Alta Books, 2024.

GETTING started with plotly in python. Plotly, c2025. Disponível em: https://plotly.com/python/getting-started/. Acesso em: 30 abr. 2025.

MATTHES, E. Curso Intensivo de Python: uma introdução prática e baseada em projetos à programação. 3. ed. São Paulo: Novatec, 2023.

O QUE é visualização de dados? Amazon Web Services, 18 dez. 2024. Disponível em: https://aws.amazon.com/pt/what-is/data-visualization/. Acesso em: 30 abr. 2025.

Page updated

Google Sites

Report abuse