- Eleições Brasileiras.
- Sistema de Informações Contábeis e Fiscais do Setor Público Brasileiro (Siconfi).
- Inflação.
A base escolhida foi a de Eleições Brasileiras.
O código para as visualizações é o
CaseBD.Rmd,
que está presente no repositório, ele é completamente reprodutível. A
única ressalva fica para o set_billing_id() que, no caso, contém o
meu billing id.
Então vamos nessa! Importando os pacotes:
library(basedosdados)
library(tidyverse)
library(geofacet)
library(ggh4x)
library(extrafont)O objetivo da minha análise é visualizar a evolução no tempo do número
de vereadoras eleitas e compará-lo com o número de vereadores eleitos,
para todas as Unidades Federativas do Brasil. Para isso, usei a base de
eleições (do TSE), disponibilizada no datalake. De maneira resumida,
carreguei as bases com os resultados e fiz um merge() com a base dos
candidatos, que é a que contêm os dados de gênero, raça, instrução e
etc.
Baixando os dados do datalake com a função basedosdados::bdplyr() e
construindo a query com o dplyr:
set_billing_id("casebd")
## base de resultados
query <- bdplyr("br_tse_eleicoes.resultados_candidato") %>%
select(ano, id_municipio, sigla_uf,
turno, tipo_eleicao, cargo,
numero_candidato, id_candidato_bd,
resultado, ano)%>%
filter(ano > 2007,cargo == "vereador", resultado != "nao eleito")
df_resultado <- bd_collect(query)
## base de candidatos
query2 <- bdplyr("br_tse_eleicoes.candidatos") %>%
select(ano,sigla_uf,id_candidato_bd,nome,situacao,ocupacao, genero, idade,instrucao,raca)%>%
filter(ano > 2007)
df_candidatos <- bd_collect(query2)
## base de diretórios
query4 <- bdplyr("br_bd_diretorios_brasil.uf")%>%
select(sigla, nome)
diretorio <- bd_collect(query4)Como disse, fiz o merge() das bases de candidatos e do resultado das
eleições, e também fiz um merge() com a base de diretórios, para
facilitar a visualização dos nomes das UF’s.
candidatos_merged <- merge(df_candidatos, df_resultado, by = c("id_candidato_bd","ano"))
diretorio <- diretorio %>%
rename(nome_uf = nome, sigla_uf = sigla) #%>%
candidatos_merged <- merge(candidatos_merged, diretorio, by.x = "sigla_uf.x", by.y = "sigla_uf")Com as funções do dplyr, montei uma base (a) com número de
candidatos(as) eleitos(as), por gênero, e a propoção entre os dois
gêneros.
a <- candidatos_merged %>%
filter(resultado != "suplente")%>%
filter(tipo_eleicao == "eleicao ordinaria", situacao == "deferido")%>%
#mutate(militar = case_when(str_detect(ocupacao,c("policia|militar reformado"))~ "Policial ou Militar",TRUE ~ "Outras ocupações"))%>% ##tinha pensado em fazer algo relacionado à policia, mas desisti...
group_by(ano, sigla_uf.x, genero)%>%
summarise(N = n()) %>%
group_by(ano, sigla_uf.x)%>%
mutate(total = sum(N), proporcao =round(N/total,2))%>%
mutate(genero = if_else(is.na(genero), "nao respondido", genero))%>%
mutate(genero = as.factor(genero)) Com a base pronta, criei uma primeira visualização, com o pacote
ggplot2, mostrando a evolução temporal da proporção de pessoas
eleitas, para o cargo de vereador(a), do gênero feminino, comparada com
o total de vereadores(as) eleitos(as), por UF. Com o
geofacet::facet_geo() pude deixar a visualização um pouquinho mais
“bonita”, dando ao gráfico o formato, não tão exato, do mapa do
Brasil.
## gráfico com o facet_geo()
a %>%
filter(genero=="feminino")%>%
ggplot(aes(x = ano, y = proporcao))+
geom_area(fill = "#009688",alpha=0.4) +
geom_line(color="#762a83", size=1, alpha = 0.5) +
geom_point(size=1.5, color="#762a83", alpha = 0.5)+
scale_y_continuous(labels = scales::percent)+
facet_geo(~sigla_uf.x, grid = "br_states_grid1")+
scale_x_continuous(breaks = seq(2008, 2020, 4)) +
labs(
title = "Percentual de\nvereadoras(es) do gênero\nfeminino eleitas(os),\n2008-2020:",
caption = "Fonte: @basedosdados · Elaboração: Arthur Gusmão\nObs: Não há eleições municipais no Distrito Federal"
) +
theme_minimal() +
theme(
panel.grid = element_blank(),
legend.pos = c(0.875, 0.975),
legend.direction = "horizontal",
legend.box = "vertical",
legend.title = element_blank(),
plot.background = element_rect(fill = "#F5F4EF", color = NA),
plot.margin = margin(40, 60, 40, 60),
plot.title = element_text(
margin = margin(0, 0, 0, 0),
size = 20,
family = "Georgia",
face = "bold",
vjust = 0,
color = "grey25"
),
plot.caption = element_text(size = 11, family = "Georgia", color = "grey25"),
axis.title = element_blank(),
axis.text.x = element_text(color = "grey40", size = 8),
axis.text.y = element_text(color = "grey40", size = 6),
strip.text = element_text(face = "bold", color = "grey20")
)
## Pegando as UF's que tiveram resultado positivo na comparação 2008-2020
a %>%
filter(genero == "feminino", ano == 2008 | ano ==2020) %>%
mutate(sigla_uf.x = factor(sigla_uf.x, levels = sigla_uf.x))%>%
group_by(sigla_uf.x)%>%
mutate(pct_change = (proporcao/lag(proporcao) - 1))%>%
mutate(pct_change = coalesce(pct_change,0))%>%
mutate(id = case_when(pct_change > 0 ~ "positivo",
TRUE ~"negativo"))%>%
filter(id == "positivo")%>%
pull(sigla_uf.x) -> positivos
## Base com os resultados positivos, irá ficar mais ressaltada no grafico:
### Dica do https://uc-r.github.io/cleveland-dot-plots
highlight <- a %>%
filter(genero == "feminino", ano == 2008 | ano ==2020) %>%
group_by(ano)%>%
arrange(proporcao)%>%
mutate(sigla_uf.x = factor(sigla_uf.x, levels = sigla_uf.x))%>%
filter(sigla_uf.x %in% positivos)
## Criando as bases com os labels
label_esq <- a %>%
filter(genero == "feminino", ano == 2008) %>%
group_by(ano)%>%
arrange(proporcao)%>%
mutate(sigla_uf.x = factor(sigla_uf.x, levels = sigla_uf.x))%>%
filter(sigla_uf.x %in% positivos)
label_dir <- a %>%
filter(genero == "feminino",ano ==2020) %>%
group_by(ano)%>%
arrange(proporcao)%>%
mutate(sigla_uf.x = factor(sigla_uf.x, levels = sigla_uf.x))%>%
filter(sigla_uf.x %in% positivos)
## O gráfico:
plot3 <- a %>%
filter(genero == "feminino", ano == 2008 | ano ==2020) %>%
group_by(ano)%>%
arrange(ano)%>%
mutate(sigla_uf.x = factor(sigla_uf.x, levels = sigla_uf.x))%>%
ggplot(aes(proporcao,sigla_uf.x))+
geom_line(aes(group = sigla_uf.x), alpha = 0.4)+
geom_line(data= highlight, aes(group = sigla_uf.x), size = 0.6)+
geom_point(aes(color = as.factor(ano)), alpha = 0.4, size= 1.5)+
geom_point(data = highlight, aes(color = as.factor(ano)), size = 3)+
geom_text(data = label_dir, aes(label= scales::percent(proporcao,accuracy = 0.1)), size = 2.5, hjust = -0.5)+
geom_text(data = label_esq, aes(label= scales::percent(proporcao, accuracy = 0.1)), size = 2.5, hjust = 1.5)+
scale_x_continuous(labels = scales::percent)
## Ajustes finais:
plot3 +
scale_color_manual(values=c("#009688", "#762a83"))+
scale_y_discrete(expand = c(.02, 0)) +
labs(title = "Percentual de vereadoras(es) do \ngênero feminino eleitos(as), 2008-2020:",
subtitle = "Das 26 Unidades Federativas Brasileiras, 13 apresentaram crescimento da proporção de eleitos(as)\ndo gênero feminino no período 2008-2020.\nEssas 13 Unidades Federativas estão ressaltadas no gráfico.",
caption = "Fonte: @basedosdados · Elaboração: Arthur Gusmão") +
theme_minimal() +
theme(axis.title = element_blank(),
plot.background = element_rect(fill = "#F5F4EF", color = NA),
panel.grid.major.x = element_blank(),
panel.grid.minor = element_blank(),
legend.title = element_blank(),
plot.margin = margin(10, 10, 10, 10),
legend.justification = c(0, 1),
legend.position = c(.1, 1.075),
legend.background = element_blank(),
legend.direction="horizontal",
text = element_text(family = "Georgia"),
plot.title = element_text(size = 20, margin = margin(b = 10), color = "grey25", face = "bold"),
plot.subtitle = element_text(size = 10, color = "grey20", margin = margin(b = 25)),
plot.caption = element_text(size = 8, margin = margin(t = 10), color = "grey25", hjust = 0))
É isso, espero que gostem :)
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent