-
Notifications
You must be signed in to change notification settings - Fork 1
/
4_microdados.qmd
497 lines (386 loc) · 19.2 KB
/
4_microdados.qmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
---
from: markdown+emoji
code-annotations: hover
---
# Microdados
## Dados disponíveis no {censobr}
O **{censobr}** é um pacote de R para acessar os dados e documentação dos censos demográficos do Brasil [@pereira2023censobr]. O pacote disponibiliza microdados da amostra de todas as edições do censo demográfico desde 1960. A Tabela 1 apresenta abaixo todas as bases de dados do censo que você consegue acessar com o **{censobr}**.
**Tabela 1. Funções de dados disponíveis no {censobr}**
```{=html}
<!DOCTYPE html>
<html lang="en">
<head>
<!-- <meta charset="UTF-8"> -->
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<style>
table {
width: 100%;
border-collapse: collapse;
}
table, th, td {
border: 1px solid black; /* Thicker border for better visibility */
}
th, td {
padding: 10px;
text-align: center;
}
</style>
</head>
<body>
<table border="1" cellpadding="5" cellspacing="0">
<thead>
<tr>
<th rowspan="2">Função</th>
<th rowspan="2">Origem</th>
<th rowspan="2">Unidade</th>
<th rowspan="2">Definição</th>
<th colspan="7">Disponibilidade</th>
</tr>
<tr>
<th>1960</th>
<th>70</th>
<th>80</th>
<th>91</th>
<th>2000</th>
<th>10</th>
<th>22</th>
</tr>
</thead>
<tbody>
<tr>
<td>read_population()</td>
<td>Amostra</td>
<td>Microdado</td>
<td>Lê os microdados de pessoas</td>
<td>X</td>
<td>X</td>
<td>X</td>
<td>X</td>
<td>X</td>
<td>X</td>
<td><i>em breve</i></td>
</tr>
<tr>
<td>read_households()</td>
<td>Amostra</td>
<td>Microdado</td>
<td>Lê os microdados de domicílios</td>
<td>X</td>
<td>X</td>
<td>X</td>
<td>X</td>
<td>X</td>
<td>X</td>
<td><i>em breve</i></td>
</tr>
<tr>
<td>read_families()</td>
<td>Amostra</td>
<td>Microdado</td>
<td>Lê os microdados de famílias do censo de 2000</td>
<td></td>
<td></td>
<td></td>
<td>X</td>
<td></td>
<td></td>
<td></td>
</tr>
<tr>
<td>read_emigration()</td>
<td>Amostra</td>
<td>Microdado</td>
<td>Lê os microdados de emigração</td>
<td></td>
<td></td>
<td></td>
<td></td>
<td></td>
<td>X</td>
<td><i>em breve</i></td>
</tr>
<tr>
<td>read_mortality()</td>
<td>Amostra</td>
<td>Microdado</td>
<td>Lê os microdados de mortalidade</td>
<td></td>
<td></td>
<td></td>
<td></td>
<td></td>
<td>X</td>
<td><i>em breve</i></td>
</tr>
<tr>
<td>read_tracts()</td>
<td>Universo</td>
<td>Setor Censitário</td>
<td>Lê os dados do Universo agregados por setores censitários</td>
<td></td>
<td></td>
<td></td>
<td></td>
<td>em breve</td>
<td>X</td>
<td>em breve</td>
</tr>
</tbody>
</table>
</body>
</html>
```
Todas as funções de leitura de microdados possuem a mesma estrutra (sintaxe), o que permite o usuário baixar os dados de maneira fácil e intuitiva com um único comando. As funções possuem os seguintes parâmetros:
```{r, eval = FALSE}
read_households(
year, # ano de referência do censo
columns, # seleciona colunas que devem ser lidas
add_labels, # adiciona os 'labels' das variáveis categóricas
as_data_frame, # retorna resultado como um `Arrow DataSet` ou `data.frame`
showProgress, # mostra barra de progresso do download
cache # salva arquivo em cache para rapida leitura posteriormente
)
```
::: {.callout-important appearance="default"}
## Cache local dos dados
A primeira vez que o usuário executa uma função, o **{censobr}** fará o download dos dados e os armazenará localmente numa pasta do pacote. Dessa forma, os dados precisam ser baixados apenas uma vez. Mais informações na seção *Cache de Dados* abaixo.
:::
## Trabalhando com dados maior do que a RAM
{width=350 fig-align="center"}
É muito comum que os microdados do censo brasileiro sejam grandes demais para serem carregados na memória RAM do usuário. Para resolver esse problema, o **{censobr}** foi construído sobre a plataforma [Arrow](https://arrow.apache.org/docs/r/) e arquivos em formato `.parquet`, o que permite que o usuário trabalhe de maneira eficiente até mesmo com bases de dados muito grandes utilizando funções já bem conhecidas do pacote [{dplyr}](https://arrow.apache.org/docs/r/articles/arrow.html#analyzing-arrow-data-with-dplyr).
Vamos então partir para exemplos na prática, e começar carregando as bibliotecas que usamos.
```{r, message = FALSE, warning=FALSE}
#| label: load-libraries
# carrega bibliotecas
library(censobr)
library(arrow)
library(dplyr)
library(ggplot2)
```
## Dados de população
Neste exemplo, nós vamos criar um gráfico da pirâmica populacional do Brasil no ano de 2010. O primeiro passo é usar a função `read_population()` para carregar os microdados de população.
O comportamento padrão das funções do **{censobr}** é retornar *todas* as variáveis das bases de dados. No entanto, como vamos fazer uma análise simples, o mais eficiente é passarmos um vetor com os nomes das colunas que vamos utilizar. Neste caso, usaremos somente as variáveis de peso amostral, sexo e idade (códigos `"V0010"`, `"V0601"` e `"V6036"`, respectivamente). No último capítulo do curso a gente vai ver como baixar os dicionários variáveis dos censos.
```{r, message=FALSE}
#| label: read-population-data
pop <- read_population(
year = 2010,
columns = c('V0010', 'V0601', 'V6036'), # <1>
add_labels = 'pt', # <2>
showProgress = FALSE
)
class(pop)
```
1. Aumentando eficiência ao ler apenas as colunas que vamos usar
2. Adicionando os 'labels' em Português das variáveis categóricas.
Ao rodar o comando `nrow(pop)`, você verá que a tabela de microdados de população do Censo de 2010 tinha mais de vinte milhões de observações (`20.635.472`), mas essas observações não estão carregadas na sua memória RAM. Isso porque, por padrão, a saída da função é um `"arrow_dplyr_query"` ou `"ArrowObject"`. Isso permite que você trabalhe com os dados do censo de maneira super rápida e eficiente, mesmo que a tabela de dados seja grande demais para a memória do seu computador. Note que se você passar o parâmetro `as_data_frame = TRUE`, a função carregará os dados como um `data.frame` na memória RAM. ***Atenção***: isso pode fazer com que a sessão do R trave em ambientes com pouca memória.
Esse output em arrow pode ser analisado de maneira similar a como se analisaria um `data.frame` utilizando-se funções do pacote {dplyr}. Uma diferença, no entanto, é que as operações somente são executadas e resultados extraídos quando o usuário roda a função `dplyr::collect()`.
Neste exemplo, abaixo, nós visualizamos as primeiras linhas 6 da tabela de dados com `head(pop)`, e somente essas poucas observações são carregas para memória com o commando `collect()`:
```{r, warning=FALSE}
#| label: head-population-data
head(pop) |>
collect()
```
O próximo passo para criamos nossa pirâmide populacional é criar um variável categória com grupos de idade. No exemplo abaix, nós utilizadmos grupos de 5 anos.
```{r, warning=FALSE}
#| label: create-age-variable
pop <- pop |>
mutate(
age_group = dplyr::case_when(
V6036 <= 04 ~ "00-05",
V6036 >= 05 & V6036 < 10 ~ "05-10",
V6036 >= 10 & V6036 < 15 ~ "10-15",
V6036 >= 15 & V6036 < 20 ~ "15-20",
V6036 >= 20 & V6036 < 25 ~ "20-25",
V6036 >= 25 & V6036 < 30 ~ "25-30",
V6036 >= 30 & V6036 < 35 ~ "30-35",
V6036 >= 35 & V6036 < 40 ~ "35-40",
V6036 >= 40 & V6036 < 45 ~ "40-45",
V6036 >= 45 & V6036 < 50 ~ "45-50",
V6036 >= 50 & V6036 < 55 ~ "50-55",
V6036 >= 55 & V6036 < 60 ~ "55-60",
V6036 >= 60 & V6036 < 65 ~ "60-65",
V6036 >= 65 & V6036 < 70 ~ "65-70",
V6036 >= 70 ~ "70+"
))
head(pop) |>
collect()
```
E em seguida, nós só precisamos somar o número de homens e mulheres em cada grupo de idade. Para isso, nós somamos os valores da variável de peso amostral `V0010` em cada grupo. Repare que ao chamarmos a função `collect()`, o código é executado e retorna um `data.frame` com a contagem de pessoas por sexo e faixa de idade. Repare que nós processamos todos os mais de 20 milhões de registro do censo, mas só precisamos carregar na memória essa tabela com 30 observações.
```{r, warning=FALSE}
#| label: summarize-pop-table
# cacula tabela de contagem de pessoas por idade
piramide_df <- pop |>
group_by(V0601, age_group) |>
summarise(pop_count = sum(V0010)) |>
collect()
head(piramide_df)
```
Pronto, no último passo é só fazer o gráfico de pirâmide populacional utilizando o pacote {ggplot2}.
```{r}
#| label: pop-pyramid-ggplot
#| code-fold: true
#| fig-cap: "Pirâmide demográfica, Brasil, 2010"
# remove grupo com idade missing `NA`
piramide_df <- filter(piramide_df, !is.na(age_group))
# transforma a contagem de mulheres para valores negativos
piramide_df <- piramide_df |>
mutate(pop_count = if_else(V0601 == "Masculino", pop_count, -pop_count))
# figura
ggplot(data = piramide_df,
aes(x = pop_count / 1000,
y = age_group,
fill = V0601)) +
geom_col() +
scale_fill_discrete(name="", type=c("#ffcb69","#437297")) +
scale_x_continuous(labels = function(x){scales::comma(abs(x))},
breaks = c(-8000, -4000,0,4000, 8000),
name = "População (em milhares)") +
theme_classic() +
theme(
legend.position = "top",
axis.title.y=element_blank(),
panel.grid.major.x = element_line(color = "grey90")
)
```
## Dados de domicílios
### Saneamento:
Neste exemplo, nós vamos usar os dados de domicílios do censo de 2010 para calcular qual a proporção de domicílios que estavam conectados à rede de esgoto nos municípios de cada região do Brasil. O primeiro passo é baixar os dados utilizando a função `read_households()`.
```{r, message=FALSE}
#| label: read-household-data
dom <- read_households(year = 2010,
showProgress = FALSE)
```
Agora vamos (1) agrupar as observações por região e município, (2) obter o número de domicílios conectados à rede de esgoto, (3) obter o número total de domicílios, (4) calcular a proporção de domicílios conectados e (5) coletar os resultados.
```{r warning = FALSE}
#| label: compute-sewage-connection
esg <- dom |>
compute() |>
group_by(name_region, code_muni) |> # <1>
summarize(rede = sum(V0010[which(V0207=='1')]), # <2>
total = sum(V0010)) |> # <3>
mutate(cobertura = rede / total) |> # <4>
collect() # <5>
head(esg)
```
1. Agrupar as observações por região e município
2. Obter o número de domicílios conectados à rede de esgoto
3. Obter o número total de domicílios
4. Calcular a proporção de domicílios conectados
5. Coletar os resultados.
Uma rápida análise da dispersão dos valores com o *box-plot* abaixo já revela um dos retratos da desigualdade regional brasileira. Em todos municípios da região Norte e quase metade dos municípios da região Nordeste, a gente encontra que menos de 50% dos domicílios estavam conectados à rede de esgoto em 2010. No próximo bloco, nós vamos visualizar como essas diferenças se distribuem espacialmente.
```{r}
#| label: plot-sewage-regions
ggplot(esg) +
geom_boxplot(aes(x=reorder(name_region, -cobertura), y=cobertura,
weight = rede, color=name_region),
show.legend = F, outlier.alpha = 0.1) +
scale_y_continuous(labels = scales::percent) +
labs(x="Região", y="Quantidade de domicílios\nconectados à rede de esgoto") +
theme_classic()
```
## Análise espacial com {geobr}
O **{geobr}** é um pacote para baixar dados espaciais oficiais do Brasil [@pereira2019geobr]. Ele inclui uma ampla variedade de dados geoespaciais disponíveis em várias escalas geográficas e para diversos anos, como municípios, regiões metropolitanas, biomas, estabelecimentos de saúde, etc (veja a [lista completa no site do pacote](https://ipeagit.github.io/geobr/)).
## Integração entre {censobr} e {geobr}
<div style="display: flex; justify-content: space-around;">
{width=160 fig-align="center"}
{width=160 fig-align="center"}
</div>
::: {.callout-information appearance="default"}
Todos os dados do **{censobr}** são enriquecidos com colunas de geografia, seguindo os padrões de nomenclatura do pacote **{geobr}** para facilitar a manipulação e a integração de dados espaciais dos censos demográficos do Brasil. As colunas adicionadas são: `c('code_muni', 'code_state', 'abbrev_state', 'name_state', 'code_region', 'name_region', 'code_weighting', 'code_tract')`.
:::
Para criarmos uma mapa com a distribuição espacial da cobertura da rede de esgoto no Brasil, nós vamos primeiro usar o pacote **{geobr}** para baixar as geometrias dos municípios brasileiros no ano de 2010. Vamos também sobrepor os limites das grandes regiões do país para dar um pouco mais de contexto à figura.
```{r warning = FALSE, message=FALSE}
#| label: geobr-read-municipality
library(geobr)
regioes_df <- read_region(year = 2010,
showProgress = FALSE)
muni_sf <- read_municipality(year = 2010,
showProgress = FALSE)
head(muni_sf)
```
Agora nós só precisamos unir os dados espaciais com nossas estimativas utilizando a variável chave `code_muni` e mapear os resultados.
```{r warning = FALSE}
#| label: merge-geobr-censobr-plot-map
# merge data
esg_sf <- dplyr::left_join(muni_sf, esg, by = 'code_muni')
# plot map
ggplot() +
geom_sf(data = esg_sf, aes(fill = cobertura), color=NA) +
geom_sf(data = regioes_df, color = 'gray20', fill=NA) +
labs(title = "Quantidade de domicílios conectados à rede de esgoto") +
scale_fill_distiller(palette = "Greens", direction = 1,
name='Proporção de\ndomicílios',
labels = scales::percent) +
theme_void() +
theme(legend.position = 'bottom')
```
### Distribuição espacial do valor do aluguel:
No exemplo anterior, nós agregamos os microdados do censo no nível de municípios. Neste próximo exemplo, faremos uma análise espacial no nível de áreas de ponderação. Aqui nós vamos visualizar como o valor do aluguel varia espacialmente na região metropolitana de São Paulo.
Primeiro, vamos baixar os municípios da região metropolitana de São Paulo com o **{geobr}**.
```{r warning = FALSE, message=FALSE}
#| label: geobr-read-metro-sp
metro_sp <- geobr::read_metro_area(year = 2010,
showProgress = FALSE) |>
filter(name_metro == "RM São Paulo")
```
Também precisamos dos polígonos das áreas de ponderação. Com o código abaixo, baixamos todas as áreas de ponderação do estado de São Paulo e, em seguida, mantemos apenas aquelas na região metropolitana de São Paulo.
```{r warning = FALSE, message=FALSE}
#| label: geobr-read-areas-area
wt_areas <- geobr::read_weighting_area(code_weighting = "SP",
year = 2010,
simplified = FALSE,
showProgress = FALSE) # <1>
wt_areas <- filter(wt_areas, code_muni %in% metro_sp$code_muni)
head(wt_areas)
```
1. O comportamento padrão do {geobr} é baixar uma versão da malha espacial com geometrias ligeiramente simplificadas (`simplified = TRUE`) para agilizar o processamento e visualização de dados. Aqui, nós baixamos os dados com geometrias originais devido à escala espacial da visualização dos resultados.
Agora voltamos para a base de dados de domicílios do censo de 2010. Com essa base, nós precisamos calcular o valor médio do aluguel gasto em cada área de ponderação. Note que para isso nós usamos a média do aluguel (variável `V2011`) ponderada pelo peso do domicílio (variável `V0010`). Para encontrar esses valores, o código abaixo (1) filtra apenas as observações nos nossos municípios de interesse, (2) computa temporariamente o resultado, (3) agrupa as observações por área de ponderação, (4) calcula o valor médio do aluguel e (5) coleta os resultados.
```{r warning = FALSE}
#| label: censobr-calcula-alugel-areapond
rent <- dom |>
filter(code_muni %in% metro_sp$code_muni) |> # <1>
compute() |> # <2>
group_by(code_weighting) |> # <3>
summarize(avgrent=weighted.mean(x=V2011, w=V0010, na.rm=TRUE)) |> # <4>
collect() # <5>
head(rent)
```
1. Filtra apenas as observações nos nossos municípios de interesse
2. Computa temporariamente o resultado
3. Agrupa as observações por área de ponderação
4. Calcula o valor médio do aluguel
5. Coleta os resultados.
Por fim, basta unirmos os dados espaciais com nossas estimativas de aluguel pela variável chave de código da área de ponderação (`code_weighting`), e mapear os resultados.
```{r warning = FALSE}
#| label: plot-alugel-areapond
rent_sf <- left_join(wt_areas, rent, by = 'code_weighting')
ggplot() +
geom_sf(data = rent_sf, aes(fill = avgrent), color=NA) +
geom_sf(data = metro_sp, color='gray', fill=NA) +
labs(title = "Valor médio do aluguel por área de ponderação",
subtitle = "Região Metropolitana de São Paulo, 2010") +
scale_fill_distiller(palette = "Purples", direction = 1,
name='Valores\nem R$',
labels = scales::number_format(big.mark = ".")) +
theme_void()
```
## Data cache
Na primeira vez que o usuário executa uma função, o **{censobr}** fará o download do arquivo e o armazenará localmente. Dessa forma, os dados só precisam ser baixados uma vez. Quando o parâmetro `cache` está configurado como `TRUE` (que é o comportamento padrão do pacote), a função lerá os dados que já estão armanezados em cache, o que é praticamente instantâneo.
Os usuários podem gerenciar os conjuntos de dados em cache usando a função `censobr_cache()`. Por exemplo, os usuários podem:
Listar arquivos em cache:
```{r warning=FALSE, eval=FALSE}
censobr_cache(list_files = TRUE)
```
Deletar um arquivo específico:
```{r warning=FALSE, eval=FALSE}
censobr_cache(delete_file = "2010_emigration")
```
Deletar todos arquivos do cache:
```{r warning=FALSE, eval=FALSE}
censobr_cache(delete_file = "all")
```
Por padrão, os arquivos do **{censobr}** são salvos no diretório 'User'. No entanto, os usuários podem executar a função `set_censobr_cache_dir()` para definir um diretório de cache personalizado. Note que essa definição personalizada precisa ser definida a cada nova sessão do R.
```{r, eval=FALSE, warning=FALSE}
tempf <- tempdir()
set_censobr_cache_dir(path = tempf)
```