Introdução a Ciência de Dados. Prof: Ricardo Olinda






Disposições iniciais

Com cunho educativo, o relatório a seguir é referente a avaliação da unidade 1 da cadeira de Introdução a Ciência de Dados. Ministrada pelo professor Ricardo Olinda. Feita a base da exploração, utilização e manipulação do banco de dados por meio do RStudio, utilizando a linguagem R. E tem o intuíto de fazer um levantamento dessas informações por meio das funções aprendidas em sala de aula.

Através deste relatório venho apresentar as experiências que tive com o banco de dados que me foi dado, e os desafios encontrados no meio do caminho.





Introdução

O relatório aqui introduzido tem como mmissão evidenciar, explorar, e visualizar dados de um específico banco de dados e efetuar as devidas manipulações. O banco de dados que me foi atribuido foi o referente a os mnicípios de Santa Catarina.

Tive muitos desafios quanto a o banco de dados em questão. Uma das princípais foi a dificuldade de trabalhar com 295 cidades diferentes. E efetuar o cruzamento desses dados. Porém, a partir daqui, serm exibidos dados concretos com base em estudos reais feitos pelo IBGE nos anos de 2010 a 2021.




Materiais usados

Metodos usados




Aplicação

Neste módulo irei apresentar os resultados obtidos por meio das funções R, com a exibição de tabelas, histogramas e gráficos. Em seguida mostrarei algumas informações do meu banco de dados com base nos códigos aprendidos em sala de aula e outros que aprendi em meu estudo particular.

O primeiro passo é instalar a biblioteca que utilizaremos para fazer a leitura do nosso banco de dados, que se encontra em Excel. Fazemos esse processo de importação por meio da função library.

Para continuarmos com a manipulação do nosso banco de dados instalamos a biblioteca readxl.

# importando a biblioteca readxl:
library(readxl)


Logo depois atribuimos nosso banco de dados a uma variável. E em seguida adicionamos uma nova variável responsável por ler nosso banco de dados por meio de uma função da biblioteca readxl, a função read_excel. E para finalizar atribuímos nossa variável a uma nova e a atribuimos a função as.data.frame, para que a mesma seja lida como data frame.

meuxlsx <- "banco_sc.xlsx"
Dados<- read_excel('banco_sc.xlsx')
dados<- as.data.frame(Dados)


Para visualizarmos o cabeçalho(primeiras linhas) do nosso banco de dados utilizo a função head. Escolhi reduzir a exibição a 5 linhas adicionando ,5.

# Para visualizar as 5 primeiras linhas do cabeçalho do meu banco de dados utilizo o:
head(dados, 5)
##       Municipio Area_Territorial Populacao Densidade_Demografica Escolarizacao
## 1 Abdon Batista          237.517      2598                 10.94         100.0
## 2  Abelardo Luz          953.992     17392                 18.23          97.1
## 3    Agrolândia          206.815     10990                 53.14          97.0
## 4    Agronômica          129.774      6055                 46.66          94.4
## 5     Água Doce         1319.137      6508                  4.93          97.9
##    IDHM      PIB
## 1 0.694 24358.67
## 2 0.696 44568.35
## 3 0.725 27381.60
## 4 0.741 33936.32
## 5 0.698 76341.09


Para visualizarmos as últimas linhas do nosso banco de dados utilizo a função tail. Escolhi também reduzir a exibição a 5 linhas adicionando ,5.

# Para visualizar as 5 ultimas linhas do meu banco de dados utilizo:
tail(dados, 5)
##     Municipio Area_Territorial Populacao Densidade_Demografica Escolarizacao
## 291 Witmarsum          153.776      4255                 27.67          98.1
## 292   Xanxerê          377.426     51607                136.73          98.6
## 293 Xavantina          218.032      3653                 16.75          99.4
## 294     Xaxim          293.628     31918                108.70          96.4
## 295    Zortéa          190.179      3930                 20.66          98.9
##      IDHM      PIB
## 291 0.710 35935.74
## 292 0.775 42322.34
## 293 0.749 44986.58
## 294 0.752 38235.08
## 295 0.761 24088.11


Para visualizarmos o sumário com algumas informações adicionais sobre cada variável do nosso banco de dados utilizo a função summary.

# Para ver o sumário do nosso banco de dados utilizo o:
summary(dados)
##   Municipio         Area_Territorial    Populacao      Densidade_Demografica
##  Length:295         Min.   :  35.14   Min.   :  1651   Min.   :   1.97      
##  Class :character   1st Qu.: 135.16   1st Qu.:  3671   1st Qu.:  20.54      
##  Mode  :character   Median : 232.35   Median :  8319   Median :  35.91      
##                     Mean   : 324.51   Mean   : 25795   Mean   : 104.91      
##                     3rd Qu.: 381.49   3rd Qu.: 19448   3rd Qu.:  76.92      
##                     Max.   :2637.66   Max.   :616323   Max.   :3077.70      
##                                                                             
##  Escolarizacao         IDHM             PIB        
##  Min.   : 92.80   Min.   :0.6210   Min.   : 10600  
##  1st Qu.: 97.50   1st Qu.:0.7050   1st Qu.: 29371  
##  Median : 98.40   Median :0.7360   Median : 37369  
##  Mean   : 98.18   Mean   :0.7316   Mean   : 40401  
##  3rd Qu.: 99.10   3rd Qu.:0.7590   3rd Qu.: 47184  
##  Max.   :100.00   Max.   :0.8470   Max.   :198923  
##  NA's   :2        NA's   :2


Para visualizarmos informações sobre as dimensões(n’ de linhas e colunas) do nosso banco de dados utilizo a função dim.

# Para visualizarmos as dimensões do nosso banco de dados utilizo o:
dim(dados)
## [1] 295   7


Para visualizarmos informações sobre as classes dos objetos que temos em nossas variáveis no banco de dados utilizo a função str.

# Para visulizarmos a classe utilizo o:
str(dados)
## 'data.frame':    295 obs. of  7 variables:
##  $ Municipio            : chr  "Abdon Batista" "Abelardo Luz" "Agrolândia" "Agronômica" ...
##  $ Area_Territorial     : num  238 954 207 130 1319 ...
##  $ Populacao            : num  2598 17392 10990 6055 6508 ...
##  $ Densidade_Demografica: num  10.94 18.23 53.14 46.66 4.93 ...
##  $ Escolarizacao        : num  100 97.1 97 94.4 97.9 99.3 100 98.7 92.8 98.7 ...
##  $ IDHM                 : num  0.694 0.696 0.725 0.741 0.698 0.713 0.745 0.723 0.668 0.755 ...
##  $ PIB                  : num  24359 44568 27382 33936 76341 ...


Antes de continuar gostaria de exibir de forma inteira o meu banco de dados para fazer um monitoramento e exibição organizada através de estudos que fiz por minha conta. E para isso utilizarei a biblioteca rmarkdown.

Por meio dela terei acesso a função paged_table, que exibirá meu banco de dados por inteiro, porém, agora de forma muito mais organizada e apresentável.

# Importei aqui a biblioteca "rmarkdown".
library(rmarkdown)
# Uso a função "paged_table" para ter vizualizar meu banco de dados de forma organizada.
paged_table(dados)



Aplicando agora em forma de gráficos:



Pra iniciar a analise descritiva por meio de gráficos começo fazendo o carregamento da minha biblioteca que será utilizada para exibir os gráficos desejados por meio da função library. A biblioteca que utilizaremos é a ggplot2.

# Para observar nossos gráficos vamos primeiro importar a biblioteca do ggplt2
library(ggplot2)


Seguindo a ordem em que os dados são apresentados, mostrarei primeiramente cada variável individualmente. E por fim suas relações com as outras variáveis contidas em meu banco de dados.



Colocamos nosso banco de dados dentro da função ggplot e adicionamos a nossa variável a o eixo Y para o mesmo ser exibido de forma horizontal. Informamos que o modelo de gráfico que desejamos é “histograma” pela função geom_histogram e o atribuimos algumas cracterísticas visuais através das funções color e alpha, como: cor do histograma e opacidade. E repetimos para as demais variáveis.


OBS1: Ocultei avisos e comentários do RStudio referentes a os gráficos usados neste relatório. Fiz isto por meio das funções message=FALSE e warning=FALSE.

OBS2: A partir do segundo histograma, por se tratar do mesmo código, ocultarei o chunk para uma melhor organização. E fiz isso por meio da função echo=FALSE.



Aqui está o histograma referente a Área Terrritorial dos município de Santa Catarina e seu, já comentado, respectivo código:

ggplot(dados, aes(y= Area_Territorial)) +
geom_histogram(color= "red" , alpha= 0.5, position = 'identity') +
  labs(title="Área Territorial - Santa Catarina")



Aqui está o histograma referente a pesquisa realizada pelo IBGE em 2020 sobre a População dos municípios de Santa Catarina:




Aqui está o histograma referente a pesquisa realizada pelo IBGE sobre a Densidade Demográfica dos municípios de Santa Catarina:




Aqui está o histograma referente a pesquisa realizada pelo IBGE em 2010 sobre a taxa de Escolarização dos municípios de Santa Catarina:




Aqui está o histograma referente a pesquisa realizada pelo IBGE em 2010 sobre a taxa do Índice de Desenvolvimento Humano dos municípios de Santa Catarina:




Aqui está o histograma referente a pesquisa realizada pelo IBGE em 2020 sobre PIB dos municípios de Santa Catarina:


Agora começo a efetuar um cruzamento de dados com as variáveis citadas a cima:




Seguindo a ordem do nosso código. Começo primeiramente atribuindo a função ggplot a meu banco de dados e o atribuo com um função de estética, a função aes. Defino uma cor para o meu gráfico, por meio da funçõ red. Defino também as variáveis do meu eixo X e Y, no caso do primeiro gráfico, “Municípios” e “Densidade Demográfica”. E por fim aviso a meu código, por meio da função xlab e ylab que desejo renomear os eixos X e Y, que antes estavam nomeadas de maneira compactada para o meu dat mine.


OBS1: Ocultei avisos e comentários do RStudio referentes a os gráficos usados neste relatório. Fiz isto por meio das funções message=FALSE e warning=FALSE.

OBS2: A partir do segundo geom point, por se tratar do mesmo código, ocultarei o chunk para uma melhor organização. E fiz isso por meio da função echo=FALSE.



Apresento aqui os gráficos criados a partir do cruzamento dos dados das variáveis “Município” e “Densidade Demográfica”:

ggplot(dados, aes(x= Municipio, y= Densidade_Demografica)) +
  geom_point(color= "red") + 
  labs(title="Índice de Densidade Demográfica por Município - Santa Catarina") + 
  ylab("Densidade Demográfica") + xlab("Municípios")




Apresento aqui os gráficos criados a partir do cruzamento dos dados das variáveis “Município” e “IDHM”:




Apresento aqui os gráficos criados a partir do cruzamento dos dados das variáveis “Município” e “Escolarização”:




Apresento aqui os gráficos criados a partir do cruzamento dos dados das variáveis “Município” e “População”:




Apresento aqui os gráficos criados a partir do cruzamento dos dados das variáveis “Município” e “PIB”:


Conclusão

Por meio dos estudos levantados neste relatório, agora irei declarar aqui algumas informações obtidas através dessa análise de dados.

Ressalto também novamente que este estudo trata-se minimamente de explorar os usos da linguagem R e RStudio por meio de um relatório com cunho educativo. E o mesmo foi feito por um estudante em desenvolvimento.


Começamos analisando a taxa de Escolarização media dos municípios de Santa Catarina. Sua média é de 98.4%. Isto se equipara a taxa de Escolarização média do Brasil, que é de 94% para pessoas de 6 até 14 anos.


Agora o Índice de Desenvolvimento Humano dos municípios de Santa Catarina, que tem o valor médio de 0.736. Tendo o menor índice o município com o valor de 0.6210, e o município com maior índice o valor de 0.8470. Esse dado se equipara a média divulgada pelo IBGE em 2021 que foi de 0.754.


O PIB médio dos municípios de Santa Catarina, segundo o estudo feito pelo IBGE em 2020, é de 37659. Tendo o município com menor índice 10600, e o município com maior índice 198923.


A População média dos municípios de Sannta Catarina é de 8319. Tendo o menor índice de população o município com valor de 1651, e o município de maior índice o valor de 616323.