Relatorio das Despesas dos Deputados em 2016
Discente: Artur Medeiros do Lago Soares (Lago, A. M.)
25 de novembro de 2023
RESUMO
O relatório propõe uma análise dos gastos dos deputados, utilizando dados de 2016 da Câmara dos Deputados. O objetivo é identificar padrões nas despesas por partido e estado, incluindo áreas como despesas médicas, gerais e por deputado. Os métodos envolvem o uso do ambiente RStudio e bibliotecas como ‘ggplot2’, ‘fBasics’ e ‘DataExplorer’. O autor analisou cinco variáveis e enfrentou desafios no tratamento das 32 variáveis iniciais na base de dados. A conclusão destaca a importância do relatório para proporcionar uma visão detalhada e abrangente dos gastos parlamentares, enfatizando a necessidade contínua de transparência e prestação de contas para fortalecer a confiança nas instituições democráticas. O estudo não apenas expõe as práticas orçamentárias, mas também destaca a constante evolução necessária desses mecanismos para fortalecer a integridade democrática no país.
Palavras-chave: Deputados. Banco de Dados. Despesas.
Análise.
1 INTRODUÇÃO E OBJETIVOS
Dos 80 deputados federais que decidiram candidatar-se como candidatos nas eleições municipais deste ano, um total de 18 lograram êxito em suas empreitadas e, como resultado, estão destinados a se despedir da Câmara dos Deputados nos meses vindouros. Dentro desse grupo seleto, notavelmente, 14 estão prestes a assumir as rédeas dos Executivos locais, trazendo consigo uma transição significativa de responsabilidades, enquanto outros quatro irão ocupar os cargos de vice-prefeitos, consolidando assim a sua presença influente nos escalões do poder municipal.
Convém ressaltar que o número de deputados federalmente eleitos neste pleito municipal revelou-se inferior ao patamar registrado na eleição municipal de 2012, um momento em que expressivos 26 parlamentares obtiveram sucesso na conquista do prestigiado cargo de prefeito. Nessa ocasião específica, um contingente notável de 87 deputados federalmente atuantes decidiu participar ativamente da acirrada corrida eleitoral rumo ao executivo municipal, demonstrando um engajamento político marcante e uma predisposição notável para desafios além dos limites da esfera legislativa.
O presente relatório propõe uma observação abrangente dos gastos dos deputados, fornecendo informações detalhadas, exemplificadas por gráficos e tabelas. Para isso, foram examinados dados disponibilizados no próprio site da Câmara dos Deputados referentes ao ano de 2016. A proposta é obter uma compreensão clara e transparente da forma como esses fundos são utilizados, por meio da utilização de recursos para minerar dados e assim obter suas informações.
O objetivo desta pesquisa é apresentar uma análise que relaciona os
partidos e a quantidade de despesas distribuídas em certas áreas,
demonstrando uma análise exploratória que visa identificar padrões nos
gastos de parlamentares de cada partido e estado. Além disso,
investiga-se a área dedicada aos gastos médicos, gastos gerais, gastos
por deputados, por partido e por estado, e também a quantidade de
deputados, por partido e por estado, a fim de compreender como os
recursos são alocados nesta categoria. Procura-se, também, formar uma
correlação entre os gráficos analisados.
2 MATERIAIS, MÉTODOS E METODOLOGIA
Os dados foram obtidos a partir do banco de dados “Desp_Dep_Ano-2016.xlsx”, fazendo o download diretamente da página Dados Abertos, no site da Câmara. Utilizando o ambiente RStudio, a confecção de gráficos e estatísticas descritivas foi efetuada por meio da biblioteca ‘ggplot2’, e os dados foram importados da respectiva planilha Excel utilizando a função ‘readxl’. A biblioteca ‘fBasics’ foi empregada para calcular medidas como média, mediana e desvio padrão. Com o intuito de facilitar a visualização e identificação da quantidade de memória usada no dispositivo, o pacote ‘DataExplorer’ foi utilizado.
Em minha análise, utilizei cinco variáveis: “NomParla” (nome dos
Deputados), “sgUF” (sigla dos estados), “sgPart”(sigla do partido),
“vlrLiq” (gastos gerais), “vlrGlosa” (valor glosado¹). As seguintes
ferramentas “dim”, “head”, “str”e “summary” estão por padrão no R e não
foi necessário a instalação de pacotes adicionais; diferentemente das
bibliotecas mencionadas no primeiro parágrafo deste tópico que foi
necessário a instalação. A escala de medição empregada compreende tanto
o nível nominal quanto o ordinal.
3 RESULTADOS
Usei o dim para obter as dimensões do nosso data frame
(DF). Podemos ver o número de linhas(382.379) e o número de variáveis
(5).
dim(dados)## [1] 382379 5Aqui utilizei head para exibir uma prévia (6 primeiras
linhas), visualizando também o respectivo nome de cada variável do nosso
DF.
head(dados)## NomParla sgUF sgPart vlrLiq vlrGlosa
## 1 JONY MARCOS SE PRB 33750 11250
## 2 HISSA ABRAHÃO AM PDT 1200 10800
## 3 ASSIS CARVALHO PI PT 900 9100
## 4 MARX BELTRÃO AL PSD 1000 8900
## 5 SANDES JÚNIOR GO PP 2180 8720
## 6 ÁTILA LIRA PI PSB 0 8700Também foi usado o str para obter informações dos tipos
de dados existentes em nosso DF, podemos ver que cada variável com seu
respectivo tipo, caractere e numérico.
str(dados)## 'data.frame': 382379 obs. of 5 variables:
## $ NomParla: chr "JONY MARCOS" "HISSA ABRAHÃO" "ASSIS CARVALHO" "MARX BELTRÃO" ...
## $ sgUF : chr "SE" "AM" "PI" "AL" ...
## $ sgPart : chr "PRB" "PDT" "PT" "PSD" ...
## $ vlrLiq : num 33750 1200 900 1000 2180 ...
## $ vlrGlosa: num 11250 10800 9100 8900 8720 ...O summary é usado para obter informações básicas de
estatística sobre nossos dados existentes em nosso DF, usamos
[,4:5] para mostrar as estatísticas das variáveis 4 e 5,
pois as variáveis 1, 2 e 3 são de tipo caractere, logo não é possível
fazer cálculos.
summary(dados[,4:5])## vlrLiq vlrGlosa
## Min. : -5700.0 Min. : 0.000
## 1st Qu.: 37.0 1st Qu.: 0.000
## Median : 130.0 Median : 0.000
## Mean : 576.3 Mean : 2.785
## 3rd Qu.: 469.0 3rd Qu.: 0.000
## Max. :184500.0 Max. :11250.000Aqui nós importamos a Lib fBasics para utilizarmos a
função basicStats, com ela obtive alguns cálculos a mais em
relação ao summary. Usando round defini as
casas decimais como 2, sem isso os valores estariam elevados!
round(basicStats(dados[,4:5]),2)## vlrLiq vlrGlosa
## nobs 382379.00 382379.00
## NAs 0.00 0.00
## Minimum -5700.00 0.00
## Maximum 184500.00 11250.00
## 1. Quartile 37.00 0.00
## 3. Quartile 468.97 0.00
## Mean 576.33 2.79
## Median 130.00 0.00
## Sum 220377000.07 1064941.49
## SE Mean 3.27 0.12
## LCL Mean 569.92 2.56
## UCL Mean 582.74 3.01
## Variance 4090540.93 5097.55
## Stdev 2022.51 71.40
## Skewness 14.89 80.34
## Kurtosis 496.08 8739.243.1 Uso de Mémoria e Informações Sobre Colunas e Linhas
Neste Gráfico utilizamos a biblioteca “DataExplorer” para fazermos uma análise do uso da memória utilizada (14.6 Mb) e além disso, podemos ver que 60% das variáveis existentes são de valores descritivos (de tipo caractere como vimos anteriormente), ou seja, valores não numéricos; 0% possuem dados faltantes e todas as linhas do nosso data frame estão completas. Com isso podemos concluir que a base de dados está no melhor estado para se fazer análises!
3.2 Análises por Estado
3.2.1 Quantidade de Deputados
Podemos concluir que São Paulo possui a maior quantidade de deputados de todos os estados brasileiros, com quase 80 deputados, em seguida vemos Minas Gerais com 58 e Rio de Janeiro com 54. Isso se dá devido a esses estados serem os mais populosos do país.
3.2.2 Despesas Gerais
Podemos concluir que os deputados do estado de São Paulo possuem a maior despesa geral de todos os estados brasileiros, com mais de 27 milhões de reais, em seguida vemos Minas Gerais com pouco mais de 22 milhões e Rio de Janeiro com mais de 17 milhões. Aqui também podemos observar que existe correlação entre quantidade de deputados com as despesas gerais por estado.
3.2.3 Correlação Entre a Quantidade de Deputados e Despesas Gerais
A correlação entre variáveis varia de -1 a 1. Quanto mais próximo
próximo de 1, mais forte será a correlação; quanto mais próximo de -1
mais fraca será a correlação.
O resultado da correlação entre a
quantidade de deputados por estado e as despesas gerais por estado é de
0.99, indicando uma forte correlação. Em termos simples, quando o número
de deputados aumenta, as despesas também tendem a aumentar
consistentemente. No entanto, correlação não implica causalidade, então
a relação observada deve ser interpretada com cuidado, considerando o
contexto específico.
dados_agrupados <- aggregate(cbind(QntdDeputados = NomParla) ~ sgUF, data = dados_unicos, FUN = length)
dados_gastos <- aggregate(vlrLiq ~ sgUF, data = dados, sum)
dados_combinados <- merge(dados_agrupados, dados_gastos, by = "sgUF")
correlacao <- cor(dados_combinados$QntdDeputados, dados_combinados$vlrLiq)
print(paste("Correlação entre a quantidade de deputados e despesas gerais:", round(correlacao, 2)))## [1] "Correlação entre a quantidade de deputados e despesas gerais: 0.99"3.2.4 Despesas Médicas por Estado
Concluímos que São Paulo possui a maior despesa médica de todos os estados brasileiros, com pouco mais de 140 mil reais e em seguida observamos Minas Gerais com aproximadamente 120 mil.
3.3 Análises por Partido
3.3.1 Quantidade de Deputados por Partido
Podemos concluir que o PT é o partido com a maior quantidade de deputados (66), logo após vem o MDB com quase a mesma quantidade (65).
3.3.2 Despesas gerais por Partido
Podemos concluir que o PT e MDB são os partidos que disputam a posição de maiores despesas gerais, com aproximadamente 25 milhões de reais, em terceiro lugar nota-se o PP com quase 24 milhões.
3.3.3 Despesas Médicas por Partido
Podemos concluir que o PSDB é o partido que mais obteve despesas médicas, com aproximadamente 150 mil reais,logo após vem o PP com mais de 130 mil reais.
3.4 Análises por Deputados
3.4.1 Rank: 25 Deputados com as Maiores Despesas
Concluímos que o deputado com a maior despesa geral é Rocha com mais 580 mil reais, logo em seguida observamos Hiran Gonçalves e Edio Lopes.
3.4.2 Rank: 25 Deputados com as Menores Despesas Gerais
Pode-se notar que o deputado com a menor despesa geral é Rosângela Curado com um valor negativo de 1.336 reais. Diante destas informações, podemos levantar a hipótese de que existem erros de valores em nosa base de dados.
3.4.3 Rank: 25 com as Maiores Despesas Médicas
Observamos que o deputado com a maior despesa médica é Silvio Torres com pouco mais de 57 mil reais, logo em seguida vemos Átila Lira e Hissa Abrahão.
3.4.4 Rank: 25 Deputados com as Menores Despesas Médicas
Podemos concluir que há deputados com valores de despesas médicas zeradas, podendo haver erros em nossa base de dados. Para investigar tal hipotese, precisamos contatar os responsáveis pela base de dados.
4 CONCLUSÃO
Em síntese, ao longo deste projeto, a fundamentação teórica foi embasada em extensivos estudos relacionados à análise e mineração de dados, importação de arquivos, e na utilização de bibliotecas prévias, ou posteriormente instaladas. Adicionalmente, foram conduzidas pesquisas na área de administração e trabalho técnico, visando enriquecer a base conceitual empregada. A problemática enfrentada emergiu durante o processo de tratamento das trinta e duas variáveis presentes inicialmente na base de dados. Dentre essas variáveis, apenas cinco foram selecionadas para análise, implicando na necessidade de tratar vários de seus valores que não seriam utilizados. Pôde-se, também, tirar conclusões relacionadas à correlação entre os tipos de gastos dos deputados, como observado durante o desenvolvimento.
Com base nas informações cuidadosamente apresentadas ao longo do desenvolvimento deste texto, que a elaboração deste relatório emerge como um instrumento essencial para proporcionar uma visão não apenas detalhada, mas também abrangente e perspicaz dos gastos dos parlamentares no atual cenário político brasileiro. Este estudo, ao se debruçar sobre os custos relacionados aos representantes eleitos, desempenha um papel fundamental ao contribuir de maneira extremamente positiva para a transparência no âmbito democrático.
Não se restringindo meramente a fornecer uma análise profunda dos
gastos dos deputados por estado, este relatório destaca-se por sua
capacidade de contextualizar e esclarecer nuances importantes
relacionadas às despesas parlamentares. Nesse sentido, é vital ressaltar
a relevância contínua de aprimorar os mecanismos de prestação de contas,
visando não apenas atender aos padrões éticos mais elevados, mas também
fortalecer significativamente a confiança do público nas instituições
democráticas. Ao enfatizar a importância da transparência, este estudo
não apenas explicita as práticas orçamentárias dos parlamentares, mas
também destaca a necessidade constante de evolução e adaptação desses
mecanismos. Portanto, concluímos que a contribuição deste relatório
transcende a mera apresentação de números, posicionando-se como uma
ferramenta essencial para o fortalecimento da integridade e confiança
que devem sustentar a base das instituições democráticas em nosso país.
REFERÊNCIAS
RStudio Desktop, posit, 2023. Disponível em: https://posit.co/download/rstudio-desktop/, Acesso em 25/11/2023.
Eleições 2016: 18 deputados federais são eleitos e deixarão Câmara, Agência Brasil, 2016. Disponível em: https://agenciabrasil.ebc.com.br/politica/noticia/2016-10/eleicoes-2016-18-deputados-federais-sao-eleitos-e-deixarao-camara-em-2017, Acesso em 25/11/2023.
SILVA, G. B. MODELAGEM ESPACIAL DOS CASOS NOTIFICADOS POR COVID-19 NO ESTADO DA PARAÍBA E POSSÍVEIS ASSOCIAÇÕES COM FATORES SOCIOECONÔMICOS. 2022. Disponível em: https://dspace.bc.uepb.edu.br/jspui/handle/123456789/26423, Acesso em 25/11/2023.
Despesas pela Cota para Exercício da Atividade Parlamentar. Dados Abertos, 2016. Disponível em: https://dadosabertos.camara.leg.br/swagger/api.html#staticfile, Acesso em 25/11/2023.
FERNANDES, G. L. NASSUR, C. C. ASPECTOS TÉCNICOS E JURÍDICOS DA CONTRATAÇÃO DE PROJETOS DE PESQUISA, DESENVOLVIMENTO E INOVAÇÃO NA ÁREA DE CIÊNCIA DE DADOS PELA ADMINISTRAÇÃO PÚBLICA BRASILEIRA. 2019. Disponível em: https://d1wqtxts1xzle7.cloudfront.net/62537370/Aspectos_tecnicos_e_juridicos_da_contratacao_de_projetos_de_Ciencia_de_Dados_pela_Administracao_Publica-libre.pdf, Acesso em 25/11/2023.
COSTA, I. M. CABRAL, P. H. Um processo para a análise de dados referentes aos gastos do Legislativo Federal. 2019. Disponível em: https://app.uff.br/riuff/bitstream/handle/1/8892/TCC_Ivan_e_Paulo.pdf, Acesso em 25/11/2023.
SILVA, B. F. CERVI, E. U. Padrões de financiamento eleitoral no Brasil: as receitas de postulantes à Câmara dos Deputados em 2010 e 2014. 2017. Disponível em: href=“https://www.scielo.br/j/rbcpol/a/4F6dk9pDX5dc4j7H7QzZTrc/?lang=pt#, Acesso em 25/11/2023.
Conheça os 4 níveis de escala de medição. UXDesign blog, 2023. Disponível em: https://uxdesign.blog.br/conhe%C3%A7a-os-4-n%C3%ADveis-de-escala-de-medi%C3%A7%C3%A3o-8e8c88d94fd2, Acesso em 25/11/2023.
Deputados brasileiros gastam 62% a mais do que executivos do setor privado. Valor investe, 2021. Disponível em: https://valorinveste.globo.com/mercados/brasil-e-politica/noticia/2021/09/28/deputados-brasileiros-gastam-62percent-a-mais-do-que-executivos-do-setor-privado.ghtml, Acesso em 25/11/2023.
CADA DEPUTADO CUSTA MAIS DE R$ 2 MILHÕES POR ANO. Congresso em foco, 2018. Disponível em: https://congressoemfoco.uol.com.br/projeto-bula/reportagem/cada-deputado-custa-r-2-milhoes-por-ano/, Acesso em 25/11/2023.
O que é glosa, seus tipos e como evitar na sua instituição, Blog Carefy, 2021. Disponível em: https://blog.carefy.com.br/index.php/o-que-e-glosa-como-evitar/, Acesso em 25/11/2023.
ANEXOS
library(readxl)
library(fBasics)
library(ggplot2)
library(DataExplorer)
meuxlsx <- "Desp_Dep_Ano-2016.xlsx"
Dados <- read_excel(path = meuxlsx, sheet = 1)
dados <- as.data.frame(Dados)
dados$NomParla <- toupper(dados$NomParla)
dim(dados)
head(dados)
str(dados)
summary(dados[,4:5])
round(basicStats(dados[,4:5]),2)
plot_intro(dados)
dados_unicos <- dados[!duplicated(dados$NomParla), ]
contagem_estado <- table(dados_unicos$sgUF)
ordem_estados <- names(sort(contagem_estado))
dados_unicos$sgUF <- factor(dados_unicos$sgUF, levels = ordem_estados)
ggplot(dados_unicos, aes(y = sgUF)) +
geom_bar(stat = "count", aes(fill = after_stat(count)), width = 0.75) +
geom_text(stat = "count", aes(label = after_stat(count)), hjust = -0.1, color = "#404040") +
scale_fill_gradient(low = "#FF3333", high = "#990000") +
ylab("Estado") + xlab("Quantidade de Deputados") +
theme(legend.position = "none")
dados_somados <- aggregate(vlrLiq ~ sgUF, data = dados, sum)
dados_ordenados <- dados_somados[order(-dados_somados$vlrLiq), ]
ggplot(dados_ordenados, aes(x = vlrLiq, y = reorder(sgUF, vlrLiq), fill = vlrLiq)) +
geom_bar(stat = "identity", width = .75) +
geom_text(aes(label = scales::comma_format()(vlrLiq)), hjust = -0.1, color = "#404040") +
xlab("Despesas Gerais") +
ylab("Estados") +
scale_x_continuous(labels = scales::comma_format(scale = 1e-3, suffix = "k"),
limits = c(0, max(dados_ordenados$vlrLiq) * 1.11)) +
scale_fill_gradient(low = "#FF3333", high = "#990000") +
theme(legend.position = "none")
dados_agrupados <- aggregate(cbind(QntdDeputados = NomParla) ~ sgUF, data = dados_unicos, FUN = length)
dados_gastos <- aggregate(vlrLiq ~ sgUF, data = dados, sum)
dados_combinados <- merge(dados_agrupados, dados_gastos, by = "sgUF")
correlacao <- cor(dados_combinados$QntdDeputados, dados_combinados$vlrLiq)
print(paste("Correlação entre a quantidade de deputados e despesas gerais:", round(correlacao, 2)))
dados_somados <- aggregate(vlrGlosa ~ sgUF, data = dados, sum)
dados_ordenados <- dados_somados[order(-dados_somados$vlrGlosa), ]
ggplot(dados_ordenados, aes(x = vlrGlosa, y = reorder(sgUF, vlrGlosa), fill = vlrGlosa)) +
geom_bar(stat = "identity", width = .75) +
geom_text(aes(label = scales::comma_format()(vlrGlosa)), hjust = -0.1, color = "#404040") +
xlab("Despesas Médicas") +
ylab("Estados") +
scale_x_continuous(labels = scales::comma_format(scale = 1e-3, suffix = "k"),
limits = c(0, max(dados_ordenados$vlrGlosa) * 1.07)) +
scale_fill_gradient(low = "#FF3333", high = "#990000") +
theme(legend.position = "none")
contagem_partido <- table(dados_unicos$sgPart)
ordem_partidos <- names(sort(contagem_partido))
dados_unicos$sgPart <- factor(dados_unicos$sgPart, levels = ordem_partidos)
ggplot(dados_unicos, aes(y = sgPart)) +
geom_bar(stat = "count", aes(fill = after_stat(count)), width = 0.75) +
geom_text(stat = "count", aes(label = after_stat(count)), hjust = -0.1, color = "#404040") +
scale_fill_gradient(low = "#00FF4D", high = "#12BA44") +
ylab("Estado") + xlab("Quantidade de Deputados") +
theme(legend.position = "none")
dados_somados <- aggregate(vlrLiq ~ sgPart, data = dados, sum)
dados_ordenados <- dados_somados[order(-dados_somados$vlrLiq), ]
ggplot(dados_ordenados, aes(x = vlrLiq, y = reorder(sgPart, vlrLiq), fill = vlrLiq)) +
geom_bar(stat = "identity", width = .75) +
geom_text(aes(label = scales::comma_format()(vlrLiq)), hjust = -0.1, color = "#404040") +
xlab("Despesas Gerais") +
ylab("Partidos") +
scale_x_continuous(labels = scales::comma_format(scale = 1e-3, suffix = "k"),
limits = c(0, max(dados_ordenados$vlrLiq) * 1.13)) +
scale_fill_gradient(low = "#00FF4D", high = "#12BA44") +
theme(legend.position = "none")
dados_somados <- aggregate(vlrGlosa ~ sgPart, data = dados, sum)
dados_ordenados <- dados_somados[order(-dados_somados$vlrGlosa), ]
ggplot(dados_ordenados, aes(x = vlrGlosa, y = reorder(sgPart, vlrGlosa), fill = vlrGlosa)) +
geom_bar(stat = "identity", width = .75) +
geom_text(aes(label = scales::comma_format()(vlrGlosa)), hjust = -0.1, color = "#404040") +
xlab("Despesas Médicas") +
ylab("Partidos") +
scale_x_continuous(labels = scales::comma_format(scale = 1e-3, suffix = "k"),
limits = c(0, max(dados_ordenados$vlrGlosa) * 1.09)) +
scale_fill_gradient(low = "#00FF4D", high = "#12BA44") +
theme(legend.position = "none")
dados_somados <- aggregate(vlrLiq ~ NomParla, data = dados, sum)
dados_ordenados <- dados_somados[order(-dados_somados$vlrLiq), ]
rank_25 <- head(dados_ordenados, 25)
ggplot(rank_25, aes(x = vlrLiq, y = reorder(NomParla, vlrLiq), fill = vlrLiq)) +
geom_bar(stat = "identity", width = .75) +
geom_text(aes(label = scales::comma_format()(vlrLiq)), hjust = -0.1, color = "#404040") +
xlab("Despesas Gerais") +
ylab("Deputados") +
scale_x_continuous(labels = scales::comma_format(scale = 1e-3, suffix = "k"),
limits = c(0, max(rank_25$vlrLiq) * 1.1)) +
scale_fill_gradient(low = "#00C8F0", high = "#0E7FC0") +
theme(legend.position = "none")
dados_somados <- aggregate(vlrLiq ~ NomParla, data = dados, sum)
dados_ordenados <- dados_somados[order(-dados_somados$vlrLiq), ]
rank_25 <- tail(dados_ordenados, 25)
ggplot(rank_25, aes(x = vlrLiq, y = reorder(NomParla, -vlrLiq), fill = vlrLiq)) +
geom_col(width = 0.75) +
geom_text(aes(label = scales::comma_format()(vlrLiq)), hjust = ifelse(rank_25$vlrLiq < 0, -0.1, ifelse(rank_25$vlrLiq > 24000, .8, ifelse(rank_25$vlrLiq > 2000, -.1, -.1))), color = "#000000") +
xlab("Despesas Gerais") +
ylab("Deputados") +
scale_x_continuous(labels = scales::comma_format(scale = 1e-3, suffix = "k")) +
scale_fill_gradient(low = "#00C8F0", high = "#0E7FC0") +
theme(legend.position = "none")
dados_somados <- aggregate(vlrGlosa ~ NomParla, data = dados, sum)
dados_ordenados <- dados_somados[order(-dados_somados$vlrGlosa), ]
rank_25 <- head(dados_ordenados, 25)
ggplot(rank_25, aes(x = vlrGlosa, y = reorder(NomParla, vlrGlosa), fill = vlrGlosa)) +
geom_bar(stat = "identity", width = .75) +
geom_text(aes(label = scales::comma_format()(vlrGlosa)), hjust = -0.1, color = "#404040") +
xlab("Despesas Médicas") +
ylab("Deputados") +
scale_x_continuous(labels = scales::comma_format(scale = 1e-3, suffix = "k"),
limits = c(0, max(rank_25$vlrGlosa) * 1.1)) +
scale_fill_gradient(low = "#00C8F0", high = "#0E7FC0") +
theme(legend.position = "none")
dados_somados <- aggregate(vlrGlosa ~ NomParla, data = dados, sum)
dados_ordenados <- dados_somados[order(dados_somados$vlrGlosa), ]
rank_25 <- head(dados_ordenados, 25)
ggplot(rank_25, aes(x = vlrGlosa, y = reorder(NomParla, -vlrGlosa), fill = vlrGlosa)) +
geom_bar(stat = "identity", width = .75) +
geom_text(aes(label = scales::comma_format()(vlrGlosa)), hjust = -0.1, color = "#404040") +
xlab("Despesas Médicas") +
ylab("Deputados") +
scale_x_continuous(labels = scales::comma_format(scale = 1e-3, suffix = "k"),
limits = c(0, max(rank_25$vlrGlosa) * 1.1)) +
scale_fill_gradient(low = "#00C8F0", high = "#0E7FC0") +
theme(legend.position = "none")