Análise de dados para Técnico Subsequente nos Institutos Federais
Laryssa Milanez
2024-01-31
Library
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(readr)
library(purrr)
#library(GGally)
#library(pscl)
library(broom)
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.4.4 ✔ tibble 3.2.1
## ✔ lubridate 1.9.3 ✔ tidyr 1.3.1## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(modelr)##
## Attaching package: 'modelr'
##
## The following object is masked from 'package:broom':
##
## bootstraplibrary(here)## here() starts at /home/laryssamilanez/Laryssa/NiloPecanha-Laryssalibrary(skimr)
library(gcookbook)
library(lubridate)
library(rio)
library(tidyr)Nessa Etapa será realizada a leitura dos Dataframes contendo os dados referentes aos anos de 2017 a 2021 disponibilizados pelo MEC e a partir deles iremos filtrar apenas os dados do Subsequente dos Institutos federais do Brasil e separá-los por sexo e pelos cursos de Técnico em Manutenção e Suporte em Informática e Técnico em Informática.
I - Lendo o CSV e criando os dataframes de 2017 para a análise
dado_2017_sub <- read_csv2("2017-microdados-matriculas.csv")## ℹ Using "','" as decimal and "'.'" as grouping mark. Use `read_delim()` for more control.## Rows: 1031798 Columns: 25
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr (18): Cor / Raça, Dt Data Fim Previsto, Data de Inicio do Ciclo, Dt Ocor...
## dbl (7): Carga Horaria, Carga Horaria Minima, Código do Ciclo de Matrícula,...
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.dado_2017_sub <- dado_2017_sub %>%
filter(`Tipo de Oferta`=="Subsequente") %>%
filter(`Tipo de Curso`=="Técnico") %>%
filter(str_detect(`Instituição`, "^IF"))%>%
mutate(data = as.Date(`Data de Inicio do Ciclo`,format = '%d/%m/%Y'), Ano = year(data)) %>%
mutate(`Situação de Matrícula` = ifelse(`Situação de Matrícula`== "Em curso" & `Ano`=="2017", "Ingresso", `Situação de Matrícula`))%>%
mutate(`Sg Sexo` = ifelse(`Sg Sexo`=="F", "Feminino", "Masculino"), ano = 2017) %>%
rename(Sexo=`Sg Sexo`)
print(dado_2017_sub)## # A tibble: 234,578 × 28
## `Carga Horaria` `Carga Horaria Minima` Código do Ciclo de Ma…¹ `Co Matricula`
## <dbl> <dbl> <dbl> <dbl>
## 1 1000 800 1994900 65238226
## 2 1000 800 1994900 65238256
## 3 1000 800 1994900 65238260
## 4 1000 800 1994900 65238264
## 5 1000 800 1994900 65238274
## 6 1000 800 1994900 65238328
## 7 1000 800 1994900 65238338
## 8 1181 1000 1858699 61202546
## 9 900 800 2021307 66660571
## 10 900 800 2021307 66660569
## # ℹ 234,568 more rows
## # ℹ abbreviated name: ¹`Código do Ciclo de Matrícula`
## # ℹ 24 more variables: `Cor / Raça` <chr>, `Dt Data Fim Previsto` <chr>,
## # `Data de Inicio do Ciclo` <chr>, `Dt Ocorrencia Matricula` <chr>,
## # `Eixo Tecnológico` <chr>, `Fator Esforco Curso` <dbl>,
## # `Mes De Ocorrencia` <chr>, `Modalidade Ensino` <chr>,
## # `Nome de Curso` <chr>, `Fonte de financiamento` <chr>, …# Separando os dados entre mulheres e homens para o ano de 2017
fem17_sub <- dado_2017_sub%>%
filter(`Sexo` == "Feminino")
#print(fem17_sub)
## Separando as mulheres por curso para o ano de 2017
manu_mulher17_sub <- fem17_sub%>%
filter(`Nome de Curso` == "Técnico em Manutenção e Suporte em Informática")
#print(manu_mulher17_sub)
infor_mulher17_sub <- fem17_sub%>%
filter(`Nome de Curso` == "Técnico em Informática")
#print(infor_mulher17_sub)
#Fazendo a parte masculina
mas17_sub <- dado_2017_sub%>%
filter(`Sexo` == "Masculino")
#print(mas17_sub)
## Separando os homens por curso para o ano de 2017
manu_homem17_sub <- mas17_sub%>%
filter(`Nome de Curso` == "Técnico em Manutenção e Suporte em Informática")
#print(manu_homem17_sub)
infor_homem17_sub <- mas17_sub%>%
filter(`Nome de Curso` == "Técnico em Informática")
#print(infor_Homem17_sub)#unique(dado_2017_sub$`Nome de Curso`)II - Lendo o CSV e criando os dataframes de 2018 para a análise
dado_2018_sub <- read_csv2("2018-microdados-matriculas.csv") ## ℹ Using "','" as decimal and "'.'" as grouping mark. Use `read_delim()` for more control.## Rows: 964593 Columns: 35
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr (25): Sexo, Renda Familiar, Cor / Raça, Faixa Etria, Data de Ocorrncia d...
## dbl (10): Idade, Cdigo da Matrcula, Código do Ciclo de Matrícula, Vagas Ofer...
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.dado_2018_sub <- dado_2018_sub %>%
filter(`Tipo de Oferta`=="Subsequente") %>%
filter(`Tipo de Curso`=="Técnico") %>%
filter(str_detect(`Instituição`, "^IF"))%>%
mutate(data = as.Date(`Data de Inicio do Ciclo`,format = '%d/%m/%Y'), Ano = year(data)) %>%
mutate(`Situação de Matrícula` = ifelse(`Situação de Matrícula`== "Em curso" & `Ano`=="2018", "Ingresso", `Situação de Matrícula`))%>%
mutate(`Sexo` = ifelse(`Sexo`=="F", "Feminino", "Masculino"), ano = 2018) %>%
rename(Sexo=`Sexo`)
print(dado_2018_sub)## # A tibble: 171,787 × 38
## Sexo `Renda Familiar` `Cor / Raça` Idade `Faixa Etria` `Cdigo da Matrcula`
## <chr> <chr> <chr> <dbl> <chr> <dbl>
## 1 Femini… 0,5<RFP<=1 Preta 22 20 a 24 anos 66751427
## 2 Mascul… NO DECLARADA Preta 23 20 a 24 anos 66751425
## 3 Mascul… 0<RFP<=0,5 Preta 25 25 a 29 anos 66751411
## 4 Femini… 0,5<RFP<=1 Preta 37 35 a 39 anos 66751403
## 5 Mascul… 0,5<RFP<=1 Preta 27 25 a 29 anos 66751395
## 6 Mascul… 0<RFP<=0,5 Preta 36 35 a 39 anos 66726700
## 7 Mascul… 0<RFP<=0,5 Preta 23 20 a 24 anos 66724528
## 8 Mascul… 0<RFP<=0,5 Preta 24 20 a 24 anos 66724526
## 9 Femini… NO DECLARADA Preta 20 20 a 24 anos 66704102
## 10 Femini… 0,5<RFP<=1 Preta 21 20 a 24 anos 66704300
## # ℹ 171,777 more rows
## # ℹ 32 more variables: `Data de Ocorrncia da Matrcula` <chr>,
## # `Situação de Matrícula` <chr>, `Categoria de Situao` <chr>,
## # `Ms de Ocorrncia da Situao` <chr>, Turno <chr>,
## # `Código do Ciclo de Matrícula` <dbl>, `Data de Inicio do Ciclo` <chr>,
## # `Data de Fim Previsto do Ciclo` <chr>, `Vagas Ofertadas` <dbl>,
## # `Total de Inscritos` <dbl>, `Fonte de Financiamento` <chr>, …# Separando os dados entre mulheres e homens para o ano de 2018
fem18_sub <- dado_2018_sub%>%
filter(`Sexo` == "Feminino")
#print(fem18_sub_sub)
## Separando as mulheres por curso para o ano de 2018
manu_mulher18_sub <- fem18_sub%>%
filter(`Nome de Curso` == "Técnico em Manutenção e Suporte em Informática")
#print(manu_mulher18_sub)
infor_mulher18_sub <- fem18_sub%>%
filter(`Nome de Curso` == "Técnico em Informática")
#print(infor_mulher18_sub)
#Fazendo a parte masculina
mas18_sub <- dado_2018_sub%>%
filter(`Sexo` == "Masculino")
#print(mas18_sub)
## Separando os homens por curso para o ano de 2018
manu_homem18_sub <- mas18_sub%>%
filter(`Nome de Curso` == "Técnico em Manutenção e Suporte em Informática")
#print(manu_homem18_sub)
infor_homem18_sub <- mas18_sub%>%
filter(`Nome de Curso` == "Técnico em Informática")
#print(infor_homem18_sub)III - Lendo o CSV e criando os dataframes de 2019 para a análise
dado_2019_sub <- read_csv2("2019-microdados-matriculas.csv")## ℹ Using "','" as decimal and "'.'" as grouping mark. Use `read_delim()` for more control.## Rows: 1023303 Columns: 54
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr (23): Categoria da Situação, Cor / Raça, Data de Inicio do Ciclo, Data d...
## dbl (31): Teste, Carga Horaria, Carga Horaria Minima, Código do Ciclo de Mat...
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.dado_2019_sub <- dado_2019_sub %>%
filter(`Tipo de Oferta`=="Subsequente") %>%
filter(`Tipo de Curso`=="Técnico") %>%
filter(str_detect(`Instituição`, "^IF"))%>%
mutate(data = as.Date(`Data de Inicio do Ciclo`,format = '%d/%m/%Y'), Ano = year(data)) %>%
mutate(`Situação de Matrícula` = ifelse(`Situação de Matrícula`== "Em curso" & `Ano`=="2019", "Ingresso", `Situação de Matrícula`))%>%
mutate(ano = 2019)%>%
select(-Teste)
print(dado_2019_sub)## # A tibble: 155,781 × 56
## `Carga Horaria` `Carga Horaria Minima` `Categoria da Situação`
## <dbl> <dbl> <chr>
## 1 825 1000 Concluintes
## 2 825 1000 Concluintes
## 3 1251 1200 Concluintes
## 4 1251 1200 Evadidos
## 5 800 800 Concluintes
## 6 800 800 Concluintes
## 7 1150 800 Concluintes
## 8 1367 1200 Evadidos
## 9 1367 1200 Concluintes
## 10 1367 1200 Em curso
## # ℹ 155,771 more rows
## # ℹ 53 more variables: `Código do Ciclo de Matrícula` <dbl>,
## # `Código da Matricula` <dbl>, `Código da Unidade de Ensino - SISTEC` <dbl>,
## # `Cod Unidade` <dbl>, `Cor / Raça` <chr>, `Data de Inicio do Ciclo` <chr>,
## # `Data de Fim Previsto do Ciclo` <chr>,
## # `Data de Ocorrencia da Matricula` <chr>, `Eixo Tecnológico` <chr>,
## # `Faixa Etária` <chr>, `Fator Esforco Curso` <dbl>, …# Separando os dados entre mulheres e homens para o ano de 2019
fem19_sub <- dado_2019_sub%>%
filter(`Sexo` == "Feminino")
#print(fem19_sub)
## Separando as mulheres por curso para o ano de 2019
manu_mulher19_sub <- fem19_sub%>%
filter(`Nome de Curso` == "Técnico em Manutenção e Suporte em Informática")
#print(manu_mulher19_sub)
infor_mulher19_sub <- fem19_sub%>%
filter(`Nome de Curso` == "Técnico em Informática")
#print(infor_mulher19_sub)
# Fazendo a parte masculina
mas19_sub <- dado_2019_sub%>%
filter(`Sexo` == "Masculino")
#print(mas19_sub)
## Separando os homens por curso para o ano de 2019
manu_homem19_sub <- mas19_sub%>%
filter(`Nome de Curso` == "Técnico em Manutenção e Suporte em Informática")
#print(manu_homem19_sub)
infor_homem19_sub <- mas19_sub%>%
filter(`Nome de Curso` == "Técnico em Informática")
#print(infor_Homem19_sub)IV - Lendo o CSV e criando os dataframes de 2020 para a análise
dado_2020_sub <- read_csv2("2020-microdados-matriculas.csv")## ℹ Using "','" as decimal and "'.'" as grouping mark. Use `read_delim()` for more control.## Rows: 1507476 Columns: 54
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr (24): Categoria de Situação, Cor/Raça, Data de Fim Previsto do Ciclo, Da...
## dbl (30): Carga Horaria, Carga Horaria Minima, Cod Unidade, Código da Matríc...
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.dado_2020_sub <- dado_2020_sub %>%
filter(`Tipo de Oferta`=="Integrado") %>%
filter(`Tipo de Curso`=="Técnico") %>%
filter(str_detect(`Instituição`, "^IF"))%>%
mutate(data = as.Date(`Data de Inicio do Ciclo`,format = '%d/%m/%Y'), Ano = year(data)) %>%
mutate(`Situação de Matrícula` = ifelse(`Situação de Matrícula`== "Em curso" & `Ano`=="2020", "Ingresso", `Situação de Matrícula`))%>%
mutate(Sexo = ifelse(Sexo=="F", "Feminino", "Masculino"), ano = 2020)
print(dado_2020_sub)## # A tibble: 243,270 × 57
## `Carga Horaria` `Carga Horaria Minima` `Categoria de Situação` `Cod Unidade`
## <dbl> <dbl> <chr> <dbl>
## 1 3182 800 Concluintes 17
## 2 3641 1200 Concluintes 279
## 3 3924 1200 Em curso 188
## 4 3306 800 Evadidos 201
## 5 3840 1200 Concluintes 297
## 6 3886 1200 Concluintes 89
## 7 3614 1200 Evadidos 520
## 8 3567 1000 Evadidos 125
## 9 3787 1200 Concluintes 234
## 10 3360 1000 Concluintes 233
## # ℹ 243,260 more rows
## # ℹ 53 more variables: `Cor/Raça` <chr>, `Código da Matrícula` <dbl>,
## # `Código da Unidade de Ensino - SISTEC` <dbl>,
## # `Código do Ciclo de Matrícula` <dbl>, `Código do Município com DV` <dbl>,
## # `Data de Fim Previsto do Ciclo` <chr>, `Data de Inicio do Ciclo` <chr>,
## # `Data de Ocorrência da Matrícula` <chr>, `Eixo Tecnológico` <chr>,
## # `Faixa Etária` <chr>, `Fator Esforco Curso` <dbl>, …# Separando os dados entre mulheres e homens para o ano de 2020
fem20_sub <- dado_2020_sub%>%
filter(`Sexo` == "Feminino")
#print(fem20_sub)
## Separando as mulheres por curso para o ano de 2020
manu_mulher20_sub <- fem20_sub%>%
filter(`Nome de Curso` == "Técnico em Manutenção e Suporte em Informática")
#print(manu_mulher20_sub)
infor_mulher20_sub <- fem20_sub%>%
filter(`Nome de Curso` == "Técnico em Informática")
#print(infor_mulher20_sub)
#Fazendo a parte masculina
mas20_sub <- dado_2020_sub%>%
filter(`Sexo` == "Masculino")
#print(mas20_sub)
## Separando os homens por curso para o ano de 2020
manu_homem20_sub <- mas20_sub%>%
filter(`Nome de Curso` == "Técnico em Manutenção e Suporte em Informática")
#print(manu_homem20_sub)
infor_homem20_sub <- mas20_sub%>%
filter(`Nome de Curso` == "Técnico em Informática")
#print(infor_homem20_sub)V - Lendo o CSV e criando os dataframes de 2021 para a análise
dado_2021_sub <- read_csv2("2021 - Matriculas-novo.csv")## ℹ Using "','" as decimal and "'.'" as grouping mark. Use `read_delim()` for more control.## Rows: 1523346 Columns: 56
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr (24): Categoria da Situação, Cor / Raça, Data de Fim Previsto do Ciclo, ...
## dbl (32): Carga Horaria, Carga Horaria Mínima, Co Inst, Cod Unidade, Código ...
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.dado_2021_sub <- dado_2021_sub %>%
filter(`Tipo de Oferta`=="Integrado") %>%
filter(`Tipo de Curso`=="Técnico") %>%
filter(str_detect(`Instituição`, "^IF"))%>%
mutate(data = as.Date(`Data de Inicio do Ciclo`,format = '%d/%m/%Y'), Ano = year(data)) %>%
mutate(`Situação de Matrícula` = ifelse(`Situação de Matrícula`== "Em curso" & `Ano`=="2021", "Ingresso", `Situação de Matrícula`))%>%
mutate(ano = 2021)
print(dado_2021_sub)## # A tibble: 270,609 × 59
## `Carga Horaria` `Carga Horaria Mínima` `Categoria da Situação` `Co Inst`
## <dbl> <dbl> <chr> <dbl>
## 1 4091 1200 Concluintes 26416
## 2 3900 1200 Em curso 26416
## 3 4340 1200 Concluintes 26403
## 4 4360 1200 Concluintes 26403
## 5 3102 800 Evadidos 26416
## 6 3850 1000 Concluintes 26416
## 7 3900 1200 Concluintes 26416
## 8 3720 1000 Concluintes 26403
## 9 3720 1000 Concluintes 26403
## 10 3720 1000 Concluintes 26403
## # ℹ 270,599 more rows
## # ℹ 55 more variables: `Cod Unidade` <dbl>, `Cor / Raça` <chr>,
## # `Código da Matricula` <dbl>, `Código da Unidade de Ensino - SISTEC` <dbl>,
## # `Código do Ciclo Matricula` <dbl>, `Código do Município com DV` <dbl>,
## # `Data de Fim Previsto do Ciclo` <chr>, `Data de Inicio do Ciclo` <chr>,
## # `Data de Ocorrencia da Matricula` <chr>, `Eixo Tecnológico` <chr>,
## # `Faixa Etária` <chr>, `Fator Esforço Curso` <dbl>, …# Separando os dados entre mulheres e homens para o ano de 2021
fem21_sub <- dado_2021_sub%>%
filter(`Sexo` == "Feminino")
#print(fem21_sub)
## Separando as mulheres por curso para o ano de 2021
manu_mulher21_sub <- fem21_sub%>%
filter(`Nome de Curso` == "Técnico em Manutenção e Suporte em Informática")
#print(manu_mulher21_sub)
infor_mulher21_sub <- fem21_sub%>%
filter(`Nome de Curso` == "Técnico em Informática")
#print(infor_mulher21_sub)
#Fazendo a parte masculina
mas21_sub <- dado_2021_sub%>%
filter(`Sexo` == "Masculino")
#print(mas21_sub)
## Separando os homens por curso para o ano de 2021
manu_homem21_sub <- mas21_sub%>%
filter(`Nome de Curso` == "Técnico em Manutenção e Suporte em Informática")
#print(manu_homem21_sub)
infor_homem21_sub <- mas21_sub%>%
filter(`Nome de Curso` == "Técnico em Informática")
#print(infor_homem21_sub)O último passo após a filtragem dos dados que serão o objeto de estudo da pesquisa será a união dos dataframes desenvolvidos, facilitando assim sua manupulação e análise posteriores.
VI - Unindo todos os dataframes criados e gerando um como todos os dados filtrados para a análise
#agrupando os dados e montando dos datasets por ano
dado_sub <- bind_rows(dado_2017_sub, dado_2018_sub, dado_2019_sub, dado_2020_sub, dado_2021_sub)
#print(dado_sub)
write.csv2(dado_sub, "dados_2017a2021_sub.csv")
#Dataset com os dados femininos para dos os anos
dado_mulher_sub <- bind_rows(fem17_sub, fem18_sub, fem19_sub, fem20_sub, fem21_sub)
#print(dado_mulher)
write.csv2(dado_mulher_sub, "dados_mulher2017a2021_sub.csv")
#Dataset com os dados femininos para o curso de Manutenção e Suporte em informática para todos os anos
dado_mulher_manu_sub <- bind_rows(manu_mulher17_sub, manu_mulher18_sub, manu_mulher19_sub, manu_mulher20_sub, manu_mulher21_sub)
print(dado_mulher_manu_sub)## # A tibble: 6,764 × 94
## `Carga Horaria` `Carga Horaria Minima` Código do Ciclo de Ma…¹ `Co Matricula`
## <dbl> <dbl> <dbl> <dbl>
## 1 1800 1000 347603 17797865
## 2 1200 1000 2045500 67881230
## 3 1200 1000 2045500 67881440
## 4 1200 1000 2045500 67881408
## 5 1200 1000 2045500 67881378
## 6 1000 1000 2152281 72241405
## 7 1000 1000 2152281 72241471
## 8 1000 1000 2152281 72241113
## 9 1000 1000 2152281 72241143
## 10 1000 1000 2152281 72241301
## # ℹ 6,754 more rows
## # ℹ abbreviated name: ¹`Código do Ciclo de Matrícula`
## # ℹ 90 more variables: `Cor / Raça` <chr>, `Dt Data Fim Previsto` <chr>,
## # `Data de Inicio do Ciclo` <chr>, `Dt Ocorrencia Matricula` <chr>,
## # `Eixo Tecnológico` <chr>, `Fator Esforco Curso` <dbl>,
## # `Mes De Ocorrencia` <chr>, `Modalidade Ensino` <chr>,
## # `Nome de Curso` <chr>, `Fonte de financiamento` <chr>, …write.csv2(dado_mulher_manu_sub, "dados_mulher_Manu2017a2021_sub.csv")
#Dataset com os dados femininos para o curso de informática para todos os anos
dado_mulher_info_sub <- bind_rows(infor_mulher17_sub, infor_mulher18_sub, infor_mulher19_sub, infor_mulher20_sub, infor_mulher21_sub)
print(dado_mulher_info_sub)## # A tibble: 48,964 × 94
## `Carga Horaria` `Carga Horaria Minima` Código do Ciclo de Ma…¹ `Co Matricula`
## <dbl> <dbl> <dbl> <dbl>
## 1 1250 1000 1602702 53434403
## 2 1380 1000 2163385 72761371
## 3 1380 1000 2163385 72761355
## 4 1380 1000 2163385 72761369
## 5 1380 1000 2163385 72761347
## 6 1380 1000 2163385 72780610
## 7 1380 1000 2163385 72780846
## 8 1380 1000 2163385 72761329
## 9 1380 1000 2163385 72761319
## 10 1380 1000 2163385 72761333
## # ℹ 48,954 more rows
## # ℹ abbreviated name: ¹`Código do Ciclo de Matrícula`
## # ℹ 90 more variables: `Cor / Raça` <chr>, `Dt Data Fim Previsto` <chr>,
## # `Data de Inicio do Ciclo` <chr>, `Dt Ocorrencia Matricula` <chr>,
## # `Eixo Tecnológico` <chr>, `Fator Esforco Curso` <dbl>,
## # `Mes De Ocorrencia` <chr>, `Modalidade Ensino` <chr>,
## # `Nome de Curso` <chr>, `Fonte de financiamento` <chr>, …write.csv2(dado_mulher_info_sub, "dados_mulher_info2017a2021_sub.csv")
#dataset com os dados masculinos para todos os anos
dado_homem_sub <- bind_rows(mas17_sub, mas18_sub, mas19_sub, mas20_sub, mas21_sub)
#print(dado_homem_sub)
write.csv2(dado_homem_sub, "dados_homem2017a2021_sub.csv")
#Dataset com os dados masculinos para o curso de Manutenção e Suporte em informática para todos os anos
dado_homem_manu_sub <- bind_rows(manu_homem17_sub, manu_homem18_sub, manu_homem19_sub, manu_homem20_sub, manu_homem21_sub)
#print(dado_homem_manu_sub)
write_csv2(dado_homem_manu_sub, "dados_homem_manu2017a2021_sub.csv")
#Dataset com os dados masculinos para o curso de informática para todos os anos
dado_homem_info_sub <- bind_rows(infor_homem17_sub, infor_homem18_sub, infor_homem19_sub, infor_homem20_sub, infor_homem21_sub)
#print(dado_homem_info_sub)
write_csv2(dado_homem_info_sub, "dados_homem_info2017a2021_sub.csv")
#Dataset para o curso de Manutenção e Suporte em Informática para os dois sexo e para todos os anos
dado_manu_total_sub <- bind_rows(dado_mulher_manu_sub, dado_homem_manu_sub)
#print(dado_manu_total_sub)
write_csv2(dado_manu_total_sub, "dados_manu_total2017a2021_sub.csv")
#Dataset para o curso de Informática para os dois sexo e para todos os anos
dado_info_total_sub <- bind_rows(dado_mulher_info_sub, dado_homem_info_sub)
#print(dado_info_total_sub)
write_csv2(dado_info_total_sub, "dados_info_total2017a2021_sub.csv")De posse dos dataframes com as informações que iremos utilizar na análise, agora vamos realizar a contagem em valores absolutos e em percentuais Feminino e Masculino para os cursos Técnico Subsequente em Manutenção e Suporte em Informática e Técnico Subsequente em Informática no contexto nacional (Brasil)
I - Curso Técnico Subsequente em Manutenção e Suporte em Informática
Fazendo a contagem por situação de matricula e por sexo para o curso de Manutenção e Suporte em Informática
I - Sexo Feminino
#Contagem de Ingresso
contagem_manu_ingresso_sub <- dado_manu_total_sub %>%
filter(`Situação de Matrícula` == "Ingresso") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally() %>%
ungroup() %>%
left_join(
dado_mulher_manu_sub %>%
filter(`Situação de Matrícula` == "Ingresso") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
left_join(
dado_homem_manu_sub %>%
filter(`Situação de Matrícula` == "Ingresso") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
rename(total_alunos = n.x, total_mulheres = n.y, total_homens = n)
print(contagem_manu_ingresso_sub)## # A tibble: 5 × 5
## ano `Situação de Matrícula` total_alunos total_mulheres total_homens
## <dbl> <chr> <int> <int> <int>
## 1 2017 Ingresso 1554 530 1024
## 2 2018 Ingresso 1452 520 932
## 3 2019 Ingresso 1638 602 1036
## 4 2020 Ingresso 799 306 493
## 5 2021 Ingresso 690 261 429write_csv2(contagem_manu_ingresso_sub, "contagem_manu_ingresso_sub.csv")
# Contagem Em Curso
contagem_manu_emCurso_sub <- dado_manu_total_sub %>%
filter(`Situação de Matrícula` == "Em curso") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally() %>%
ungroup() %>%
left_join(
dado_mulher_manu_sub %>%
filter(`Situação de Matrícula` == "Em curso") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
left_join(
dado_homem_manu_sub %>%
filter(`Situação de Matrícula` == "Em curso") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
rename(total_alunos = n.x, total_mulheres = n.y, total_homens = n)
print(contagem_manu_emCurso_sub)## # A tibble: 5 × 5
## ano `Situação de Matrícula` total_alunos total_mulheres total_homens
## <dbl> <chr> <int> <int> <int>
## 1 2017 Em curso 1157 361 796
## 2 2018 Em curso 1282 413 869
## 3 2019 Em curso 986 329 657
## 4 2020 Em curso 1674 580 1094
## 5 2021 Em curso 1324 446 878write_csv2(contagem_manu_emCurso_sub, "contagem_manu_emCurso_sub.csv")
#Contagem Evasão
contagem_manu_evasao_sub <- dado_manu_total_sub %>%
filter(`Situação de Matrícula` == "Evasão") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally() %>%
ungroup() %>%
left_join(
dado_mulher_manu_sub %>%
filter(`Situação de Matrícula` == "Evasão") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
left_join(
dado_homem_manu_sub %>%
filter(`Situação de Matrícula` == "Evasão") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
rename(total_alunos = n.x, total_mulheres = n.y, total_homens = n)
print(contagem_manu_evasao_sub)## # A tibble: 5 × 5
## ano `Situação de Matrícula` total_alunos total_mulheres total_homens
## <dbl> <chr> <int> <int> <int>
## 1 2017 Evasão 1244 440 804
## 2 2018 Evasão 1221 441 780
## 3 2019 Evasão 1044 348 696
## 4 2020 Evasão 202 67 135
## 5 2021 Evasão 234 91 143write_csv2(contagem_manu_evasao_sub, "contagem_manu_evasao_sub.csv")
#Contagem Conclusão
contagem_manu_conclusao_sub <- dado_manu_total_sub %>%
filter(`Situação de Matrícula` == "Concluída") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally() %>%
ungroup() %>%
left_join(
dado_mulher_manu_sub %>%
filter(`Situação de Matrícula` == "Concluída") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
left_join(
dado_homem_manu_sub %>%
filter(`Situação de Matrícula` == "Concluída") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
rename(total_alunos = n.x, total_mulheres = n.y, total_homens = n)
print(contagem_manu_conclusao_sub)## # A tibble: 5 × 5
## ano `Situação de Matrícula` total_alunos total_mulheres total_homens
## <dbl> <chr> <int> <int> <int>
## 1 2017 Concluída 507 157 350
## 2 2018 Concluída 569 192 377
## 3 2019 Concluída 699 233 466
## 4 2020 Concluída 253 85 168
## 5 2021 Concluída 925 362 563write_csv2(contagem_manu_conclusao_sub, "contagem_manu_conclusao_sub.csv")
contagem_manu_sub <- bind_rows(contagem_manu_ingresso_sub, contagem_manu_emCurso_sub, contagem_manu_evasao_sub, contagem_manu_conclusao_sub)
print(contagem_manu_sub)## # A tibble: 20 × 5
## ano `Situação de Matrícula` total_alunos total_mulheres total_homens
## <dbl> <chr> <int> <int> <int>
## 1 2017 Ingresso 1554 530 1024
## 2 2018 Ingresso 1452 520 932
## 3 2019 Ingresso 1638 602 1036
## 4 2020 Ingresso 799 306 493
## 5 2021 Ingresso 690 261 429
## 6 2017 Em curso 1157 361 796
## 7 2018 Em curso 1282 413 869
## 8 2019 Em curso 986 329 657
## 9 2020 Em curso 1674 580 1094
## 10 2021 Em curso 1324 446 878
## 11 2017 Evasão 1244 440 804
## 12 2018 Evasão 1221 441 780
## 13 2019 Evasão 1044 348 696
## 14 2020 Evasão 202 67 135
## 15 2021 Evasão 234 91 143
## 16 2017 Concluída 507 157 350
## 17 2018 Concluída 569 192 377
## 18 2019 Concluída 699 233 466
## 19 2020 Concluída 253 85 168
## 20 2021 Concluída 925 362 563contagem_mulher_manu_sub <- contagem_manu_sub %>%
group_by(ano, `Situação de Matrícula`) %>%
mutate(total_alunos = total_alunos, total_mulheres = total_mulheres) %>%
summarise(total_alunos, total_mulheres, percentual_alunas_manu = (total_mulheres / total_alunos) * 100)## `summarise()` has grouped output by 'ano'. You can override using the `.groups`
## argument.print(contagem_mulher_manu_sub)## # A tibble: 20 × 5
## # Groups: ano [5]
## ano `Situação de Matrícula` total_alunos total_mulheres
## <dbl> <chr> <int> <int>
## 1 2017 Concluída 507 157
## 2 2017 Em curso 1157 361
## 3 2017 Evasão 1244 440
## 4 2017 Ingresso 1554 530
## 5 2018 Concluída 569 192
## 6 2018 Em curso 1282 413
## 7 2018 Evasão 1221 441
## 8 2018 Ingresso 1452 520
## 9 2019 Concluída 699 233
## 10 2019 Em curso 986 329
## 11 2019 Evasão 1044 348
## 12 2019 Ingresso 1638 602
## 13 2020 Concluída 253 85
## 14 2020 Em curso 1674 580
## 15 2020 Evasão 202 67
## 16 2020 Ingresso 799 306
## 17 2021 Concluída 925 362
## 18 2021 Em curso 1324 446
## 19 2021 Evasão 234 91
## 20 2021 Ingresso 690 261
## # ℹ 1 more variable: percentual_alunas_manu <dbl>write_csv2(contagem_mulher_manu_sub, "percentual_mulheres_sub_manutencaoESuporteInfor_SituacaoMatricula.csv")
cores_rgb1 <- c("#DC143C", "#CD5C5C", "#FF0000", "#FFC0CB")
# Criação do gráfico com os valores absolutos do número de mulheres para o Subsequente em Manutenção e Suporte em Informática
grafico_contagem_mulheres_manu_sub <- ggplot(contagem_mulher_manu_sub, aes(x = as.factor(ano), y = total_mulheres, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
labs(title = "Número de mulheres para o curso Sub de Mant. e Suport. em Infor", x = "", y = "") +
geom_text(aes(label = paste0(format(round(total_mulheres, 0), nsmall = 0))), vjust = 1.5, color = "black", position = position_dodge(width = 0.9)) +
scale_fill_manual(values = cores_rgb1)
print(grafico_contagem_mulheres_manu_sub)
ggsave("contagem_mulher_manu_sub.png", grafico_contagem_mulheres_manu_sub)## Saving 7 x 5 in image# Criação do gráfico com o percentual de mulheres para o Subsequente em Manutenção e Suporte em Informática
grafico_contagem_mulher_manu_sub <- ggplot(contagem_mulher_manu_sub, aes(x = as.factor(ano), y = percentual_alunas_manu, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
labs(title = "Percentual de mulheres para o curso Sub de Mant. e Suport. em Infor", x = "", y = "") +
geom_text(aes(label = paste0(format(round(percentual_alunas_manu, 0), nsmall = 0))), vjust = 1.5, color = "black", position = position_dodge(width = 0.9)) +
scale_fill_manual(values = cores_rgb1)
print(grafico_contagem_mulher_manu_sub)
ggsave("percentual_mulher_manu_sub.png", grafico_contagem_mulher_manu_sub)## Saving 7 x 5 in image# Criação do gráfico empilhado com valores absolutos e percentuais em um único gráfico
grafico_contagem_mulher_manu_sub <- ggplot(contagem_mulher_manu_sub, aes(x = as.factor(ano), y = total_mulheres, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
labs(title = "Contagem de Alunas do Sub por Situação de Matrícula - Curso de Manutenção", x = "Ano", y = "Total de Alunos") +
geom_text(aes(label = paste0(format(round(total_mulheres), 0), "\n(", format(round(percentual_alunas_manu), 0), "%)")),
vjust = ifelse(contagem_manu_sub$total_alunos >= 30, 0.5, 1), color = "black", position = position_dodge(width = 0.9)) +
facet_wrap(~ 'Situação de Matrícula', ncol = 1, scales = "free_y") +
scale_fill_manual(values = cores_rgb1)
print(grafico_contagem_mulher_manu_sub)
ggsave("grafico_contagem_Mulher_manu_subsequente_ambos.png", grafico_contagem_mulher_manu_sub)## Saving 7 x 5 in imageII - Sexo Masculino
# Cálculo do percentual de alunos por situação de matrícula para Manutenção e Suporte em Informática
contagem_homem_manu_sub <- contagem_manu_sub %>%
group_by(ano, `Situação de Matrícula`) %>%
mutate(total_alunos = total_alunos, total_homens = total_homens) %>%
summarise(total_alunos, total_homens, percentual_alunos_manu = (total_homens / total_alunos) * 100)## `summarise()` has grouped output by 'ano'. You can override using the `.groups`
## argument.print(contagem_homem_manu_sub)## # A tibble: 20 × 5
## # Groups: ano [5]
## ano Situação de Matrícul…¹ total_alunos total_homens percentual_alunos_manu
## <dbl> <chr> <int> <int> <dbl>
## 1 2017 Concluída 507 350 69.0
## 2 2017 Em curso 1157 796 68.8
## 3 2017 Evasão 1244 804 64.6
## 4 2017 Ingresso 1554 1024 65.9
## 5 2018 Concluída 569 377 66.3
## 6 2018 Em curso 1282 869 67.8
## 7 2018 Evasão 1221 780 63.9
## 8 2018 Ingresso 1452 932 64.2
## 9 2019 Concluída 699 466 66.7
## 10 2019 Em curso 986 657 66.6
## 11 2019 Evasão 1044 696 66.7
## 12 2019 Ingresso 1638 1036 63.2
## 13 2020 Concluída 253 168 66.4
## 14 2020 Em curso 1674 1094 65.4
## 15 2020 Evasão 202 135 66.8
## 16 2020 Ingresso 799 493 61.7
## 17 2021 Concluída 925 563 60.9
## 18 2021 Em curso 1324 878 66.3
## 19 2021 Evasão 234 143 61.1
## 20 2021 Ingresso 690 429 62.2
## # ℹ abbreviated name: ¹`Situação de Matrícula`write_csv2(contagem_homem_manu_sub, "percentual_homens_sub_manutencaoESuporteInfor_SituacaoMatricula.csv")
cores_rgb <- c("#00008B", "#4169E1", "#0000FF", "#ADD8E6")
# Criação do gráfico com os valores absolutos do número de homens para Manutenção e Suporte em Informática
grafico_contagem_homens_manu_sub <- ggplot(contagem_homem_manu_sub, aes(x = as.factor(ano), y = total_homens, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
labs(title = "Número de homens Sub para o curso de Mant. e Suport. em Infor", x = "", y = "") +
geom_text(aes(label = paste0(format(round(total_homens, 0), nsmall = 0))), vjust = 1.5, color = "white", position = position_dodge(width = 0.9)) +
scale_fill_manual(values = cores_rgb)
print(grafico_contagem_homens_manu_sub)
ggsave("contagem_homem_manu_sub.png", grafico_contagem_homens_manu_sub)## Saving 7 x 5 in image# Criação do gráfico com o percentual de homens para Manutenção e Suporte em Informática
grafico_contagem_homem_manu_sub <- ggplot(contagem_homem_manu_sub, aes(x = as.factor(ano), y = percentual_alunos_manu, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
labs(title = "Percentual de homens Sub para o curso de Mant. e Suport. em Infor", x = "", y = "") +
geom_text(aes(label = paste0(format(round(percentual_alunos_manu, 0), nsmall = 0))), vjust = 1.5, color = "white", position = position_dodge(width = 0.9)) +
scale_fill_manual(values = cores_rgb)
print(grafico_contagem_homem_manu_sub)
ggsave("percentual_homem_manu_sub.png", grafico_contagem_homem_manu_sub)## Saving 7 x 5 in image# Criação do gráfico empilhado com valores absolutos e percentuais em um único gráfico
grafico_contagem_homem_manu_sub <- ggplot(contagem_homem_manu_sub, aes(x = as.factor(ano), y = total_homens, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
labs(title = "Contagem de Alunos Sub por Situação de Matrícula - Curso de Manutenção", x = "Ano", y = "Total de Alunos") +
geom_text(aes(label = paste0(format(round(total_homens), 0), "\n(", format(round(percentual_alunos_manu), 0), "%)")),
vjust = ifelse(contagem_manu_sub$total_alunos >= 30, 0.5, 1), color = "black", position = position_dodge(width = 0.9)) +
facet_wrap(~ 'Situação de Matrícula', ncol = 1, scales = "free_y") +
scale_fill_manual(values = cores_rgb)
print(grafico_contagem_homem_manu_sub)
ggsave("grafico_contagem_Homem_manu_sub_ambos.png", grafico_contagem_homem_manu_sub)## Saving 7 x 5 in imageFazendo a contagem por situação de matricula e por sexo para o curso Técnico em Informática
I - Sexo Feminino
#Fazendo a contagem por situação de matricula e por sexo para o curso de Informática
# Contagem de Ingresso
contagem_info_ingresso_sub <- dado_info_total_sub %>%
filter(`Situação de Matrícula` == "Ingresso") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally() %>%
ungroup() %>%
left_join(
dado_mulher_info_sub %>%
filter(`Situação de Matrícula` == "Ingresso") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
left_join(
dado_homem_info_sub %>%
filter(`Situação de Matrícula` == "Ingresso") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
rename(total_alunos = n.x, total_mulheres = n.y, total_homens = n)
# Contagem Em Curso
contagem_info_emCurso_sub <- dado_info_total_sub %>%
filter(`Situação de Matrícula` == "Em curso") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally() %>%
ungroup()%>%
left_join(
dado_mulher_info_sub %>%
filter(`Situação de Matrícula` == "Em curso") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
left_join(
dado_homem_info_sub %>%
filter(`Situação de Matrícula` == "Em curso") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
rename(total_alunos = n.x, total_mulheres = n.y, total_homens = n)
# Contagem Evasão
contagem_info_evasao_sub <- dado_info_total_sub %>%
filter(`Situação de Matrícula` == "Evasão") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally() %>%
ungroup()%>%
left_join(
dado_mulher_info_sub %>%
filter(`Situação de Matrícula` == "Evasão") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
left_join(
dado_homem_info_sub %>%
filter(`Situação de Matrícula` == "Evasão") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
rename(total_alunos = n.x, total_mulheres = n.y, total_homens = n)
# Contagem Conclusão
contagem_info_conclusao_sub <- dado_info_total_sub %>%
filter(`Situação de Matrícula` == "Concluída") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally() %>%
ungroup()%>%
left_join(
dado_mulher_info_sub %>%
filter(`Situação de Matrícula` == "Concluída") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
left_join(
dado_homem_info_sub %>%
filter(`Situação de Matrícula` == "Concluída") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
rename(total_alunos = n.x, total_mulheres = n.y, total_homens = n)
# Combinação de todas as contagens para Informática
contagem_info_sub <- bind_rows(contagem_info_ingresso_sub, contagem_info_emCurso_sub, contagem_info_evasao_sub, contagem_info_conclusao_sub)
print(contagem_info_sub)## # A tibble: 20 × 5
## ano `Situação de Matrícula` total_alunos total_mulheres total_homens
## <dbl> <chr> <int> <int> <int>
## 1 2017 Ingresso 2925 1061 1864
## 2 2018 Ingresso 2237 975 1262
## 3 2019 Ingresso 3082 1480 1602
## 4 2020 Ingresso 11307 4807 6500
## 5 2021 Ingresso 9904 4688 5216
## 6 2017 Em curso 2766 938 1828
## 7 2018 Em curso 2768 965 1803
## 8 2019 Em curso 2486 1033 1453
## 9 2020 Em curso 23641 9803 13838
## 10 2021 Em curso 23604 9906 13698
## 11 2017 Evasão 6764 2653 4111
## 12 2018 Evasão 3112 1265 1847
## 13 2019 Evasão 1600 671 929
## 14 2020 Evasão 2292 929 1363
## 15 2021 Evasão 3124 1227 1897
## 16 2017 Concluída 1813 657 1156
## 17 2018 Concluída 1353 485 868
## 18 2019 Concluída 930 310 620
## 19 2020 Concluída 3447 1369 2078
## 20 2021 Concluída 8709 3742 4967# Cálculo do percentual de alunas por situação de matrícula para Informática
contagem_mulher_info_sub <- contagem_info_sub %>%
group_by(ano, `Situação de Matrícula`) %>%
mutate(total_alunos = total_alunos, total_mulheres = total_mulheres) %>%
summarise(total_alunos, total_mulheres, percentual_alunas_info = (total_mulheres / total_alunos) * 100)## `summarise()` has grouped output by 'ano'. You can override using the `.groups`
## argument.print(contagem_mulher_info_sub)## # A tibble: 20 × 5
## # Groups: ano [5]
## ano `Situação de Matrícula` total_alunos total_mulheres
## <dbl> <chr> <int> <int>
## 1 2017 Concluída 1813 657
## 2 2017 Em curso 2766 938
## 3 2017 Evasão 6764 2653
## 4 2017 Ingresso 2925 1061
## 5 2018 Concluída 1353 485
## 6 2018 Em curso 2768 965
## 7 2018 Evasão 3112 1265
## 8 2018 Ingresso 2237 975
## 9 2019 Concluída 930 310
## 10 2019 Em curso 2486 1033
## 11 2019 Evasão 1600 671
## 12 2019 Ingresso 3082 1480
## 13 2020 Concluída 3447 1369
## 14 2020 Em curso 23641 9803
## 15 2020 Evasão 2292 929
## 16 2020 Ingresso 11307 4807
## 17 2021 Concluída 8709 3742
## 18 2021 Em curso 23604 9906
## 19 2021 Evasão 3124 1227
## 20 2021 Ingresso 9904 4688
## # ℹ 1 more variable: percentual_alunas_info <dbl>write_csv2(contagem_mulher_info_sub, "percentual_mulheres_Infor_sub_SituacaoMatricula.csv")
# Cores para o gráfico
cores_rgb1 <- c("#DC143C", "#CD5C5C", "#FF0000", "#FFC0CB")
# Criação do gráfico com valores absolutos de mulheres para o curso de Informática
grafico_contagem_mulheres_info_sub <- ggplot(contagem_mulher_info_sub, aes(x = as.factor(ano), y = total_mulheres, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
labs(title = "Número de mulheres do sub para o curso de Informática", x = "Ano", y = "Percentual de alunas") +
geom_text(aes(label = paste0(format(round(total_mulheres, 0), nsmall = 0))),
position = position_dodge(width = 0.8), vjust = 1.5, color = "black") +
scale_fill_manual(values = cores_rgb1)
print(grafico_contagem_mulheres_info_sub)
ggsave("contagem_mulheres_info_sub.png", grafico_contagem_mulheres_info_sub)## Saving 7 x 5 in image# Criação do gráfico com o percentual de mulheres para o curso de Informática
grafico_contagem_mulher_info_sub <- ggplot(contagem_mulher_info_sub, aes(x = as.factor(ano), y = percentual_alunas_info, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
labs(title = "Percentual de mulheres do sub para o curso de Informática", x = "Ano", y = "Percentual de alunas") +
geom_text(aes(label = paste0(format(round(percentual_alunas_info, 0), nsmall = 0))),
position = position_dodge(width = 0.8), vjust = 1.5, color = "black") +
scale_fill_manual(values = cores_rgb1)
print(grafico_contagem_mulher_info_sub)
ggsave("contagem_mulher_info_sub.png", grafico_contagem_mulher_info_sub)## Saving 7 x 5 in image# Criação do gráfico empilhado com valores absolutos e percentuais em um único gráfico
grafico_contagem_mulher_info_sub <- ggplot(contagem_mulher_info_sub, aes(x = as.factor(ano), y = total_mulheres, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
labs(title = "Contagem de Alunas do Sub por Situação de Matrícula - Curso de Informática", x = "Ano", y = "Total de Alunos") +
geom_text(aes(label = paste0(format(round(total_mulheres), 0), "\n(", format(round(percentual_alunas_info), 0), "%)")),
vjust = ifelse(contagem_manu_sub$total_alunos >= 30, 0.5, 0.2), hjust = 0.5, color = "black", position = position_dodge(width = 0.9)) +
facet_wrap(~ 'Situação de Matrícula', ncol = 1, scales = "free_y") +
scale_fill_manual(values = cores_rgb1)
print(grafico_contagem_mulher_info_sub)
ggsave("grafico_contagem_Mulher_sub_info_ambos.png", grafico_contagem_mulher_info_sub)## Saving 7 x 5 in imageII - Sexo Masculino
# Cálculo do percentual de alunos por situação de matrícula para Informática
contagem_homem_info_sub <- contagem_info_sub %>%
group_by(ano, `Situação de Matrícula`) %>%
mutate(total_alunos = total_alunos, total_homens = total_homens) %>%
summarise(total_alunos, total_homens, percentual_alunos_info = (total_homens / total_alunos) * 100)## `summarise()` has grouped output by 'ano'. You can override using the `.groups`
## argument.print(contagem_homem_info_sub)## # A tibble: 20 × 5
## # Groups: ano [5]
## ano Situação de Matrícul…¹ total_alunos total_homens percentual_alunos_info
## <dbl> <chr> <int> <int> <dbl>
## 1 2017 Concluída 1813 1156 63.8
## 2 2017 Em curso 2766 1828 66.1
## 3 2017 Evasão 6764 4111 60.8
## 4 2017 Ingresso 2925 1864 63.7
## 5 2018 Concluída 1353 868 64.2
## 6 2018 Em curso 2768 1803 65.1
## 7 2018 Evasão 3112 1847 59.4
## 8 2018 Ingresso 2237 1262 56.4
## 9 2019 Concluída 930 620 66.7
## 10 2019 Em curso 2486 1453 58.4
## 11 2019 Evasão 1600 929 58.1
## 12 2019 Ingresso 3082 1602 52.0
## 13 2020 Concluída 3447 2078 60.3
## 14 2020 Em curso 23641 13838 58.5
## 15 2020 Evasão 2292 1363 59.5
## 16 2020 Ingresso 11307 6500 57.5
## 17 2021 Concluída 8709 4967 57.0
## 18 2021 Em curso 23604 13698 58.0
## 19 2021 Evasão 3124 1897 60.7
## 20 2021 Ingresso 9904 5216 52.7
## # ℹ abbreviated name: ¹`Situação de Matrícula`write_csv2(contagem_homem_info_sub, "percentual_homens_Infor_sub_SituacaoMatricula.csv")
cores_rgb <- c("#00008B", "#4169E1", "#0000FF", "#ADD8E6")
# Criação do gráfico com os valores absolutos de homens para o curso de Informática
grafico_contagem_homens_info_sub <- ggplot(contagem_homem_info_sub, aes(x = as.factor(ano), y = total_homens, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
labs(title = "Número de homens do Sub para o curso de Infor", x = "", y = "") +
geom_text(aes(label = paste0(format(round(total_homens, 0), nsmall = 0))), vjust = 1.5, color = "white", position = position_dodge(width = 0.9)) +
scale_fill_manual(values = cores_rgb)
print(grafico_contagem_homens_info_sub)
ggsave("contagem_homens_info_sub.png", grafico_contagem_homens_info_sub)## Saving 7 x 5 in image# Criação do gráfico com o percentual de homens para o curso de Informática
grafico_contagem_homem_info_sub <- ggplot(contagem_homem_info_sub, aes(x = as.factor(ano), y = percentual_alunos_info, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
labs(title = "Percentual de homens do Sub para o curso de Infor", x = "", y = "") +
geom_text(aes(label = paste0(format(round(percentual_alunos_info, 0), nsmall = 0))), vjust = 1.5, color = "white", position = position_dodge(width = 0.9)) +
scale_fill_manual(values = cores_rgb)
print(grafico_contagem_homem_info_sub)
ggsave("contagem_homem_info_sub.png", grafico_contagem_homem_info_sub)## Saving 7 x 5 in image# Criação do gráfico empilhado com valores absolutos e percentuais em um único gráfico
grafico_contagem_homem_info_sub <- ggplot(contagem_homem_info_sub, aes(x = as.factor(ano), y = total_homens, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
labs(title = "Contagem de Alunos do Sub por Situação de Matrícula - Curso de Informática", x = "Ano", y = "Total de Alunos") +
geom_text(aes(label = paste0(format(round(total_homens), 0), "\n(", format(round(percentual_alunos_info), 0), "%)")),
vjust = ifelse(contagem_manu_sub$total_alunos >= 30, 0.5, 0.5), color = "black", position = position_dodge(width = 0.9)) +
facet_wrap(~ 'Situação de Matrícula', ncol = 1, scales = "free_y") +
scale_fill_manual(values = cores_rgb)
print(grafico_contagem_homem_info_sub)
ggsave("grafico_contagem_Homem_info_sub_ambos.png", grafico_contagem_homem_info_sub)## Saving 7 x 5 in imageVendo as informações de contagem por sexo e por situação de matricula
I - Curso de Manutenção e Suporte em Informática
#Criando a contagem de alunos por sexo para o curso de Manutenção e Suporte em Informática e empilhando os dados por Situação da Matrícula
contagem_mulher_manu2_sub <- dado_mulher_manu_sub %>% group_by(ano, `Sexo`, `Situação de Matrícula`)%>%tally()
#print(contagem_mulher_manu2_sub)
contagem_homem_manu2_sub <- dado_homem_manu_sub %>% group_by(ano, `Sexo`, `Situação de Matrícula`)%>%tally()
#print(contagem_homem_manu2_sub)
contagem_alunos_manu2_sub <- bind_rows(contagem_mulher_manu2_sub, contagem_homem_manu2_sub)
print(contagem_alunos_manu2_sub)## # A tibble: 40 × 4
## # Groups: ano, Sexo [10]
## ano Sexo `Situação de Matrícula` n
## <dbl> <chr> <chr> <int>
## 1 2017 Feminino Concluída 157
## 2 2017 Feminino Em curso 361
## 3 2017 Feminino Evasão 440
## 4 2017 Feminino Ingresso 530
## 5 2018 Feminino Concluída 192
## 6 2018 Feminino Em curso 413
## 7 2018 Feminino Evasão 441
## 8 2018 Feminino Ingresso 520
## 9 2019 Feminino Concluída 233
## 10 2019 Feminino Em curso 329
## # ℹ 30 more rows# Criando o gráfico de barras empilhadas
grafico_empilhado_manu2_sub <- ggplot(contagem_alunos_manu2_sub, aes(x = as.factor(ano), y = n, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity") +
labs(title = "Número de Alunos Sub para Manunt. e Suport. em Infor.", x = "Ano", y = "Número de Alunos") +
geom_text(aes(label = format(round(n, 1), nsmall = 0)), position = position_stack(vjust = 0.5), color = "black") +
facet_wrap(~Sexo, ncol = 1, scales = "free_y")
print(grafico_empilhado_manu2_sub)
ggsave("grafico_contagem_alunos_manu2_sub.png", grafico_empilhado_manu2_sub)## Saving 7 x 5 in imageII - Curso Técnico em Informática
#Criando a contagem de alunos por sexo para o curso de Informática e empilhando os dados por Situação da Matrícula
contagem_mulher_info2_sub <- dado_mulher_info_sub %>% group_by(ano, `Sexo`, `Situação de Matrícula`)%>%tally()
#print(contagem_mulher_info2_sub)
contagem_homem_info2_sub <- dado_homem_info_sub %>% group_by(ano, `Sexo`, `Situação de Matrícula`)%>%tally()
#print(contagem_homem_info2_sub)
contagem_alunos_info2_sub <- bind_rows(contagem_mulher_info2_sub, contagem_homem_info2_sub)
print(contagem_alunos_info2_sub)## # A tibble: 40 × 4
## # Groups: ano, Sexo [10]
## ano Sexo `Situação de Matrícula` n
## <dbl> <chr> <chr> <int>
## 1 2017 Feminino Concluída 657
## 2 2017 Feminino Em curso 938
## 3 2017 Feminino Evasão 2653
## 4 2017 Feminino Ingresso 1061
## 5 2018 Feminino Concluída 485
## 6 2018 Feminino Em curso 965
## 7 2018 Feminino Evasão 1265
## 8 2018 Feminino Ingresso 975
## 9 2019 Feminino Concluída 310
## 10 2019 Feminino Em curso 1033
## # ℹ 30 more rows# Criando o gráfico de barras empilhadas
grafico_empilhado_info2_sub <- ggplot(contagem_alunos_info2_sub, aes(x = as.factor(ano), y = n, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity") +
labs(title = "Número de Alunos Sub para Infor.", x = "Ano", y = "Número de Alunos") +
geom_text(aes(label = format(round(n, 1), nsmall = 0)), position = position_stack(vjust = 0.5), color = "black") +
facet_wrap(~Sexo, ncol = 1, scales = "free_y")
print(grafico_empilhado_info2_sub)
ggsave("grafico_contagem_alunos_info2_sub.png", grafico_empilhado_info2_sub)## Saving 7 x 5 in image