PREPARAÇÃO DOS DADOS
#carregando os daods da Prefeitura do Recife
AcidentesTransRec2020<- read.csv("~/Desktop/Fabio/UFRPE/2023PrimeiroSemestre/ComputacaoParaAnaliseDados/fc1c8460-0406-4fff-b51a-e79205d1f1ab (1).csv", header=T)
AcidentesTransRec2021<-read.csv("~/Desktop/Fabio/UFRPE/2023PrimeiroSemestre/ComputacaoParaAnaliseDados/2caa8f41-ccd9-4ea5-906d-f66017d6e107 (1).csv", header=T)
AcidentesTransRec2022<- read.csv("~/Desktop/Fabio/UFRPE/2023PrimeiroSemestre/ComputacaoParaAnaliseDados/971e0228-fa9c-4a42-b360-c842b29d2f56 (1).csv", header=T)
#instalando o pacote dplyr
install.packages("dplyr", repos = "https://cloud.r-project.org/")
##
## The downloaded binary packages are in
## /var/folders/yl/1qtsn2n530q1vxf053vhb4200000gn/T//RtmpQT9hoW/downloaded_packages
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, union
#Ajustando as colunas das datas nas 3 tabelas para o tipo Date e para o formato aaaa-mm-dd.
AcidentesTransRec2020$data <- as.Date(AcidentesTransRec2020$data, format = "%Y-%m-%dT%H:%M:%S")
AcidentesTransRec2021$data <- as.Date(AcidentesTransRec2021$data, format = "%Y-%m-%dT%H:%M:%S")
AcidentesTransRec2022$data <- as.Date(AcidentesTransRec2022$data, format = "%Y-%m-%dT%H:%M:%S")
#Ajustado a coluna das horas para ficar apenas com a hora, retirando os minitos e segundos. E transformando-as em factor.
#Não existe a informação da hora na coleta de dados de 2022, logo esse ano não será considerado.
AcidentesTransRec2020$hora <- substr(AcidentesTransRec2020$hora,1,2)
AcidentesTransRec2020$hora <- as.factor(AcidentesTransRec2020$hora)
AcidentesTransRec2021$hora <- substr(AcidentesTransRec2021$hora,1,2)
AcidentesTransRec2021$hora <- as.factor(AcidentesTransRec2021$hora)
#trasformando a natureza_acidente em factor e no caso de 2020 assumnindo que os espaços vazios são sem vítima.
AcidentesTransRec2020$natureza_acidente <- as.factor(AcidentesTransRec2020$natureza_acidente)
levels(AcidentesTransRec2020$natureza_acidente)[levels(AcidentesTransRec2020$natureza_acidente)==""]<-"SEM VÍTIMA"
#trasformando a natureza_acidente em factor e no caso de 2021 assumnindo que a indicação OUTROS são sem vítima.
AcidentesTransRec2021$natureza_acidente <- as.factor(AcidentesTransRec2021$natureza_acidente)
levels(AcidentesTransRec2021$natureza_acidente)[levels(AcidentesTransRec2021$natureza_acidente)=="OUTROS"]<-"SEM VÍTIMA"
#Primeiro trocando o nome da coluna de natureza para natureza_acidente para que fique igual aos demais anos, depois transformando os dados em factor.
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% rename(natureza_acidente = natureza)
AcidentesTransRec2022$natureza_acidente <- as.factor(AcidentesTransRec2022$natureza_acidente)
#Retirando alguma colunas desnecessárias, elas serão retiradama maioria das vezes a medida que aparecem planilha de dados.
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-Protocolo)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-situacao)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-situacao)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-situacao)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-situacao_semaforo)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-situacao_semaforo)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-situacao_semaforo)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-situacao_placa)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-situacao_placa)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-situacao_placa)
#Criando uma coluna que mostre o dia da semana de cada acidente baseado na data.
AcidentesTransRec2020$dia_da_semana <- weekdays(AcidentesTransRec2020$data)
AcidentesTransRec2021$data<-as.Date(AcidentesTransRec2021$data)
AcidentesTransRec2021$dia_da_semana <- weekdays(AcidentesTransRec2021$data)
AcidentesTransRec2022$data<-as.Date(AcidentesTransRec2022$data)
AcidentesTransRec2022$dia_da_semana <- weekdays(AcidentesTransRec2022$data)
#Transformando os bairros dos acidentes em factor.
AcidentesTransRec2020$bairro<- as.factor(AcidentesTransRec2020$bairro)
AcidentesTransRec2021$bairro<- as.factor(AcidentesTransRec2021$bairro)
AcidentesTransRec2022$bairro<- as.factor(AcidentesTransRec2022$bairro)
#No ano de 2020 as colunas das quantidades de veiculos envolvidos nos acidentes estavam sem informação (NA) ao invés de zero. Vamos altera-los abaixo, colonado o 0.
AcidentesTransRec2020$auto[is.na(AcidentesTransRec2020$auto)]=0
AcidentesTransRec2020$moto[is.na(AcidentesTransRec2020$moto)]=0
AcidentesTransRec2020$ciclom[is.na(AcidentesTransRec2020$ciclom)]=0
AcidentesTransRec2020$ciclista[is.na(AcidentesTransRec2020$ciclista)]=0
AcidentesTransRec2020$pedestre[is.na(AcidentesTransRec2020$pedestre)]=0
AcidentesTransRec2020$onibus[is.na(AcidentesTransRec2020$onibus)]=0
AcidentesTransRec2020$caminhao[is.na(AcidentesTransRec2020$caminhao)]=0
AcidentesTransRec2020$viatura[is.na(AcidentesTransRec2020$viatura)]=0
AcidentesTransRec2020$outros[is.na(AcidentesTransRec2020$outros)]=0
#Mais uma vez reomvendo colunas.
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-descricao)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-numero)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-numero)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-numero)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-detalhe_endereco_acidente)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-detalhe_endereco_acidente)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-detalhe_endereco_acidente)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-complemento)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-complemento)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-complemento)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-bairro_cruzamento)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-bairro_cruzamento)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-bairro_cruzamento)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-num_semaforo)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-num_semaforo)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-num_semaforo)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-sentido_via)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-sentido_via)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-sentido_via)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-tipo)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-tipo)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-tipo)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-acidente_verificado)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-acidente_verificado)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-acidente_verificado)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-tempo_clima)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-tempo_clima)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-tempo_clima)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-sinalizacao)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-sinalizacao)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-sinalizacao)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-ponto_controle)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-ponto_controle)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-ponto_controle)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-velocidade_max_via)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-velocidade_max_via)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-velocidade_max_via)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-divisao_via1)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-divisao_via1)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-divisao_via1)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-divisao_via2)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-divisao_via2)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-divisao_via2)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-divisao_via3)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-divisao_via3)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-divisao_via3)
#Também no ano de 2020 a coluna de vitimas fatais não continha a informação de 0, novamente assumo que onde estavam os na's é por não ter mitimas fátais e atribuirei o numero 0.
AcidentesTransRec2020$vitimasfatais[is.na(AcidentesTransRec2020$vitimasfatais)]=0
#Transformando a coluna condicao_via em factor.
AcidentesTransRec2020$condicao_via<-as.factor(AcidentesTransRec2020$condicao_via)
AcidentesTransRec2021$condicao_via<-as.factor(AcidentesTransRec2021$condicao_via)
AcidentesTransRec2022$condicao_via<-as.factor(AcidentesTransRec2022$condicao_via)
#Criando uma nova coluna chamanda de envolvidos para relacionar os veículos e suas quantidades envolvidas em cada acidente. Isso para cada ano de 2020 e 2021.
AcidentesTransRec2020$envolvidos <- apply(AcidentesTransRec2020[, c("auto", "moto", "ciclom", "ciclista", "pedestre", "onibus", "caminhao", "viatura", "outros")], 1, function(x) {
paste0(ifelse(x[1] > 0, paste0(x[1], " auto"), ""),
ifelse(x[2] > 0, paste0(" ", x[2], " moto"), ""),
ifelse(x[3] > 0, paste0(" ", x[3], " ciclom"), ""),
ifelse(x[4] > 0, paste0(" ", x[4], " ciclista"), ""),
ifelse(x[5] > 0, paste0(" ", x[5], " pedestre"), ""),
ifelse(x[6] > 0, paste0(" ", x[6], " onibus"), ""),
ifelse(x[7] > 0, paste0(" ", x[7], " caminhao"), ""),
ifelse(x[8] > 0, paste0(" ", x[8], " viatura"), ""),
ifelse(x[9] > 0, paste0(" ", x[9], " outros"), ""))
})
AcidentesTransRec2021$envolvidos <- apply(AcidentesTransRec2021[, c("auto", "moto", "ciclom", "ciclista", "pedestre", "onibus", "caminhao", "viatura", "outros")], 1, function(x) {
paste0(ifelse(x[1] > 0, paste0(x[1], " auto"), ""),
ifelse(x[2] > 0, paste0(" ", x[2], " moto"), ""),
ifelse(x[3] > 0, paste0(" ", x[3], " ciclom"), ""),
ifelse(x[4] > 0, paste0(" ", x[4], " ciclista"), ""),
ifelse(x[5] > 0, paste0(" ", x[5], " pedestre"), ""),
ifelse(x[6] > 0, paste0(" ", x[6], " onibus"), ""),
ifelse(x[7] > 0, paste0(" ", x[7], " caminhao"), ""),
ifelse(x[8] > 0, paste0(" ", x[8], " viatura"), ""),
ifelse(x[9] > 0, paste0(" ", x[9], " outros"), ""))
})
#Para o ano de 2022 é preciso antes retirar a virgula e a casa decimal após ela para poder aplicar a função e criar a coluna envolvidos.
# Lista de colunas que você deseja modificar
colunas_para_modificar <- c("auto", "moto", "ciclom", "ciclista", "pedestre", "onibus", "caminhao", "viatura", "outros")
# Função para remover vírgulas e valores após a vírgula e converter para numérico
limpar_e_converter <- function(coluna) {
as.numeric(sub(",.*", "", coluna))
}
# Aplicar a função a cada coluna na lista
AcidentesTransRec2022[colunas_para_modificar] <- lapply(AcidentesTransRec2022[colunas_para_modificar], limpar_e_converter)
#Finalmente criar a coluna de envolvidos
AcidentesTransRec2022$envolvidos <- apply(AcidentesTransRec2022[, c("auto", "moto", "ciclom", "ciclista", "pedestre", "onibus", "caminhao", "viatura", "outros")], 1, function(x) {
paste0(ifelse(x[1] > 0, paste0(x[1], " auto"), ""),
ifelse(x[2] > 0, paste0(" ", x[2], " moto"), ""),
ifelse(x[3] > 0, paste0(" ", x[3], " ciclom"), ""),
ifelse(x[4] > 0, paste0(" ", x[4], " ciclista"), ""),
ifelse(x[5] > 0, paste0(" ", x[5], " pedestre"), ""),
ifelse(x[6] > 0, paste0(" ", x[6], " onibus"), ""),
ifelse(x[7] > 0, paste0(" ", x[7], " caminhao"), ""),
ifelse(x[8] > 0, paste0(" ", x[8], " viatura"), ""),
ifelse(x[9] > 0, paste0(" ", x[9], " outros"), ""))
})
#Retirando agora a virgula e o que estiver a direira dela das colunas com as quantidades de vitimas e vitimas fatais
AcidentesTransRec2022$vitimas <- as.numeric(sub(",.*", "", AcidentesTransRec2022$vitimas))
AcidentesTransRec2022$vitimasfatais <- as.numeric(sub(",.*", "", AcidentesTransRec2022$vitimasfatais))
#convertendo as informações das colunas em factor
AcidentesTransRec2020$endereco<-as.factor(AcidentesTransRec2020$endereco)
AcidentesTransRec2021$endereco<-as.factor(AcidentesTransRec2021$endereco)
AcidentesTransRec2022$endereco<-as.factor(AcidentesTransRec2022$endereco)
AcidentesTransRec2020$conservacao_via<- as.factor(AcidentesTransRec2020$conservacao_via)
AcidentesTransRec2020$mao_direcao<- as.factor(AcidentesTransRec2020$mao_direcao)
AcidentesTransRec2020$dia_da_semana<- as.factor(AcidentesTransRec2020$dia_da_semana)
AcidentesTransRec2020$envolvidos<- as.factor(AcidentesTransRec2020$envolvidos)
AcidentesTransRec2021$conservacao_via<- as.factor(AcidentesTransRec2021$conservacao_via)
AcidentesTransRec2021$mao_direcao<- as.factor(AcidentesTransRec2021$mao_direcao)
AcidentesTransRec2021$dia_da_semana<- as.factor(AcidentesTransRec2021$dia_da_semana)
AcidentesTransRec2021$envolvidos<- as.factor(AcidentesTransRec2021$envolvidos)
AcidentesTransRec2022$conservacao_via<- as.factor(AcidentesTransRec2022$conservacao_via)
AcidentesTransRec2022$mao_direcao<- as.factor(AcidentesTransRec2022$mao_direcao)
AcidentesTransRec2022$dia_da_semana<- as.factor(AcidentesTransRec2022$dia_da_semana)
AcidentesTransRec2022$envolvidos<- as.factor(AcidentesTransRec2022$envolvidos)
#Finalmente juntaremos as três bases de dados.
AcidentesTransRec<- rbind(AcidentesTransRec2020,AcidentesTransRec2021,AcidentesTransRec2022)
# Criar uma tabela interativa
if (!requireNamespace("DT", quietly = TRUE)) {
install.packages("DT", repos = "https://cloud.r-project.org/")
}
library(DT)
datatable(AcidentesTransRec,
options = list(pageLength = 10, autoWidth = TRUE),
filter = 'top')
## Warning in instance$preRenderHook(instance): It seems your data is too big for
## client-side DataTables. You may consider server-side processing:
## https://rstudio.github.io/DT/server.html
ANÁLISE EXPLORATÓRIA DOS DADOS
Acidentes hora do dia
#Carreguei com outro nome para evitar a possibilidade de alterar inadvetidamente a minhha base de dados
dadosAcidentes<- AcidentesTransRec
# Instalar forcats se ainda não estiver instalado
if (!requireNamespace("forcats", quietly = TRUE)) {
install.packages("forcats")
}
# Carregar forcats
library(forcats)
if (!requireNamespace("ggplot2", quietly = TRUE)) {
install.packages("ggplot2")
}
library(ggplot2)
if (!requireNamespace("gridExtra", quietly = TRUE)) {
install.packages("gridExtra")
}
library(gridExtra)
##
## Attaching package: 'gridExtra'
## The following object is masked from 'package:dplyr':
##
## combine
# Remover linhas onde a hora ou a natureza do acidente não está informada
dados_filtrados <- dadosAcidentes %>%
filter(!is.na(hora) & !is.na(natureza_acidente))
# Reordenar a natureza do acidente para que a ordem das cores no gráfico seja amarela, verde e vermelha
dados_filtrados$natureza_acidente <- fct_relevel(dados_filtrados$natureza_acidente,"VÍTIMA FATAL", "SEM VÍTIMA","COM VÍTIMA")
# Agrupar por hora e natureza do acidente e contar
acidentes_agrupados <- dados_filtrados %>%
group_by(hora, natureza_acidente) %>%
summarise(Quantidade = n(), .groups = 'drop')
# Ajustar cores para a natureza do acidente
cores <- c( "COM VÍTIMA" = "yellow","SEM VÍTIMA" = "green", "VÍTIMA FATAL" = "red")
# Criar gráfico
g1 <- ggplot(acidentes_agrupados, aes(x = as.factor(hora), y = Quantidade, fill = natureza_acidente)) +
geom_bar(stat = "identity", position = "stack") +
scale_fill_manual(values = cores) +
theme_minimal() +
labs(title = "Quantidade de Acidentes por Hora do Dia e Natureza do Acidente em Recife",
x = "Hora do Dia",
y = "Quantidade de Acidentes",
fill = "Natureza do Acidente")
# Calcular porcentagens para o Gráfico de Pizza
acidentes_por_natureza <- acidentes_agrupados %>%
group_by(natureza_acidente) %>%
summarise(Total = sum(Quantidade), .groups = 'drop') %>%
mutate(Porcentagem = (Total / sum(Total)) * 100)
# Gráfico de Pizza
g2 <- ggplot(acidentes_por_natureza, aes(x = "", y = Porcentagem, fill = natureza_acidente)) +
geom_bar(width = 1, stat = "identity", color = "white") +
coord_polar(theta = "y") +
scale_fill_manual(values = cores) +
labs(title = "Porcentagem da Natureza dos Acidentes em Recife",
x = NULL,
y = NULL,
fill = "Natureza do Acidente") +
theme_void() +
geom_text(aes(label = paste(round(Porcentagem, 1), "%")), position = position_stack(vjust = 0.5))
### Passo 3: Exibir os Gráficos Lado a Lado
grid.arrange(g1, g2, ncol = 1)

# Filtrar dados para incluir apenas acidentes com motos e onde a hora está informada
dados_com_motos_e_hora <- dadosAcidentes %>%
filter(grepl("moto", envolvidos, ignore.case = TRUE) & !is.na(hora) & !is.na(natureza_acidente))
# Agrupar por hora e natureza do acidente e contar, considerando apenas acidentes com motos
acidentes_com_motos_por_hora <- dados_com_motos_e_hora %>%
group_by(hora, natureza_acidente) %>%
summarise(Quantidade = n(), .groups = 'drop')
# Ajustar cores para a natureza do acidente
cores <- c("VÍTIMA FATAL" = "red", "SEM VÍTIMA" = "green", "COM VÍTIMA" = "yellow")
# Criar gráfico de acidentes por hora do dia para acidentes com motos
g3<- ggplot(acidentes_com_motos_por_hora, aes(x = as.factor(hora), y = Quantidade, fill = natureza_acidente)) +
geom_bar(stat = "identity", position = "stack") +
scale_fill_manual(values = cores) +
theme_minimal() +
labs(title = "Quantidade de Acidentes por Hora do Dia com Motos em Recife",
x = "Hora do Dia",
y = "Quantidade de Acidentes",
fill = "Natureza do Acidente")
# Calcular o total de acidentes por natureza do acidente para acidentes com motos
acidentes_com_motos_por_natureza <- acidentes_com_motos_por_hora %>%
group_by(natureza_acidente) %>%
summarise(Total = sum(Quantidade), .groups = 'drop') %>%
mutate(Porcentagem = (Total / sum(Total)) * 100)
g4<- ggplot(acidentes_com_motos_por_natureza, aes(x = "", y = Porcentagem, fill = natureza_acidente)) +
geom_bar(width = 1, stat = "identity", color = "white") +
coord_polar(theta = "y") + # Transforma o gráfico de barras em gráfico de pizza
scale_fill_manual(values = cores) +
labs(title = "Porcentagem da Natureza dos Acidentes com Motos em Recife",
x = NULL,
y = NULL,
fill = "Natureza do Acidente") +
theme_void() + # Remove elementos desnecessários do gráfico
geom_text(aes(label = paste(round(Porcentagem, 1), "%")), position = position_stack(vjust = 0.5))
grid.arrange(g3, g4, ncol = 1)

# Filtrar dados para incluir apenas acidentes com pedestre e onde a hora está informada
dados_com_pedestres_e_hora <- dadosAcidentes %>%
filter(grepl("pedestre", envolvidos, ignore.case = TRUE) & !is.na(hora) & !is.na(natureza_acidente))
# Agrupar por hora e natureza do acidente e contar, considerando apenas acidentes com motos
dados_com_pedestres_e_hora <- dados_com_pedestres_e_hora %>%
group_by(hora, natureza_acidente) %>%
summarise(Quantidade = n(), .groups = 'drop')
# Ajustar cores para a natureza do acidente
cores <- c("VÍTIMA FATAL" = "red", "SEM VÍTIMA" = "green", "COM VÍTIMA" = "yellow")
# Criar gráfico de acidentes por hora do dia para acidentes com motos
g5<- ggplot(dados_com_pedestres_e_hora, aes(x = as.factor(hora), y = Quantidade, fill = natureza_acidente)) +
geom_bar(stat = "identity", position = "stack") +
scale_fill_manual(values = cores) +
theme_minimal() +
labs(title = "Quantidade de Acidentes por Hora do Dia com Pedestres em Recife",
x = "Hora do Dia",
y = "Quantidade de Acidentes",
fill = "Natureza do Acidente")
# Calcular o total de acidentes por natureza do acidente para acidentes com pedestres
dados_com_pedestres_e_hora <- dados_com_pedestres_e_hora %>%
group_by(natureza_acidente) %>%
summarise(Quantidade = sum(Quantidade), .groups = 'drop') %>%
mutate(Percentual = Quantidade / sum(Quantidade) * 100)
# Definindo as cores conforme especificado
cores <- c("VÍTIMA FATAL" = "red", "SEM VÍTIMA" = "green", "COM VÍTIMA" = "yellow")
# Instalar o pacote ggrepel se não estiver instalado
if(!requireNamespace("ggrepel", quietly = TRUE)) install.packages("ggrepel")
library(ggrepel)
# Criando o gráfico de pizza
g6 <- ggplot(dados_com_pedestres_e_hora, aes(x = "", y = Quantidade, fill = natureza_acidente)) +
geom_bar(width = 1, stat = "identity", color = "white") +
coord_polar("y", start = 0) +
scale_fill_manual(values = cores) +
theme_void() +
labs(title = "Acidentes Envolvendo Pedestres por Natureza do Acidente", fill = "Natureza do Acidente") +
geom_label_repel(aes(label = paste0(round(Percentual, 1), "%")), position = position_stack(vjust = 0.5))
grid.arrange(g5, g6, ncol = 1)

Acidentes Envolvidos por Natureza do acidente
# Contar o número de acidentes para cada tipo de envolvido, excluindo NA
contagem_envolvidos <- dadosAcidentes %>%
filter(!is.na(envolvidos)) %>%
count(envolvidos) %>%
arrange(desc(n))
# Calcular a porcentagem do total para cada tipo de envolvido
contagem_envolvidos <- contagem_envolvidos %>%
mutate(percentual = n / sum(n) * 100)
# Limitar a visualização aos 7 principais tipos de envolvidos, se necessário
contagem_envolvidos <- head(contagem_envolvidos, 10)
ggplot(contagem_envolvidos, aes(x = reorder(envolvidos, n), y = n, fill = envolvidos)) +
geom_bar(stat = "identity") +
geom_text(aes(label = paste(round(percentual, 1), "%")), vjust = -0.5) +
scale_fill_viridis_d() +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
labs(title = "Quantidade e Porcentagem dos Principais Envolvidos nos Acidentes",
x = "Tipo de Envolvido",
y = "Quantidade de Acidentes",
fill = "Tipo de Envolvido")

# Filtrar por acidentes "COM VÍTIMA" e excluir valores NA em 'envolvidos'
dados_com_vitima <- dadosAcidentes %>%
filter(natureza_acidente == "COM VÍTIMA" & !is.na(envolvidos))
# Contar o número de acidentes para cada tipo de envolvido e calcular a porcentagem
contagem_envolvidos_com_vitima <- dados_com_vitima %>%
count(envolvidos) %>%
mutate(percentual = n / sum(n) * 100) %>%
arrange(desc(n))
# Selecionar os 7 principais tipos de envolvidos
contagem_envolvidos_com_vitima <- head(contagem_envolvidos_com_vitima, 10)
ggplot(contagem_envolvidos_com_vitima, aes(x = reorder(envolvidos, n), y = n, fill = envolvidos)) +
geom_bar(stat = "identity") +
geom_text(aes(label = paste(round(percentual, 1), "%")), vjust = -0.5) +
scale_fill_viridis_d() +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
labs(title = "Quantidade e Porcent. dos Principais Envolvidos nos Acidentes 'COM VÍTIMA'",
x = "Tipo de Envolvido",
y = "Quantidade de Acidentes",
fill = "Tipo de Envolvido")

# Filtrar por acidentes "VÍTIMA FATAL" e excluir valores NA em 'envolvidos'
dados_vitima_fatal <- dadosAcidentes %>%
filter(natureza_acidente == "VÍTIMA FATAL" & !is.na(envolvidos))
# Contar o número de acidentes para cada tipo de envolvido e calcular a porcentagem
contagem_envolvidos_vitima_fatal <- dados_vitima_fatal %>%
count(envolvidos) %>%
mutate(percentual = n / sum(n) * 100) %>%
arrange(desc(n))
# Selecionar os 7 principais tipos de envolvidos
contagem_envolvidos_vitima_fatal <- head(contagem_envolvidos_vitima_fatal, 10)
ggplot(contagem_envolvidos_vitima_fatal, aes(x = reorder(envolvidos, n), y = n, fill = envolvidos)) +
geom_bar(stat = "identity") +
geom_text(aes(label = paste(round(percentual, 1), "%")), vjust = -0.5) +
scale_fill_viridis_d() +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
labs(title = "Quantidade e Porcent. dos Principais Envolvidos nos Acidentes 'VÍTIMA FATAL'",
x = "Tipo de Envolvido",
y = "Quantidade de Acidentes",
fill = "Tipo de Envolvido")

Distribuição dos acidentes no ano
# Usando dplyr para preparar os dados
dadosAcidentes_ano <- dadosAcidentes %>%
mutate(ano = format(data, "%Y"),
mes = format(data, "%m"),
ano_mes = paste(ano, mes, sep = "-")) %>%
filter(ano %in% c("2020", "2021", "2022")) %>%
count(ano, mes, name = "quantidade")
# Ajustar o fator de mês para garantir a ordem correta nos gráficos
dadosAcidentes_ano$mes <- factor(dadosAcidentes_ano$mes, levels = sprintf("%02d", 1:12))
# Usando ggplot2 para criar o gráfico
ggplot(dadosAcidentes_ano, aes(x = mes, y = quantidade, fill = ano)) +
geom_bar(stat = "identity", position = position_dodge()) +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
labs(title = "Comparação Mês a Mês dos Acidentes de Trânsito: 2020, 2021 e 2022",
x = "Mês",
y = "Quantidade de Acidentes",
fill = "Ano")

# Mostrar a incidencia mensal por natureza do acidente.
sem_vitima <- dadosAcidentes %>%
filter(natureza_acidente == "SEM VÍTIMA") %>%
mutate(ano = format(data, "%Y"),
mes = format(data, "%m")) %>%
count(ano, mes, name = "quantidade")
com_vitima <- dadosAcidentes %>%
filter(natureza_acidente == "COM VÍTIMA") %>%
mutate(ano = format(data, "%Y"),
mes = format(data, "%m")) %>%
count(ano, mes, name = "quantidade")
vitima_fatal <- dadosAcidentes %>%
filter(natureza_acidente == "VÍTIMA FATAL") %>%
mutate(ano = format(data, "%Y"),
mes = format(data, "%m")) %>%
count(ano, mes, name = "quantidade")
# Gráfico para acidentes "SEM VÍTIMA"
p1 <- ggplot(sem_vitima, aes(x = mes, y = quantidade, fill = ano)) +
geom_bar(stat = "identity", position = position_dodge()) +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
labs(title = "Acidentes de Trânsito Sem Vítima por Mês: 2020, 2021 e 2022",
x = "Mês",
y = "Quantidade de Acidentes",
fill = "Ano")
# Gráfico para acidentes "COM VÍTIMA"
p2 <- ggplot(com_vitima, aes(x = mes, y = quantidade, fill = ano)) +
geom_bar(stat = "identity", position = position_dodge()) +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
labs(title = "Acidentes de Trânsito Com Vítima por Mês: 2020, 2021 e 2022",
x = "Mês",
y = "Quantidade de Acidentes",
fill = "Ano")
# Gráfico para acidentes "VÍTIMA FATAL"
p3 <- ggplot(vitima_fatal, aes(x = mes, y = quantidade, fill = ano)) +
geom_bar(stat = "identity", position = position_dodge()) +
scale_fill_brewer(palette = "Set1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
labs(title = "Acidentes de Trânsito com Vítima Fatal por Mês: 2020, 2021 e 2022",
x = "Mês",
y = "Quantidade de Acidentes",
fill = "Ano")
print(p1)

print(p2)

print(p3)

Distribuição bairros dia da semana
# Calcular o total de acidentes com vítimas
total_acidentes_com_vitimas <- sum(dadosAcidentes$natureza_acidente == "COM VÍTIMA")
# Encontrar os 10 bairros com maior número de acidentes com vítimas
top_10_bairros <- dadosAcidentes %>%
filter(natureza_acidente == "COM VÍTIMA") %>%
count(bairro) %>%
top_n(10, n) %>%
ungroup() %>%
mutate(porcentagem = n / total_acidentes_com_vitimas * 100) %>%
arrange(desc(n))
# Assegurar que os bairros sejam ordenados corretamente para o gráfico
top_10_bairros$bairro <- factor(top_10_bairros$bairro, levels = top_10_bairros$bairro)
# Criar o gráfico de barras com porcentagens
ggplot(top_10_bairros, aes(x = bairro, y = n, fill = bairro)) +
geom_bar(stat = "identity") +
coord_flip() +
geom_text(aes(label = paste(round(porcentagem, 1), "%", sep = "")), position = position_nudge(x = 0.5), hjust = 0) +
scale_fill_viridis_d() + # Removido o argumento `discrete = TRUE`
theme_minimal() +
labs(title = "Top 10 Bairros com Maior Número de Acidentes com Vítimas",
x = "Bairro",
y = "Número de Acidentes",
fill = "Bairro") +
theme(legend.position = "none")

#para os 3 bairros com maior incidencia de acidentes vamos verificar a ocorrencia por dia da semana.
top_3_bairros <- dadosAcidentes %>%
filter(natureza_acidente == "COM VÍTIMA") %>%
count(bairro) %>%
top_n(3, n) %>%
pull(bairro)
acidentes_top_3_bairros <- dadosAcidentes %>%
filter(bairro %in% top_3_bairros & natureza_acidente == "COM VÍTIMA") %>%
count(bairro, dia_da_semana) %>%
arrange(bairro, dia_da_semana)
acidentes_top_3_bairros$dia_da_semana <- factor(
acidentes_top_3_bairros$dia_da_semana,
levels = c("Sunday", "Monday", "Tuesday", "Wednesday", "Thursday", "Friday", "Saturday")
)
ggplot(acidentes_top_3_bairros, aes(x = bairro, y = n, fill = dia_da_semana)) +
geom_bar(stat = "identity", position = "dodge") +
scale_fill_brewer(palette = "Pastel1", direction = 1) +
theme_minimal() +
labs(title = "Distribuição de Acidentes com Vítimas nos Dias da Semana por Bairro",
x = "Bairro",
y = "Número de Acidentes",
fill = "Dia da Semana") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
