# Contar a frequência de cada sigla de estado
contagem_uf <- parcelamento_ord_simp %>% count(UF)

# Renomear a coluna n para DIVIDAS
contagem_uf <- contagem_uf %>% rename(DIVIDAS = n)

# Oredenação dos valores do maior para o menor
contagem_uf$UF <- reorder(contagem_uf$UF, -contagem_uf$DIVIDAS)

contagem_uf$UF <- factor(contagem_uf$UF, levels = rev(levels(contagem_uf$UF)))

# Plotar o histograma na vertical
ggplot(contagem_uf, aes(x = UF, y = DIVIDAS)) +
  geom_bar(stat = "identity", fill = "#2ecc71", color = "white") +
  coord_flip() +
  theme_minimal() +
  labs(title = "Distribuição das dívidas ao redor do país",x = "Estados", y = "Qtde. de Dívidas")

# Adicionando uma coluna com a região correspondente a cada UF
dados <- parcelamento_ord_simp %>%
  mutate(regiao = case_when(
    UF %in% c("AC", "AM", "AP", "PA", "RO", "RR", "TO") ~ "Norte",
    UF %in% c("AL", "BA", "CE", "MA", "PB", "PE", "PI", "RN", "SE") ~ "Nordeste",
    UF %in% c("ES", "MG", "RJ", "SP") ~ "Sudeste",
    UF %in% c("PR", "RS", "SC") ~ "Sul",
    UF %in% c("DF", "GO", "MS", "MT") ~ "Centro-Oeste"
  ))

# Agrupando por região e, em seguida, calculando a soma dos valores das parcelas em atraso
soma_atraso_por_regiao <- dados %>%
  group_by(regiao) %>%
  summarise(soma_valores_atraso = sum(VALOR_PARCELA[QTDE_EM_ATRASO > 0] * QTDE_EM_ATRASO))

# Cores para as 5 regiões do Brasil
cores_estados <- c("#8e44ad", "#2ecc71", "#3498db", "#e74c3c", "#f39c12")

# Criando um barplot usando ggplot2
ggplot(soma_atraso_por_regiao, aes( y = soma_valores_atraso, x = regiao, fill = regiao)) +
  geom_bar(stat="identity") +
  labs(title = "Variação média das dívidas em atraso no Brasil", x = "Regiões", y = "Valores em Milhões de R$") +
  guides(fill = guide_legend(title = "Regiões")) +
  theme(panel.background = element_rect(fill = "white"),
        panel.grid.major.y = element_line(color = "gray", linetype = "dashed"),
        panel.grid.minor.y = element_blank()) +
  scale_y_continuous(
    breaks = seq(0, 27, by = 1) * 1e6,  # Incrementos de 1 milhão
    labels = function(x) sprintf("%.0f", x / 1e6)  # Formato manualmente para excluir uma casa decimal
  )+
  scale_fill_manual(values = cores_estados)

# Filtrando os dados para excluir atraso 0
dados_sem_atraso_0 <- parcelamento_ord_simp[parcelamento_ord_simp$QTDE_EM_ATRASO > 0, ]

# Criaando um novo DataFrame com a contagem da quantidade de parcelas em atraso
contagem_atraso <- table(dados_sem_atraso_0$QTDE_EM_ATRASO)

# Convertendo o DataFrame para um data.frame
df_contagem_atraso <- data.frame(Contagem = as.numeric(names(contagem_atraso)),
                                 Qtde_Parcelas = as.numeric(contagem_atraso))

# Exibindo o gráfico de barras
ggplot(df_contagem_atraso, aes(x = factor(Contagem), y = Qtde_Parcelas)) +
  geom_bar(stat = "identity", fill = "#2ecc71") +
  labs(title = "Soma da Quantidade de Parcelas em Atraso",
       x = "Qtde. de Parcelas em Atraso",
       y = "Soma da Qtde. de Parcelas") +
  theme_minimal()

# Adicionando uma coluna com a região correspondente a cada UF
dados <- parcelamento_ord_simp %>%
  mutate(REGIAO = case_when(
    UF %in% c("AC", "AM", "AP", "PA", "RO", "RR", "TO") ~ "Norte",
    UF %in% c("AL", "BA", "CE", "MA", "PB", "PE", "PI", "RN", "SE") ~ "Nordeste",
    UF %in% c("ES", "MG", "RJ", "SP") ~ "Sudeste",
    UF %in% c("PR", "RS", "SC") ~ "Sul",
    UF %in% c("DF", "GO", "MS", "MT") ~ "Centro-Oeste"
  ))

# Calculando a quantidade de bons pagadores e inadimplentes por região
contagem_credito <- dados %>%
  group_by(REGIAO) %>%
  summarise(BONSPAGADORES = sum(QTDE_EM_ATRASO == 0), INADIMPLENTES = sum(QTDE_EM_ATRASO > 0)) %>%
  mutate(PORCENTAGEM_BONSPAGADORES = (BONSPAGADORES / (BONSPAGADORES + INADIMPLENTES)) * 100)

# Reordenar os níveis da variável REGIAO com base na porcentagem de bons pagadores
contagem_credito$REGIAO <- factor(contagem_credito$REGIAO, levels = contagem_credito$REGIAO[order(contagem_credito$PORCENTAGEM_BONSPAGADORES)])

# Cores para as 5 regiões do Brasil
cores_estados <- c(Norte = "#8e44ad", Nordeste = "#2ecc71", Sudeste = "#3498db", Sul = "#e74c3c", `Centro-Oeste` = "#f39c12")

# Plotagem do gráfico de barras
ggplot(contagem_credito, aes(x = REGIAO, y = PORCENTAGEM_BONSPAGADORES, fill = REGIAO)) +
  geom_bar(stat = "identity") +
  labs(title = "Análise de crédito nas regiões do país", x = "Regiões", y = "Porcentagem de Bons Pagadores (%)") +
  scale_y_continuous(breaks = seq(0, 75, by = 5)) +
  scale_fill_manual(values = cores_estados) +
  guides(fill = guide_legend(title = "Regiões")) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))  # Rotacionar os rótulos do eixo x para facilitar a leitura

# Somar o total das parcelas por tipo de tributo
total_parcelas_por_tributo <- parcelamento_ord_simp %>%
  group_by(TRIBUTO) %>%
  summarise(total_parcelas = sum(QTDE_PARCELAS * pmax(VALOR_PARCELA, 1)))

#Exibindo o gráfico de setor
ggplot(total_parcelas_por_tributo, aes(x = "", y = total_parcelas, fill = TRIBUTO)) +
  geom_bar(stat = "identity", width = 1, color = "white") +
  coord_polar(theta = "y") +
  labs(title = 'Total do Valor de Parcelas por Tipo de Tributo') +
  guides(fill = guide_legend(title = "Tributo")) +
  theme_minimal() +
  theme(axis.text = element_blank(),
        axis.title = element_blank(),
        panel.grid = element_blank(),
        plot.margin = unit(rep(0, 4), "cm"))

# Converter a coluna de data para o formato Date
parcelamento_ord_simp$DATA_ADESAO <- as.Date(parcelamento_ord_simp$DATA_ADESAO, format = "%d/%m/%Y")

# Criar uma nova coluna com o ano da adesão e mês da adesão
parcelamento_ord_simp$ANO_ADESAO <- lubridate::year(parcelamento_ord_simp$DATA_ADESAO)
parcelamento_ord_simp$MES_ADESAO <- lubridate::month(parcelamento_ord_simp$DATA_ADESAO)

# Filtrando os anos a serem avaliados (2017-2022)
dados_filtrados <- parcelamento_ord_simp %>%
  filter(ANO_ADESAO >= 2017 & ANO_ADESAO <= 2022)

# Calculando a expectativa de fluxo de caixa por ano
expectativa_fluxo_caixa <- dados_filtrados %>%
  arrange(ANO_ADESAO) %>%
  group_by(ANO_ADESAO) %>%
  summarise(
    EXPECTATIVA = sum(
      ifelse(
        PARCELADO_NA_DATA_ADESAO - ((VALOR_PARCELA * (12 - MES_ADESAO)) + SALDO_TOTAL_ANTES_DA_CORRECAO) > 0,
        (VALOR_PARCELA * (12 - MES_ADESAO)),
        0
      )
    )
  )

# Adicionaando a soma cumulativa
expectativa_fluxo_caixa <- expectativa_fluxo_caixa %>%
  mutate(
    EXPECTATIVA_CUMULATIVA = cumsum(EXPECTATIVA),
    EXPECTATIVA_CUMULATIVA_ATE_ANO_ATUAL = cumsum(EXPECTATIVA_CUMULATIVA)
  )

# Criando o gráfico de barras
ggplot(expectativa_fluxo_caixa,aes(x = as.factor(ANO_ADESAO), y = EXPECTATIVA_CUMULATIVA_ATE_ANO_ATUAL, fill = as.factor(ANO_ADESAO))) +
  geom_bar(stat = "identity") +
  guides(fill = guide_legend(title = "Ano")) +
  scale_y_continuous(
    breaks = seq(0, 1200, by = 100) * 1e6,  # Incrementos de 100 milhão
    labels = function(x) sprintf("%.0f", x / 1e6)  # Formato manualmente para excluir uma casa decimal
  ) +
  labs(title = "Expectativa de Fluxo de Caixa por Ano (2017-2022)",
       x = "Anos",
       y = "Expectativa de Fluxo de Caixa em Milhoes de R$") +
  theme_minimal()