Computação para Análise de Dados - Análise de ocorrências policiais registradas em Los Angeles.

Aluno: Eduardo Gomes Diniz

Contexto

Dataset: Crime Data from 2020 to Present

O problema abordado refere-se às dificuldades enfrentadas pelo LAPD na divulgação de dados criminais, o que impacta a disponibilidade de informações confiáveis e atuais sobre crimes na cidade de Los Angeles. Este é um problema de interesse geral, pois a qualidade dos dados sobre criminalidade afeta a segurança pública e a capacidade de implementar estratégias eficazes de prevenção.

Abordagem Planejada:Para abordar essa questão, planejo realizar uma análise de padrões nos perfis de crimes em Los Angeles. A coleta de dados será feita por meio do Dataset provido pelo Departamento de policia de Los Angels, com registros oficiais das ocorrencias registrados apartir de 2020. A metodologia envolverá a aplicação de técnicas de mineração de dados e análise estatística para identificar padrões significativos nos tipos de crimes, locais de ocorrência, Sexo das vitimas, horários e outros fatores relevantes.

Benefícios para os Potenciais Clientes:A análise resultante será valiosa para os potenciais clientes, incluindo o proprio Departamento de Policia de Los Angeles, autoridades municipais, pesquisadores e comunidade em geral. Ao identificar padrões em perfis de crimes, a análise fornecerá insights que podem ser usados para direcionar recursos de forma mais eficiente, desenvolver estratégias de prevenção direcionadas e melhorar a resposta da aplicação da lei. Isso contribuirá para uma abordagem mais eficaz na gestão da segurança pública em Los Angeles.

Pacotes utlizados

  • maps: Fornece funções para criar mapas e visualizações geográficas. Contém conjuntos de dados de mapas do mundo e facilita a criação de mapas temáticos.
  • ggplot2: Implementa a “Grammar of Graphics” em R, permitindo a criação de gráficos complexos de forma flexível e eficiente. Oferece controle detalhado sobre elementos visuais como cor, forma, eixos, entre outros.
  • dplyr: Oferece um conjunto de ferramentas para manipulação e transformação eficiente de dados. Introduz verbos intuitivos para filtrar, organizar, resumir e modificar dados, melhorando a legibilidade e eficácia do código.
  • scales: Fornece funções para ajustar e formatar escalas em gráficos. Ajuda a personalizar a aparência dos eixos e rótulos em gráficos, proporcionando uma melhor apresentação visual.
  • mapdata: Contém conjuntos de dados adicionais para mapeamento em R. Complementa o pacote ‘maps’ com dados geográficos adicionais que podem ser usados em visualizações de mapas.
  • sf: Fornece classes e métodos para manipulação de dados geoespaciais. Permite a representação e análise eficiente de objetos espaciais e é especialmente útil para tarefas de GIS (Sistemas de Informação Geográfica).
  • tigris: Facilita o acesso a dados geográficos dos Estados Unidos por meio da API do Census Bureau. Possibilita baixar, limpar e visualizar dados demográficos e geográficos dos EUA.
  • leaflet: Permite a criação de mapas interativos e dinâmicos em R. Integrado com o pacote Leaflet em JavaScript, facilita a incorporação de mapas interativos em documentos R Markdown e Shiny.

Preparação dos dados

knitr::opts_chunk$set(echo = TRUE, cache = TRUE)
options(tigris_use_cache = TRUE)

library(maps)
library(ggplot2)
library(dplyr, warn.conflicts = FALSE)
library(scales)
library(mapdata)
library(sf)
library(tigris)
library(leaflet)
library(DT)


file_path <- "C:/Users/Eduar/Downloads/CrimeLA.csv"

crime_data <- read.csv(file_path)

column_names <- names(crime_data)
print(column_names)
##  [1] "DR_NO"          "Date.Rptd"      "DATE.OCC"       "TIME.OCC"      
##  [5] "AREA"           "AREA.NAME"      "Rpt.Dist.No"    "Part.1.2"      
##  [9] "Crm.Cd"         "Crm.Cd.Desc"    "Mocodes"        "Vict.Age"      
## [13] "Vict.Sex"       "Vict.Descent"   "Premis.Cd"      "Premis.Desc"   
## [17] "Weapon.Used.Cd" "Weapon.Desc"    "Status"         "Status.Desc"   
## [21] "Crm.Cd.1"       "Crm.Cd.2"       "Crm.Cd.3"       "Crm.Cd.4"      
## [25] "LOCATION"       "Cross.Street"   "LAT"            "LON"
selected_columns <- c("Vict.Age", "Vict.Sex", "DATE.OCC", "AREA.NAME", "Vict.Descent")
crime_data_subset <- crime_data[, selected_columns, drop = FALSE]

tabela_interativa <- datatable(head(crime_data_subset, 200), options = list(pageLength = 10))

tabela_interativa

Análise exploratória dos dados

\(~\)

Distrititos policias com os maiores numeros de ocorrencias registradas

\(~\)

crime_count_by_area <- crime_data %>%
  group_by(AREA.NAME) %>%
  summarize(crime_count = n())

crime_count_by_area <- crime_count_by_area %>%
  arrange(desc(crime_count))


top_areas <- head(crime_count_by_area, 21)

ggplot(top_areas, aes(x = reorder(AREA.NAME, crime_count), y = crime_count)) +
  geom_bar(stat = "identity", fill = "skyblue") +
  labs(title = "Distrititos policias com os maiores numeros de ocorrencias registradas ",
       x = "Distrito",
       y = "Número de Ocorrências") +
  theme_minimal()

Distribuição do Sexo das Vítimas

\(~\)

# Transformar o sexo das vítimas para "Desconhecido" se não for "Homem" ou "Mulher"
crime_data$Vict.Sex <- ifelse(crime_data$Vict.Sex == "M", "Homem",
                              ifelse(crime_data$Vict.Sex == "F", "Mulher", "Desconhecido"))

# Análise exploratória: Distribuição do sexo das vítimas
victim_sex_distribution <- crime_data %>%
  group_by(Vict.Sex) %>%
  summarize(count = n()) %>%
  mutate(percentage = (count / sum(count)) * 100)

# Criar um gráfico de pizza com porcentagens
ggplot(victim_sex_distribution, aes(x = "", y = count, fill = Vict.Sex)) +
  geom_bar(stat = "identity", width = 1, color = "white") +
  geom_text(aes(label = paste0(round(percentage, 1), "%")), position = position_stack(vjust = 0.5)) +
  coord_polar(theta = "y") +
  labs(title = "Distribuição do Sexo das Vítimas",
       fill = "Sexo das Vítimas") +
  theme_minimal() +
  theme(axis.text = element_blank(),
        axis.title = element_blank(),
        panel.grid = element_blank(),
        plot.title = element_text(hjust = 0.5))

Distribuição do Sexo das Vítimas para ocorrencias graves

\(~\)

# Read the CSV file into a data frame
crime_data <- read.csv(file_path)

# Filtrar apenas os crimes graves do seu dataset
crimes_graves <- crime_data %>%
  filter(!is.na(Crm.Cd.4))

# Transformar o sexo das vítimas para "Desconhecido" se não for "Homem" ou "Mulher"
crimes_graves$Vict.Sex <- ifelse(crimes_graves$Vict.Sex == "M", "Homem",
                                  ifelse(crimes_graves$Vict.Sex == "F", "Mulher", "Desconhecido"))

# Análise exploratória: Distribuição do sexo das vítimas nos crimes graves
victim_sex_distribution_graves <- crimes_graves %>%
  group_by(Vict.Sex) %>%
  summarize(count = n()) %>%
  mutate(percentage = (count / sum(count)) * 100)

# Criar um gráfico de pizza com porcentagens para os crimes graves
ggplot(victim_sex_distribution_graves, aes(x = "", y = count, fill = Vict.Sex)) +
  geom_bar(stat = "identity", width = 1, color = "white") +
  geom_text(aes(label = paste0(round(percentage, 1), "%")), position = position_stack(vjust = 0.5)) +
  coord_polar(theta = "y") +
  labs(title = "Distribuicao do Sexo das Vitimas em Crimes Grave",
       fill = "Sexo das Vitimas") +
  theme_minimal() +
  theme(axis.text = element_blank(),
        axis.title = element_blank(),
        panel.grid = element_blank(),
        plot.title = element_text(hjust = 0.5))

Distribuição da Idade das Vítimas por Faixa Etaria

\(~\)

crime_data$Vict.Age_Group <- cut(crime_data$Vict.Age,
                                  breaks = c(0, 17, 25, 45, 60, Inf),
                                  labels = c("0-17", "18-25", "26-45", "46-60", "60+"))

crime_data$Vict.Age_Group <- ifelse(is.na(crime_data$Vict.Age_Group), "Desconhecido", as.character(crime_data$Vict.Age_Group))

victim_age_distribution <- crime_data %>%
  group_by(Vict.Age_Group) %>%
  summarize(count = n()) %>%
  mutate(percentage = (count / sum(count)) * 100)

ggplot(victim_age_distribution, aes(x = "", y = count, fill = Vict.Age_Group)) +
  geom_bar(stat = "identity", width = 1, color = "white") +
  geom_text(aes(label = ifelse(Vict.Age_Group == "Desconhecido", paste0( round(percentage, 1),"%"), paste0(round(percentage, 1), "%"))), position = position_stack(vjust = 0.5)) +
  coord_polar(theta = "y") +
  labs(title = "Distribuicao da Idade das Vitimas",
       fill = "Faixa Etaria") +
  theme_minimal() +
  theme(axis.text = element_blank(),
        axis.title = element_blank(),
        panel.grid = element_blank(),
        plot.title = element_text(hjust = 0.5))

Distribuição da Descendência das Vítimas por crimes graves.

\(~\)

filtered_data_graves <- crime_data %>%
  filter(!is.na(Crm.Cd.3) | !is.na(Crm.Cd.4))

count_data_graves <- filtered_data_graves %>%
  filter(!is.na(Vict.Descent), Vict.Descent != "Desconhecido") %>%
  count(Vict.Descent, sort = TRUE)

count_data_graves$Vict.Descent <- recode(count_data_graves$Vict.Descent, 
                                         'A' = 'Asiático', 
                                         'B' = 'Negro', 
                                         'H' = 'Hispânico', 
                                         'W' = 'Branco',
                                         'O' = 'Outro',
                                         'X' = 'Desconhecido',
                                         .default = 'Desconhecido')

count_data_graves <- count_data_graves %>%
  filter(Vict.Descent != "Desconhecido")

count_data_graves <- count_data_graves %>%
  mutate(percent = prop.table(n) * 100)

ggplot(count_data_graves, aes(x = "", y = percent, fill = Vict.Descent)) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar(theta = "y") +
  geom_text(aes(label = scales::percent(percent/100), y = percent),
            position = position_stack(vjust = 0.5)) +
  labs(title = "Frequência de Descendência de Vítimas para Crimes Graves",
       fill = "Descendência",
       y = "Porcentagem") +
  theme_minimal() +
  theme(axis.text = element_blank(),
        axis.title = element_blank(),
        panel.grid = element_blank(),
        plot.title = element_text(hjust = 0.5))

Distribuição da Descendência das Vítimas.

\(~\)

count_data <- crime_data %>%
  filter(!is.na(Vict.Descent), Vict.Descent != "Desconhecido") %>%
  count(Vict.Descent, sort = TRUE)

count_data$Vict.Descent <- recode(count_data$Vict.Descent, 
                                  'A' = 'Asiático', 
                                  'B' = 'Negro', 
                                  'H' = 'Hispânico', 
                                  'W' = 'Branco',
                                  'O' = 'Outro',
                                  'X' = 'Desconhecido',
                                  .default = 'Desconhecido')

count_data <- count_data %>%
  filter(Vict.Descent != "Desconhecido")

count_data <- count_data %>%
  mutate(percent = prop.table(n) * 100)

ggplot(count_data, aes(x = "", y = percent, fill = Vict.Descent)) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar(theta = "y") +
  geom_text(aes(label = scales::percent(percent/100), y = percent),
            position = position_stack(vjust = 0.5)) +
  labs(title = "Frequência de Descendência de Vítimas",
       fill = "Descendência",
       y = "Porcentagem") +
  theme_minimal() +
  theme(axis.text = element_blank(),
        axis.title = element_blank(),
        panel.grid = element_blank(),
        plot.title = element_text(hjust = 0.5))

Mapa do crime

\(~\)

crimes_graves <- crime_data %>%
  filter(!is.na(Crm.Cd.4))

crimes_graves_coords <- crimes_graves %>%
  filter(LAT != 0) %>%
  select(LAT, LON)

crimes_cd3 <- crime_data %>%
  filter(!is.na(Crm.Cd.3))

crimes_cd3_coords <- crimes_cd3 %>%
  filter(LAT != 0) %>%
  select(LAT, LON)

crimes_cd4_female <- crime_data %>%
  filter(!is.na(Crm.Cd.4), Vict.Sex == "F")

crimes_cd4_female_coords <- crimes_cd4_female %>%
  filter(LAT != 0) %>%
  select(LAT, LON)

la_coordinates <- c(lat = 34.0522, lon = -118.2437)

crime_map <- leaflet() %>%
  addTiles() %>%
  setView(lng = la_coordinates["lon"], lat = la_coordinates["lat"], zoom = 10)

la_limits <- tigris::places("California", class = "sf") %>%
  filter(NAME == "Los Angeles")

crime_map <- crime_map %>%
  addPolygons(data = la_limits, fillOpacity = 0, color = "green", weight = 6, group = "Zona de L.A")

crime_map <- crime_map %>%
  addCircleMarkers(data = crimes_graves_coords, weight = 1, radius = 5, fillOpacity = 0.5, group = "Crimes Graves")

crime_map <- crime_map %>%
  addCircleMarkers(data = crimes_cd3_coords, weight = 1, radius = 5, fillOpacity = 0.5, group = "Crimes Cd.3")

crime_map <- crime_map %>%
  addCircleMarkers(data = crimes_cd4_female_coords, weight = 1, radius = 5, fillOpacity = 0.5, group = "Crimes Graves Contra Mulheres")

crime_map <- crime_map %>%
  addLayersControl(overlayGroups = c("Zona de L.A", "Crimes Graves", "Crimes Cd.3", "Crimes Graves Contra Mulheres"))

crime_map
la_limits <- tigris::places("California", class = "sf") %>%
  filter(NAME == "Los Angeles")

crimes_graves <- crime_data %>%
  filter(!is.na(Crm.Cd.4))

crimes_graves_coords <- crimes_graves %>%
  filter(LAT != 0) %>%
  st_as_sf(coords = c("LON", "LAT"), crs = 4326)

ggplot() +
  geom_sf(data = la_limits, fill = "white", color = "black") +
  geom_sf(data = crimes_graves_coords, color = "blue", size = 2) +
  labs(title = "Ocorrencias de Crimes Graves no Mapa (Los Angeles)",
       x = "Longitude",
       y = "Latitude") +
  theme_minimal()

Conclusão

Distritos Policiais com Maior Número de Ocorrências Registradas:

Os distritos policiais que apresentaram os maiores números de ocorrências registradas foram identificados. Essa informação pode ser útil para direcionar recursos de forma mais eficaz e implementar estratégias específicas de policiamento.

Distribuição do Sexo das Vítimas:

A distribuição do sexo das vítimas foi analisada, destacando a proporção de vítimas do sexo masculino, feminino e desconhecido. Para crimes menos graves (que não atentam contra a vida) tiveram o sexo masculino como a maior taxa de ocorrência

Distribuição do Sexo das Vítimas para Ocorrências Graves:

Ao analisar o sexo das vítimas em ocorrências graves(que atentam contra a vida), foi possível identificar que existe disparidades específicas nessa categorias de crimes, que teve as mulheres como o sexo mais presentes

Distribuição da Idade das Vítimas por Faixa Etária:

A idade das vítimas foi agrupada em faixas etárias, permitindo uma compreensão mais clara da distribuição das vítimas em diferentes faixas etárias. Não foi detectado nem um padrão nesse cénario

Distribuição da Descendência das Vítimas em Crimes Graves:

A descendência das vítimas em crimes graves foi examinada, identificando padrões e possíveis disparidades étnicas, tendo Hispanicos e Negros como vitimas de crimes mais graves. Essas informações podem contribuir para a formulação de estratégias de policiamento culturalmente sensíveis.

Distribuição da Descendência das Vítimas:

Analisando a descendência das vítimas de forma mais ampla, foi possível entender como diferentes grupos étnicos estão representados nos dados de crimes. Essas descobertas podem informar políticas de prevenção mais inclusivas.

Mapa do Crime:

A visualização no mapa proporcionou uma compreensão espacial das ocorrências de crimes graves em Los Angeles.Sendo possivel alternar entre camadas e cruzando elas, como por exemplo os locais que possuem mais crimes graves e quais desses crimes foram contra mulheres. Essa informação geográfica pode orientar o posicionamento de recursos policiais e intervenções específicas em áreas mais afetadas.