Aluno: Eduardo Gomes Diniz
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.
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
\(~\)
\(~\)
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()
\(~\)
# 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))
\(~\)
# 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))
\(~\)
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))
\(~\)
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))
\(~\)
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))
\(~\)
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()
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.
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
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
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
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.
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.
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.