PERSONALIZANDO GRÁFICOS COM

O PACOTE ggplot2 (PARTE II)

\[\\[0.05in]\]

2ª ESCOLA DE VERÃO

PROF. GUILHERME AUGUSTO VELOSO

UFF - 12 e 14 DE MARÇO DE 2023

\[\\[0.1in]\]

1 PACOTES

Para a condução dessa parte do minicurso, serão utilizados os seguintes pacotes:

require(readr)          # Leitura de arquivos .csv
require(dplyr)          # Manipulação de dados
require(ggplot2)        # Abordagem gráfica
require(pals)           # Paleta de cores
require(geobr)          # Mapas
require(RColorBrewer)   # Paleta de cores
require(ggrepel)        # Gráfico de dispersão com label

2 GRÁFICOS PARA VARIÁVEIS QUALITATIVAS E QUANTITATIVAS

A partir deste momento até o fim do minicurso, todos os gráficos colocarão em conjunto variáveis qualitativas e variáveis quantitativas. Com a inclusão de variáveis quantitativas, a abordagem gráfica ganha um novo patamar e mais gráficos variados estão disponíveis para serem utilizados. A base de dados dados2.csv será utilizada para fazer esses gráficos.

2.1 GRÁFICOS HEATMAP

Um Heatmap (também conhecido como mapa de calor) representa valores para uma variável principal de interesse em duas variáveis de eixo como uma grade de quadrados coloridos. A cor de cada célula pode indicar um ranqueamento da variável principal segundo alguma das variáveis dos eixos ou representar sua grandeza numérica.

Os gráficos Heatmap são usados para mostrar relações entre duas variáveis, uma plotada em cada eixo. Observando como as cores das células mudam em cada eixo, você pode observar se há algum padrão de valor para uma ou ambas as variáveis.

As variáveis plotadas em cada eixo podem ser de qualquer tipo, sejam elas com rótulos categóricos ou valores numéricos. Neste último caso, o valor numérico deve ser agrupado como em um histograma para formar as células da grade onde serão plotadas as cores associadas à principal variável de interesse. A cor é um componente central deste tipo de gráfico, por isso vale a pena escolher uma paleta de cores apropriada para corresponder aos dados.

Para exemplificar o uso desse gráfico, considere os dados do GBD para o ano de 2019 com todos os estados brasileiros. Além disso faremos um recorte para ambos os gêneros e todas as faixas etárias. A variável de interesse é a taxa de mortalidade. Esse recorte pode ser feito com os comandos abaixo:

Dados2<-read.csv("Dados2.csv")
DadosA<-Dados2%>%filter(ANO==2019,FAIXA_ETARIA=="Todas",GENERO=="Total",METRICA=="Taxa",LOCAL!="Brasil")%>%select(LOCAL,CAUSA,VALOR)

Para cada causa de morte, será feito um ranking das taxas de mortalidade dos estados brasileiros. Esse ranking será responsável pela parte colorida do gráfico e é obtido com os comandos:

DadosA<-DadosA%>%group_by(CAUSA)%>%mutate(rank = dense_rank(desc(VALOR)))
DadosA$rank<-as.factor(DadosA$rank)

Como mencionado, escolha uma paleta de cores que represente melhor o seu fenômeno. Aqui, utilizaremos a paleta RdYlBu do pacote RColorBrewer, com 27 cores (27 estados brasileiros):

mycolors <- colorRampPalette(brewer.pal(8, "RdYlBu"))(27)

Enfim, o gráfico Heatmap pode ser feito com a função geom_tile a partir dos seguintes comandos:

ggplot(DadosA, aes(LOCAL,CAUSA)) +
  geom_tile(aes(fill = rank),width=0.95, height=0.95) +
  scale_fill_manual(values = mycolors) +
  geom_text(aes(label = round(VALOR, 1))) +
  scale_x_discrete(guide = guide_axis(angle = 90),position="top")+
  theme_bw()+
  theme(legend.position = "none")+
  theme(axis.title.x=element_blank(),axis.title.y=element_blank())

2.1.1 EXERCÍCIOS

1- Repita o gráfico anterior para o ano de 1990 e compare com o ano de 2019.

2- Altere as cores do gráfico.

2.2 GRÁFICOS BOXPLOT

Um boxplot fornece um resumo gráfico da distribuição de dados quantitativos. O boxplot mostra a forma, a tendência central e a variabilidade dos dados. É uma maneira de exibir a distribuição de dados com base em um resumo de cinco números: mínimo, primeiro quartil (Q1), mediana, terceiro quartil (Q3) e máximo.

É um dos principais gráficos da estatística por ser extremamente simples e representar características importantes de resumo de dados como posição, variabilidade, assimetria e valores discrepantes.

Nesse minicurso, deixaremos os gráficos boxplot um pouco mais robustos com novos comandos do pacote ggplot2. Para isso, considere os dados de taxa de mortalidade do GBD da causa de morte “Violencia interpessoal e auto infringida”, considerando os anos de 1990 e 2019 para os 27 estados brasileiros. Esse recorte pode ser feito com os comandos abaixo:

DadosB<-Dados2%>%filter(CAUSA=="Violencia interpessoal e auto infringida",GENERO!="Total",METRICA=="Taxa")%>%
                 filter(ANO==1990|ANO==2019,LOCAL!="Brasil",FAIXA_ETARIA!="Todas") %>%select(ANO,GENERO,FAIXA_ETARIA,LOCAL,REGIAO,VALOR)

Um primeiro boxplot considerando as taxas de mortalidade dessa causa de morte para diferentes faixas etárias e gênero pode ser construído com os seguintes comandos:

ggplot(DadosB, aes(x=factor(ANO), y=VALOR)) + 
  geom_boxplot(fill="white")+
  facet_grid(GENERO~FAIXA_ETARIA,scales="free")+
  theme_bw() +  
  theme(axis.title.x=element_blank())+
  theme(text = element_text(size = 15))+
  ylab("Taxa de mortalidade por 100 mil habitantes")

Caso você queira colocar cores no gráfico, acrescente o argumento fill no geom_boxplot():

ggplot(DadosB, aes(x=factor(ANO), y=VALOR)) + 
  geom_boxplot(aes(fill=factor(ANO)))+
  facet_grid(GENERO~FAIXA_ETARIA,scales="free")+
  theme_bw()  +  
  theme(axis.title.x=element_blank())+
  theme(text = element_text(size = 15))+
  ylab("Taxa de mortalidade por 100 mil habitantes")+
  theme(legend.position="none")

Para finalizar, pode-ser útil destacar todas as observações de cada boxplot. No nosso caso, serão os 27 estados brasileiros em cada diagrama de caixa. Isso pode ser feito com a inclusão do comando geom_jitter():

ggplot(DadosB, aes(x=factor(ANO), y=VALOR)) + 
  geom_boxplot(outlier.shape=NA,fill="white")+
  facet_grid(GENERO~FAIXA_ETARIA,scales="free") +  
  geom_jitter()+
  theme_bw() +
  theme(axis.title.x=element_blank())+
  theme(text = element_text(size = 15))+
  ylab("Taxa de mortalidade por 100 mil habitantes")

Que tal colorir esses pontos de acordo com a região do Brasil? Isso pode ser feito adaptando a função geom_point da seguinte forma:

ggplot(DadosB, aes(x=factor(ANO), y=VALOR)) + 
  theme_bw() +
  geom_boxplot(outlier.shape=NA,fill="white")+
  facet_grid(GENERO~FAIXA_ETARIA,scales="free") +  
  geom_point(position=position_jitterdodge(jitter.width=0.5, dodge.width = 0), 
             size=2, aes(color=REGIAO))+
  theme(axis.title.x=element_blank())+
  theme(legend.title=element_blank())+
theme(text = element_text(size = 12))+
  theme(legend.position="bottom")+
  ylab("Taxa de mortalidade por 100 mil habitantes")

2.2.1 EXERCÍCIOS

1- Escolha outra causa de morte e faça o gráfico boxplot. Para ter acesso a todas as causas, faça unique(DadosB$CAUSA).

2.3 GRÁFICOS DE SÉRIE TEMPORAL (LINHA)

Um gráfico de série temporal, também conhecido como gráfico de tempo, é um tipo de gráfico que exibe pontos de dados coletados em uma sequência temporal. Em um gráfico de série temporal, o eixo x representa o tempo e o eixo y representa a variável que está sendo medida. Usamos gráficos de tempo em muitas áreas, como economia, finanças, engenharia e meteorologia, para visualizar e analisar mudanças ao longo do tempo.

Neste minicurso, utilizaremos os dados do GBD para visualizar a evolução das taxas de mortalidade ao longo dos anos. Para isso, recortaremos a base para aS causaS de morte “Violência interpessoal e auto infringida” e “Lesões por transporte” para o Brasil:

DadosC<-Dados2%>%filter(CAUSA=="Violencia interpessoal e auto infringida"|CAUSA=="Lesoes por transporte",GENERO!="Total",METRICA=="Taxa",LOCAL=="Brasil",FAIXA_ETARIA!="Todas") %>%select(ANO,CAUSA,GENERO,FAIXA_ETARIA,VALOR)

A série temporal pode ser construída com a função geom_line() e os seguintes comandos:

ggplot(DadosC, aes(x = ANO, y = VALOR)) + theme_bw() +
  geom_line(aes(color = FAIXA_ETARIA), size = 2) +
  scale_x_continuous(breaks=seq(1990,2019,3)) +
  theme(legend.position="bottom")+
  facet_grid(GENERO~CAUSA,scales = "free")+
  xlab(" ")+ylab("Taxa de mortalidade por 100 mil habitantes")+
  theme(legend.title = element_blank())+
    theme(text = element_text(size = 15))

Para introduzir os pontos no gráfico, basta acrescentar o comando geom_point:

ggplot(DadosC, aes(x = ANO, y = VALOR)) + theme_bw() +
  geom_line(aes(color = FAIXA_ETARIA), size = 2) +
  geom_point(aes(color = FAIXA_ETARIA), size = 3)+
  scale_x_continuous(breaks=seq(1990,2019,3)) +
  theme(legend.position="bottom")+
  facet_grid(GENERO~CAUSA,scales = "free")+
  xlab(" ")+ylab("Taxa de mortalidade por 100 mil habitantes")+
  theme(legend.title = element_blank())+
    theme(text = element_text(size = 15))

2.3.1 EXERCÍCIOS

1- Escolha outras duas causas de morte e refaça o gráfico.

2- Altere o local para o Rio de Janeiro.

2.4 GRÁFICOS DE ÁREA

Os gráficos de área são gráficos de linhas, mas com a área abaixo da linha preenchida com uma determinada cor ou textura. Os gráficos de área são desenhados primeiro plotando pontos de dados em uma grade de coordenadas cartesianas, unindo uma linha entre os pontos e finalmente preenchendo o espaço abaixo da linha completa.

Assim como os gráficos de linha, os gráficos de área são usados para exibir o desenvolvimento de valores quantitativos ao longo de um intervalo ou período de tempo. Eles são mais comumente usados para mostrar tendências, em vez de transmitir valores específicos.

Para exemplificar o uso deste gráfico, considere os dados do GBD para o Brasil. O objetivo será avaliar como o número total de óbitos no Brasil se distribui proporcionalmente entre as causas de morte ao longo dos anos. Essa avaliação será feita considerando diferentes faixas etárias e gêneros. O recorte da base pode ser feito com os seguintes comandos:

DadosD<-Dados2%>%filter(FAIXA_ETARIA!="Todas",GENERO!="Total",METRICA=="Numero",LOCAL=="Brasil")%>%select(ANO,FAIXA_ETARIA,CAUSA,GENERO,VALOR)

Como temos 21 causas de morte para serem representadas por meio de cores, precisamos de uma paleta de cores ampla. Recorreremos ao pacote pals e a paleta de cores kelly() com o seguinte comando:

mycolors <- kelly()

Enfim, o gráfico de área é feito com o comando geom_area() a partir dos seguintes códigos:

ggplot(DadosD, (aes(x = ANO,  y = VALOR, fill = CAUSA))) +
  geom_area(position = "fill") +
  scale_y_continuous(labels = scales::percent) + facet_grid(GENERO~FAIXA_ETARIA) +
  scale_fill_manual(values = mycolors,name=" ")+
  theme_bw() +
  theme(legend.position="bottom") +
  scale_x_continuous(breaks=c(1990,1995,2000,2005,2010,2015,2019))+ xlab(" ") + ylab(" ")+
  theme(text = element_text(size = 15))

2.4.1 EXERCÍCIOS

1- Repita o gráfico anterior para os estados de Minas Gerais, Rio de Janeiro e Santa Catarina.

2.5 GRÁFICOS PIRÂMIDE

Você está interessado em visualizar dados demográficos de uma forma única e esclarecedora? As pirâmides populacionais são uma ferramenta fantástica para esse propósito! Eles permitem comparar a distribuição das populações entre grupos etários para diferentes sexos ou períodos de tempo.

Para exemplificar esse gráfico, utilizaremos os dados do GBD para a causa de morte “Violencia interpessoal e auto infringida” no ano de 2019:

DadosE <- Dados2%>%filter(CAUSA=="Violencia interpessoal e auto infringida",FAIXA_ETARIA!="Todas",GENERO!="Total",METRICA=="Taxa",LOCAL=="Brasil", ANO ==2019)%>%select(FAIXA_ETARIA,GENERO,VALOR)

O gráfico pirâmide é feito no ggplot2 com duas aplicações da função geom_bar:

ggplot(DadosE) +
  geom_bar(data=DadosE[DadosE$GENERO=="F",], aes(x=-VALOR,y=FAIXA_ETARIA,fill=GENERO), stat="identity") +
  geom_bar(data=DadosE[DadosE$GENERO=="M",], aes(x=VALOR,y=FAIXA_ETARIA,fill=GENERO), stat="identity") +
  geom_vline(xintercept=0, colour="white", lwd=1) +
  scale_x_continuous(breaks=c(-10,0,10,20,30,40,50,60,70,80,90,100), labels=c(10,0,10,20,30,40,50,60,70,80,90,100)) +
  theme_bw() +
  ylab("Faixa etária")+xlab("Taxa de mortalidade por 100 mil habitantes")+
  theme(text = element_text(size = 15))+
  theme(legend.position="bottom")

2.5.1 EXERCÍCIOS

1- Faça um gráfico pirâmide para outra causa de morte.

2- Faça um gráfico pirâmide para o ano 1990 e 2019 para a causa de morte “Violencia interpessoal e auto infringida”, considerando todos os sexos e os dados do Brasil.

2.6 GRÁFICO COM DOIS EIXOS VERTICAIS

Um gráfico com dois eixos verticais é extremamente útil em situações onde queremos mostrar, em um mesmo gráfico, duas variáveis quantitativas que possuem grandezas numéricas muito diferentes.

Para exemplificar, vamos considerar os dados do Rio de Janeiro, para todas as idades e todos os sexos, com respeito à causa de morte “Violencia interpessoal e auto infringida”. Para isso, vamos construir duas bases de dados: uma para as taxas de mortalidade e a outra para os valores absolutos de óbitos:

DadosF <- Dados2%>%filter(CAUSA=="Violencia interpessoal e auto infringida",
                          FAIXA_ETARIA=="Todas",GENERO=="Total",
                          LOCAL=="Rio de Janeiro",METRICA=="Taxa")%>%select(ANO,VALOR)

DadosG <- Dados2%>%filter(CAUSA=="Violencia interpessoal e auto infringida",
                          FAIXA_ETARIA=="Todas",GENERO=="Total",
                          LOCAL=="Rio de Janeiro",METRICA=="Numero")%>%select(ANO,VALOR)

Inicialmente, vamos fazer um gráfico de barras para a taxa de mortalidade:

ggplot()+
  geom_col(data=DadosF,mapping=aes(x=ANO,y=VALOR),fill="orange")+
  scale_x_continuous(breaks=c(1990:2019))+
  theme_bw()+
  xlab(" ")+
  ylab("Taxa de mortalidade por 100 mil habitantes")

Com algumas estratégias, conseguimos acrescentar uma linha para o número de óbitos:

coef = 200 # Um número esperto para direcionar ambos os gráficos

ggplot()+
  geom_col(data=DadosF,mapping=aes(x=ANO,y=VALOR),fill="orange")+
  geom_line(data=DadosG,mapping=aes(x=ANO,y=VALOR/200),color="red",size=2)+
  scale_x_continuous(breaks=c(1990:2019))+
  ylab("Taxa de mortalidade por 100 mil habitantes")+
  scale_y_continuous(sec.axis = sec_axis(~.*200, name = "Número absoluto de óbitos"))+
  theme_bw()+
  xlab(" ")

2.6.1 EXERCÍCIOS

1- Repita o gráfico para Minas Gerais

2.7 GRÁFICOS DE DISPERSÃO

O gráfico de dispersão é uma ferramenta gráfica amplamente utilizada em estatística e outras áreas do conhecimento para visualizar a relação entre duas variáveis quantitativas. Ao plotar os pontos no gráfico, é possível detectar padrões e tendências nos dados e identificar possíveis correlações entre as variáveis.

Essa visualização pode fornecer insights importantes para análise de dados e tomada de decisão em diversas áreas, desde a pesquisa de mercado até a análise de dados científicos.

Hoje, vamos ilustrar este gráfico com os dados do GBD cruzando duas variáveis para os estados brasileiros:

• Percentual de mudança da taxa de mortalidade por doenças crônicas não transmissíveis entre 1990 e 2019.

• Índice demográfico SDI obtido em 2019.

Inicialmente, vamos ler a base:

Dados3<-read_csv("Dados3.csv")

O gráfico de dispersão então é feito com o seguinte comando:

ggplot(Dados3, aes(x =SDI_2019, y = PC)) +
  geom_point() +
  theme_bw() +
  theme(text=element_text(size=15))+
  xlab("SDI 2019")+
  ylab("Percentual de mudança")

Seria de bastante utilidade marcar todos os pontos com os respectivos estados brasileiros. Isso pode ser feito com a função geom_label_repel() do pacote ggrepel com os seguintes comandos:

ggplot(Dados3, aes(x =SDI_2019, y = PC, label=LOCAL)) +
  geom_point() +
  theme_bw() +
  geom_label_repel()+
  theme(text=element_text(size=15))+
  xlab("SDI 2019")+
  ylab("Percentual de mudança")

2.8 MAPAS

Um shapefile é um formato de armazenamento de dados para armazenar a posição, forma e atributos de feições geográficas. O geobr é um pacote do R que permite que os usuários acessem facilmente os shapefiles do Instituto Brasileiro de Geografia e Estatística (IBGE) e outros conjuntos oficiais de dados espaciais do Brasil.

O pacote inclui uma ampla variedade de conjuntos de dados geográficos como recursos simples, disponíveis em várias escalas geográficas e por vários anos. O pacote geobr foi desenvolvido por Rafael Henrique Moraes Pereira, pesquisador do Instituto de Pesquisa Econômica Aplicada (IPEA).

Mais informações sobre o pacote geobr podem ser encontradas no CRAN geobr

2.8.1 Unidades Geográficas Brasileiras

Conforme mencionado, o pacote geobr trabalha com diferentes unidades geográficas. Para cada unidade geográfica de interesse, o pacote geobr tem uma função diferente, dentre as seguintes:

Cada função acima gera o shapefile de uma unidade geográfica e todas as funções possuem sintaxe similar que podem ser verificadas com maiores detalhes no CRAN geobr.

Para trabalhar e manipular os dados envolvendo diferentes unidades geográficas brasileiras é extremamente útil codificá-las em números. Por exemplo:

• Rio de Janeiro (cidade): 3304557
• Rio de Janeiro (região geográfica imediata): 330001
• Rio de Janeiro (região geográfica intermediária): 3301
• Rio de Janeiro (estado): 33

A codificação de cidades e estados pode ser consultada no site IBGE. Já a codificação de regiões intermediárias e imediatas no site WIKIPEDIA

A seguir, seguem algumas unidades geográficas brasileiras e maiores detalhes. Para a visualização dos mapas, utilizamos a função geom_sf do pacote ggplot2:

2.8.1.1 País

Brasil<-read_country(year=2018,simplified = T, showProgress = F)
ggplot()+geom_sf(data=Brasil,fill="#2D3E50", color="orange")+ 
  theme_bw()+
  theme(axis.title.x=element_blank(),
        axis.text.x=element_blank(),
        axis.ticks.x=element_blank(),
        axis.title.y=element_blank(),
        axis.text.y=element_blank(), 
        axis.ticks.y=element_blank())

2.8.1.2 Região

Regiao<-read_region(year=2018,simplified = T, showProgress = F)
ggplot()+geom_sf(data=Regiao,fill="#2D3E50", color="orange")+ 
  theme_bw()+
  theme(axis.title.x=element_blank(),
        axis.text.x=element_blank(),
        axis.ticks.x=element_blank(),
        axis.title.y=element_blank(),
        axis.text.y=element_blank(), 
        axis.ticks.y=element_blank())

2.8.1.3 Estado

Estado<-read_state(code_state="all",year=2018,simplified = T, showProgress = F)
ggplot()+geom_sf(data=Estado,fill="#2D3E50", color="orange")+ 
  theme_bw()+
  theme(axis.title.x=element_blank(),
        axis.text.x=element_blank(),
        axis.ticks.x=element_blank(),
        axis.title.y=element_blank(),
        axis.text.y=element_blank(), 
        axis.ticks.y=element_blank())

EstadoRJ<-read_state(code_state=33,year=2018,simplified = T, showProgress = F)
ggplot()+geom_sf(data=EstadoRJ,fill="#2D3E50", color="orange")+ 
  theme_bw()+
  theme(axis.title.x=element_blank(),
        axis.text.x=element_blank(),
        axis.ticks.x=element_blank(),
        axis.title.y=element_blank(),
        axis.text.y=element_blank(), 
        axis.ticks.y=element_blank())

2.8.1.4 Município

Municipio<- read_municipality(code_muni = "all",year=2018,simplified = T, showProgress = F)
ggplot()+geom_sf(data=Municipio,fill="#2D3E50", color="orange")+ 
  theme_bw()+
  theme(axis.title.x=element_blank(),
        axis.text.x=element_blank(),
        axis.ticks.x=element_blank(),
        axis.title.y=element_blank(),
        axis.text.y=element_blank(), 
        axis.ticks.y=element_blank())

MunicipioRJ<- read_municipality(code_muni = 33,year=2018,simplified = T, showProgress = F)
ggplot()+geom_sf(data=MunicipioRJ,fill="#2D3E50", color="orange")+ 
  theme_bw()+
  theme(axis.title.x=element_blank(),
        axis.text.x=element_blank(),
        axis.ticks.x=element_blank(),
        axis.title.y=element_blank(),
        axis.text.y=element_blank(), 
        axis.ticks.y=element_blank())

RioDeJaneiro<- read_municipality(code_muni = 3304557,year=2018,simplified = T, showProgress = F)
ggplot()+geom_sf(data=RioDeJaneiro,fill="#2D3E50", color="orange")+ 
  theme_bw()+
  theme(axis.title.x=element_blank(),
        axis.text.x=element_blank(),
        axis.ticks.x=element_blank(),
        axis.title.y=element_blank(),
        axis.text.y=element_blank(), 
        axis.ticks.y=element_blank())

2.8.1.5 Regiões Imediatas

As regiões geográficas imediatas constituem a divisão geográfica regional do país, segundo a composição elaborada pelo Instituto Brasileiro de Geografia e Estatística (IBGE).

São agrupamentos de municípios que têm como principal referência a rede urbana e possuem um centro urbano local como base, mediante a análise do IBGE.

Para sua elaboração, foram levadas em consideração a conexão de cidades próximas através de relações de dependência e deslocamento da população em busca de bens, prestação de serviços e trabalho.

Foram instituídas em 2017 para a atualização da divisão regional brasileira e correspondem a uma revisão das antigas microrregiões, que estavam em vigor desde o quadro criado em 1989. Essa configuração deve ser utilizada para fins de planejamento e estimativas

Immediate<- read_immediate_region(code_immediate = "all",year=2020,simplified = T, showProgress = F)
ggplot()+geom_sf(data=Immediate,fill="#2D3E50", color="orange")+ 
  theme_bw()+
  theme(axis.title.x=element_blank(),
        axis.text.x=element_blank(),
        axis.ticks.x=element_blank(),
        axis.title.y=element_blank(),
        axis.text.y=element_blank(), 
        axis.ticks.y=element_blank())

2.8.1.6 Regiões Intermediárias

As regiões geográficas intermediárias assim como as imediatas também constituem a divisão geográfica regional do país, segundo a composição elaborada pelo Instituto Brasileiro de Geografia e Estatística (IBGE).

São agrupamentos de regiões imediatas que são articuladas através da influência de uma metrópole, capital regional ou centro urbano representativo dentro do conjunto.

Foram instituídas em 2017 para a atualização da divisão regional brasileira e correspondem a uma revisão das antigas macrorregiões, que estavam em vigor desde o quadro criado em 1989. Essa configuração deve ser utilizada para fins de planejamento e estimativas.

Intermediate<- read_intermediate_region(code_intermediate = "all",year=2020,simplified = T, showProgress = F)
ggplot()+geom_sf(data=Intermediate,fill="#2D3E50", color="orange")+ 
  theme_bw()+
  theme(axis.title.x=element_blank(),
        axis.text.x=element_blank(),
        axis.ticks.x=element_blank(),
        axis.title.y=element_blank(),
        axis.text.y=element_blank(), 
        axis.ticks.y=element_blank())

2.8.1.7 Regiões de Saúde

As Regiões de Saúde são formadas por municípios fronteiriços que compartilham identidades culturais, econômicas e sociais, redes de comunicação e infraestrutura de transportes. A finalidade dessas regiões é integrar a organização, o planejamento e a execução de ações e serviços de saúde.

Mecanismo interfederativo de gestão da saúde, esses territórios vizinhos, de circulação e vivências em comum entre populações, têm entre seus objetivos a garantia do acesso resolutivo da população à saúde, em tempo oportuno e com qualidade, incluindo ações e serviços de promoção, proteção e recuperação, organizados em Redes de Atenção à Saúde (RAS), assegurando a integralidade do SUS.

Dependendo do fenômeno de interesse a ser estudado, as regiões de saúde podem ser utilizadas em duas versões como pode ser visto na sequência:

MicroSaude<- read_health_region(macro=F,year=2013,simplified = T, showProgress = F)
ggplot()+geom_sf(data=MicroSaude,fill="#2D3E50", color="orange")+ 
  theme_bw()+
  theme(axis.title.x=element_blank(),
        axis.text.x=element_blank(),
        axis.ticks.x=element_blank(),
        axis.title.y=element_blank(),
        axis.text.y=element_blank(), 
        axis.ticks.y=element_blank())

MacroSaude<- read_health_region(macro=T,year=2013,simplified = T, showProgress = F)
ggplot()+geom_sf(data=MacroSaude,fill="#2D3E50", color="orange")+ 
  theme_bw()+
  theme(axis.title.x=element_blank(),
        axis.text.x=element_blank(),
        axis.ticks.x=element_blank(),
        axis.title.y=element_blank(),
        axis.text.y=element_blank(), 
        axis.ticks.y=element_blank())

2.8.1.8 Outras Unidades Geográficas

SETORES CENSITÁRIOS DO RIO DE JANEIRO

\[\\[0.1in]\]

REGIÃO SEMIÁRIDA BRASILEIRA

\[\\[0.1in]\]

BIOMAS BRASILEIROS

2.8.2 EXERCÍCIOS

1. Criar o shapefile dos municípios de Minas Gerais e representar em um mapa.
2. Criar o shapefile do município de Belo Horizonte e representar em um mapa.
3. Criar o shapefile do município de Niterói e representar em um mapa.
4. Criar o shapefile das regiões intermediárias de Minas Gerais e representar em um mapa.

2.8.3 REPRESENTAÇÃO DE VARIÁVEIS EM MAPAS

Utilizaremos os dados do GBD das taxas de mortalidade associadas a acidentes envolvendo motociclistas nos municípios de Minas Gerais e do Rio de Janeiro durante o triênio 2009-2011.

Para ajudar a categorizar os pontos de corte, precisaremos da seguinte função age.cat:

## Função utilizada para categorizar os pontos de corte
age.cat <- function(x, breaks,
                    sep = "-", above.char = "+",min,max) {
  labs <- c(paste(c(min,breaks)[-(length(breaks)+1)],
                  breaks-0.01,
                  sep = sep),
            paste(breaks[length(breaks)], max, sep = "-"))
  cut(x, breaks = c(min,breaks,Inf),
      right = FALSE, labels = labs)
}

A construção do mapa coroplético considerando percentis como pontos de corte é feito a partir do seguinte código

## Leitura dos dados 
Dados_MG <- read.csv("Dados_MG.csv")  

## Pontos de corte
breaks <- round(quantile(Dados_MG$taxa,probs = c(0.05,0.20,0.40,0.60,0.80,0.95)),2)
## Escolha da paleta de cores 
mycolors <- rev(brewer.pal(7, "RdBu"))
## Categorizando os pontos de corte
Dados_MG$Categoria <- age.cat(round(Dados_MG$taxa,2),breaks,min=min(round(Dados_MG$taxa,2)),max=max(round(Dados_MG$taxa,2)))
## Merge do arquivo contendo as taxas com o shapefile
Dados_MG <- merge(MG,Dados_MG,by="code_muni",all.x=T)

## Construção do mapa
ggplot() +  geom_sf(data=Dados_MG,aes(fill=Categoria),colour="black") + 
            theme_bw() +
            scale_fill_manual(values = mycolors,name="Taxa de mortalidade por 100 mil habitantes 2009-2011") +
            theme(axis.title.x=element_blank(),
              axis.text.x=element_blank(),
              axis.ticks.x=element_blank(),
              axis.title.y=element_blank(),
              axis.text.y=element_blank(),
              axis.ticks.y=element_blank(),
              legend.position = "bottom")

2.8.4 EXERCÍCIOS

1- Reproduza o exemplo anterior para os dados dos municipios do Rio de Janeiro com a base Dados_RJ.csv