Dados da população de veículos elétricos 2020-2025
Alison Ferreira
2025-02-19
Introdução
Veículos recarregáveis ou veículos elétricos, são carros que funcionam com energia elétrica armazenada em baterias, diferente dos transportes tradicionais que utilizam combustíveis fósseis como gasolina, diesel ou álcool. Os BEVs ou PHEVs são mais ecológicos, não emitindo gases poluentes na atmosfera, o que reduz a poluição do ar e o aquecimento global. Além disso, a manutenção dos veículos elétricos costumam possuir um custo benefício e um reparo menos complexo, já que eles possuem menos peças móveis e não precisam de troca de óleo ou outros cuidados constantes. Outro ponto é a experiência do usuário que transforma o ato de dirigir mais silencioso e suave, devido ao motor do veículo não ser a combustão. Portanto, os carros elétricos são uma alternativa mais limpa, mais econômica e mais tranquila de se locomover, ajudando a preservar o meio ambiente e a melhorar a qualidade de vida nas cidades.
Analisar dados sobre a população de veículos elétricos em um estado é essencial para entender o impacto desse segmento na mobilidade urbana, nas políticas públicas e no meio ambiente. Com o crescimento do mercado de veículos elétricos, é possível identificar tendências de adoção, avaliar a infraestrutura de carregamento necessária, além de planejar ações para reduzir as emissões de gases poluentes. Esses dados também ajudam a monitorar o cumprimento de metas ambientais e a fomentar a transição para uma mobilidade mais sustentável.
Sobre o dataset
O dataset aborda conjuntos de dados sobre veículos elétricos a bateria (BEVs) e veículos elétricos híbridos (PHEVs) atualmente registrados no departamento de licenciamento do Estado de Washington (DOL) nos Estados Unidos.
Requisitos de linhas e colunas : + 223 mil linhas e 17 colunas.
Requisitos de estruturação : Os dados são estruturados, porém é necessário manipulações como remoção de NAs, padronização de dados, conversão de tipos de dados, junção de tabelas e remoção de colunas irrelevantes para a análise.
Requisitos de informações : Estatísticas gerais, tendências, análise de mercado, análise de infraestrutura.
Informações adicionais : Esse dataset é interessante para compreender a transição dos veículos convencionais para a adoção dos veículos elétricos.
Atualizado em 20 de janeiro 2025.
Criado em 10 de novembro de 2020.
Site do conjunto de dados : https://data.gov/
Fonte do dataset : https://catalog.data.gov/dataset/electric-vehicle-population-data
Pacotes necessários
Pacotes necessários para funcionamento deste projeto
:
1.Importação dos dados
2.Resumo do dataset
3.Carregamento de pacotes necessários
4.Criação de dataframe com pacotes e funções
5.Tabela formatada como guia
dados <- read.csv("/Users/alison/Downloads/Electric_Vehicle_Population_Data.csv")
# Visão geral resumida do dataset
summary(dados)## VIN..1.10. County City State
## Length:223995 Length:223995 Length:223995 Length:223995
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## Postal.Code Model.Year Make Model
## Min. : 1731 Min. :1999 Length:223995 Length:223995
## 1st Qu.:98052 1st Qu.:2020 Class :character Class :character
## Median :98126 Median :2022 Mode :character Mode :character
## Mean :98176 Mean :2021
## 3rd Qu.:98374 3rd Qu.:2023
## Max. :99577 Max. :2025
## NA's :3
## Electric.Vehicle.Type Clean.Alternative.Fuel.Vehicle..CAFV..Eligibility
## Length:223995 Length:223995
## Class :character Class :character
## Mode :character Mode :character
##
##
##
##
## Electric.Range Base.MSRP Legislative.District DOL.Vehicle.ID
## Min. : 0.00 Min. : 0.0 Min. : 1.00 Min. : 4385
## 1st Qu.: 0.00 1st Qu.: 0.0 1st Qu.:17.00 1st Qu.:200800169
## Median : 0.00 Median : 0.0 Median :32.00 Median :248299180
## Mean : 47.74 Mean : 829.9 Mean :28.88 Mean :232932757
## 3rd Qu.: 39.00 3rd Qu.: 0.0 3rd Qu.:42.00 3rd Qu.:267397276
## Max. :337.00 Max. :845000.0 Max. :49.00 Max. :479254772
## NA's :18 NA's :18 NA's :474
## Vehicle.Location Electric.Utility X2020.Census.Tract
## Length:223995 Length:223995 Min. :1.001e+09
## Class :character Class :character 1st Qu.:5.303e+10
## Mode :character Mode :character Median :5.303e+10
## Mean :5.298e+10
## 3rd Qu.:5.305e+10
## Max. :5.602e+10
## NA's :3
# Carregar pacotes necessários
library(knitr) # Necessário para a função kable()
library(kableExtra) # Necessário para kable_styling()
# Criando o dataframe com os pacotes e funcionalidades
pacotes <- data.frame(
Nome = c("knitr", "rmarkdown", "rmdformats", "dplyr", "readr", "DT", "kableExtra", "shiny", "janitor", "ggplot2", "scales", "plotly"),
Funcao = c("Para criação de relatórios em R",
"Para criar documentos RMarkdown",
"Para usar temas de RMarkdown",
"Para manipulação de dados",
"Para importar dados",
"Para criar tabelas interativas",
"Para melhorar a formatação de tabelas em RMarkdown",
"Para criar aplicações web",
"Para limpar e organizar dados",
"Para visualização de dados com gráficos",
"Para formatar gráficos",
"Para criar gráficos interativos")
)
# Criando a tabela formatada
table_html <- kable(pacotes, format = "html", table.attr = "class='table table-striped'") %>%
kable_styling(full_width = FALSE, position = "center") %>%
column_spec(1, width = "50%") %>% # Ajusta a largura da 1ª coluna
column_spec(2, width = "100%") # Ajusta a largura da 2ª coluna
table_html| Nome | Funcao |
|---|---|
| knitr | Para criação de relatórios em R |
| rmarkdown | Para criar documentos RMarkdown |
| rmdformats | Para usar temas de RMarkdown |
| dplyr | Para manipulação de dados |
| readr | Para importar dados |
| DT | Para criar tabelas interativas |
| kableExtra | Para melhorar a formatação de tabelas em RMarkdown |
| shiny | Para criar aplicações web |
| janitor | Para limpar e organizar dados |
| ggplot2 | Para visualização de dados com gráficos |
| scales | Para formatar gráficos |
| plotly | Para criar gráficos interativos |
Tratamento de dados
Os dados foram retirados do dataset “Dados da população de
veículos elétricos 2020-2025”, através do site público do Governo
dos Estados Unidos (DATA.GOV).
1.Importação
dos dados
2.Criação de tabela interativa
3.Verificação e limpeza dos dados repetidos
4.Remoção de valores ausentes
5.Listagem de objetos de interesse para análise exploratória
6.Padronização dos dados para um tipo
# Carregar os dados
dtDados <- read.csv("/Users/alison/Downloads/Electric_Vehicle_Population_Data.csv")
# Exibir a tabela com largura personalizada nas colunas
DT::datatable(head(dtDados, 30),
options = list(
pageLength = 10,
columnDefs = list(
list(targets = 0, width = '5px'), # Ajusta a largura da primeira coluna
list(targets = 1, width = '5px'), # Ajusta a largura da segunda coluna
list(targets = 2, width = '5px') # Ajusta a largura da terceira coluna
)
)
)
Tratamento dos dados, verificando se possui linhas com
duplicidade
# Carregar pacotes necessários
library(dplyr) ##
## Attaching package: 'dplyr'## The following object is masked from 'package:kableExtra':
##
## group_rows## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(shiny) # Remover duplicidades
if (nrow(dtDados) > 0) {
dtDados <- dtDados %>% distinct()
print("Duplicidade removida.")
} else {
print("Não existe duplicidade.")
}## [1] "Duplicidade removida."
Remoção de NAs
Necessário para evitar análises incorretas ou com viés. Garantindo assim que as análises sejam baseadas em dados completos.
library(dplyr)
library(janitor)##
## Attaching package: 'janitor'## The following objects are masked from 'package:stats':
##
## chisq.test, fisher.testdtDados <- na.omit(dtDados)
dtDados <- dtDados %>% remove_empty("cols")
dtDados <- dtDados %>% remove_empty("rows")
Após remoção de NAs, listagem do nome das colunas e variáveis únicas de cada coluna
#colunas
paste(names(dtDados), collapse = ", ")## [1] "VIN..1.10., County, City, State, Postal.Code, Model.Year, Make, Model, Electric.Vehicle.Type, Clean.Alternative.Fuel.Vehicle..CAFV..Eligibility, Electric.Range, Base.MSRP, Legislative.District, DOL.Vehicle.ID, Vehicle.Location, Electric.Utility, X2020.Census.Tract"#variaveis das colunas
unique_values <- unique(dtDados$City)
print(unique_values)## [1] "Poulsbo" "Lake Stevens"
## [3] "Seattle" "Selah"
## [5] "Bremerton" "Lacey"
## [7] "Kent" "Yakima"
## [9] "Lynnwood" "Olalla"
## [11] "Suquamish" "Issaquah"
## [13] "Oak Harbor" "Kenmore"
## [15] "Seabeck" "Toppenish"
## [17] "Sammamish" "Port Orchard"
## [19] "Silverdale" "Yelm"
## [21] "Olympia" "Bothell"
## [23] "Bainbridge Island" "Edmonds"
## [25] "Tumwater" "Redmond"
## [27] "Stanwood" "Kingston"
## [29] "Snohomish" "Everett"
## [31] "Brier" "Marysville"
## [33] "Freeland" "Chewelah"
## [35] "Auburn" "Quincy"
## [37] "Moses Lake" "Colville"
## [39] "Burien" "Langley"
## [41] "Woodinville" "Ellensburg"
## [43] "Zillah" "Wapato"
## [45] "Duvall" "Cheney"
## [47] "Pullman" "Bow"
## [49] "Rockford" "Hunters"
## [51] "East Wenatchee" "Spokane"
## [53] "Monroe" "Mount Vernon"
## [55] "College Place" "Anacortes"
## [57] "Cle Elum" "Othello"
## [59] "Wenatchee" "Renton"
## [61] "Greenbank" "Palouse"
## [63] "Chelan" "Fall City"
## [65] "Clinton" "Mountlake Terrace"
## [67] "Walla Walla" "Concrete"
## [69] "Manson" "Orondo"
## [71] "Kirkland" "Bellevue"
## [73] "Camas" "Federal Way"
## [75] "Longview" "Port Ludlow"
## [77] "Medina" "Shoreline"
## [79] "Lake Forest Park" "Vancouver"
## [81] "Tukwila" "Battle Ground"
## [83] "Beaux Arts" "Kelso"
## [85] "Port Townsend" "Castle Rock"
## [87] "Newcastle" "Rainier"
## [89] "Mukilteo" "Brush Prairie"
## [91] "North Bend" "Seatac"
## [93] "Ridgefield" "Nine Mile Falls"
## [95] "Mabton" "Enumclaw"
## [97] "La Center" "Brinnon"
## [99] "Washougal" "Mill Creek"
## [101] "Milton" "Rochester"
## [103] "Ariel" "Des Moines"
## [105] "Arlington" "Grandview"
## [107] "White Salmon" "Kalama"
## [109] "Coupeville" "Clyde Hill"
## [111] "Covington" "Algona"
## [113] "Moxee" "Granger"
## [115] "Tenino" "Yacolt"
## [117] "Woodway" "Woodland"
## [119] "Forks" "Camano Island"
## [121] "Indianola" "Sequim"
## [123] "Keyport" "Normandy Park"
## [125] "Bingen" "Port Angeles"
## [127] "Sunnyside" "Pacific"
## [129] "Granite Falls" "Silverlake"
## [131] "Mercer Island" "Naches"
## [133] "Port Hadlock" "Quilcene"
## [135] "Gig Harbor" "Nordland"
## [137] "Skykomish" "Tieton"
## [139] "Amboy" "Bucoda"
## [141] "Chimacum" "Maple Valley"
## [143] "Snoqualmie" "Sultan"
## [145] "Hunts Point" "Black Diamond"
## [147] "Springdale" "Outlook"
## [149] "Hansville" "Centralia"
## [151] "Cowiche" "Goldendale"
## [153] "Carnation" "Richland"
## [155] "Lakewood" "Union Gap"
## [157] "Colton" "Sedro Woolley"
## [159] "Tacoma" "Underwood"
## [161] "Spokane Valley" "Montesano"
## [163] "Holden Village" "Puyallup"
## [165] "South Bend" "Gold Bar"
## [167] "Shelton" "Union"
## [169] "Vashon" "Pasco"
## [171] "Bellingham" "Tonasket"
## [173] "Yarrow Point" "Sedro-Woolley"
## [175] "Mattawa" "Ronald"
## [177] "Steilacoom" "Allyn"
## [179] "Eastsound" "Bonney Lake"
## [181] "Roy" "Grayland"
## [183] "Kennewick" "Parker"
## [185] "Burlington" "Spanaway"
## [187] "Toledo" "Toutle"
## [189] "Newport" "Fox Island"
## [191] "Colbert" "Coulee Dam"
## [193] "Tulalip" "Edgewood"
## [195] "Medical Lake" "Packwood"
## [197] "South Hill" "Parkland"
## [199] "Buckley" "Fircrest"
## [201] "Liberty Lake" "Mead"
## [203] "Belfair" "Valleyford"
## [205] "Orting" "Anderson Island"
## [207] "Winthrop" "Neah Bay"
## [209] "Vader" "Kettle Falls"
## [211] "Veradale" "Lakebay"
## [213] "Lynden" "Lopez Island"
## [215] "Aberdeen" "Cashmere"
## [217] "Grapeview" "Everson"
## [219] "La Conner" "Lake Tapps"
## [221] "Leavenworth" "Newman Lake"
## [223] "Joint Base Lewis Mcchord" "Graham"
## [225] "University Place" "Mossyrock"
## [227] "Ephrata" "Cinebar"
## [229] "Kapowsin" "Clarkston"
## [231] "Curtis" "Ferndale"
## [233] "Clallam Bay" "Dupont"
## [235] "Evans" "Ritzville"
## [237] "Chehalis" "Pateros"
## [239] "Stevenson" "Winlock"
## [241] "Raymond" "Blaine"
## [243] "Greenacres" "Chattaroy"
## [245] "Morton" "Point Roberts"
## [247] "Cosmopolis" "Friday Harbor"
## [249] "Tekoa" "Naselle"
## [251] "Peshastin" "Ocean Shores"
## [253] "Elk" "Mccleary"
## [255] "Sumner" "Skamokawa"
## [257] "Usk" "Mineral"
## [259] "Airway Heights" "Soap Lake"
## [261] "Waitsburg" "Cathlamet"
## [263] "North Bonneville" "Ryderwood"
## [265] "Olga" "Ilwaco"
## [267] "Eatonville" "Deer Park"
## [269] "Mica" "Prosser"
## [271] "Malaga" "Hoquiam"
## [273] "Royal City" "Vaughn"
## [275] "Elma" "Connell"
## [277] "Hoodsport" "Rock Island"
## [279] "Custer" "Wilkeson"
## [281] "Lilliwaup" "Okanogan"
## [283] "Fife" "Husum"
## [285] "Waterville" "Otis Orchards"
## [287] "Mesa" "Baring"
## [289] "Brewster" "West Richland"
## [291] "Snoqualmie Pass" "Long Beach"
## [293] "Lyle" "Ocean Park"
## [295] "Carson" "Coulee City"
## [297] "Ravensdale" "Westport"
## [299] "Republic" "Mansfield"
## [301] "Bridgeport Bar" "Benton City"
## [303] "Twisp" "Warden"
## [305] "Kittitas" "Preston"
## [307] "Easton" "Omak"
## [309] "Maryhill" "Taholah"
## [311] "Shaw Island" "Onalaska"
## [313] "Pacific Beach" "Mazama"
## [315] "Surfside" "Roslyn"
## [317] "Rosalia" "Oakville"
## [319] "Index" "Oroville"
## [321] "McCleary" "Spangle"
## [323] "Pomeroy" "Napavine"
## [325] "Satsop" "Burbank"
## [327] "Loon Lake" "Cusick"
## [329] "Trout Lake" "Elbe"
## [331] "Odessa" "Dayton"
## [333] "Deming" "Asotin"
## [335] "Carbonado" "Riverside"
## [337] "Grand Coulee" "Entiat"
## [339] "Clayton" "Dallesport"
## [341] "Tahuya" "Davenport"
## [343] "Maple Falls" "Eltopia"
## [345] "Waverly" "Sprague"
## [347] "Ruston" "Nahcotta"
## [349] "Darrington" "Longbranch"
## [351] "Curlew" "Glacier"
## [353] "Vantage" "Fairchild Air Force Base"
## [355] "Menlo" "Colfax"
## [357] "Centerville" "Silver Creek"
## [359] "Sumas" "Danville"
## [361] "Edwall" "Lummi Island"
## [363] "Copalis Beach" "South Cle Elum"
## [365] "Snowden" "Nooksack"
## [367] "Lopez Is" "Uniontown"
## [369] "Deer Meadows" "Rockport"
## [371] "Oakesdale" "Orcas Is"
## [373] "Waldron" "Wilbur"
## [375] "Conconully" "Lind"
## [377] "Ione" "Ford"
## [379] "Acme" "Fairfield"
## [381] "Thorp" "Moclips"
## [383] "Ashford" "Hamilton"
## [385] "Wahkiacus" "Garfield"
## [387] "Ethel" "Buena"
## [389] "Seven Bays" "Willapa"
## [391] "Bay Center" "Harrah"
## [393] "Carlton" "Bz Corner"
## [395] "San Juan Is" "Endicott"
## [397] "Pouslbo" "Cougar"
## [399] "Murdock" "North Cove"
## [401] "Beverly" "Randle"
## [403] "Grays River" "Amanda Park"
## [405] "Clearlake" "Glenoma"
## [407] "Seaview" "Palisades"
## [409] "Sekiu" "Port Gamble"
## [411] "Touchet" "Reardan"
## [413] "Almira" "Copalis Crossing"
## [415] "Lacrosse" "Electric City"
## [417] "Rosburg" "Albion"
## [419] "South Prairie" "Methow"
## [421] "Startup" "Salkum"
## [423] "Lebam" "Latah"
## [425] "Rice" "Lamont"
## [427] "Glenwood" "Hartline"
## [429] "Harrington" "Oysterville"
## [431] "Klickitat" "Farmington"
## [433] "Creston" "Elmer City"
## [435] "Inchelium" "Addy"
## [437] "Marlin" "Valley"
## [439] "Lincoln" "Paterson"
## [441] "Wishram" "Pe Ell"
## [443] "Tokeland" "Bridgeport"
## [445] "Malden" "Prescott"
## [447] "Walla Walla Co" "Gifford"
## [449] "Stratford" "Beaver"
## [451] "Washtucna" "Gardiner"
## [453] "Orient" "Lyman"
## [455] "St John" "Chinook"
## [457] "Metaline" "Wellpinit"
## [459] "Bickleton" "Chelan Falls"
## [461] "Quinault" "Orcas"
## [463] "Northport" "Tumtum"
## [465] "Marblemount" "Roosevelt"
## [467] "Nespelem" "Dixie"
## [469] "Smith Creek" "Galvin"
## [471] "Martha Lake" "Northwestern Lake"
## [473] "Deer Harbor" "Incorporated"
## [475] "Prairie Ridge" "Artondale"
## [477] "Plymouth" "Rich"
## [479] "Pasc" "Lakeview"
## [481] "Wrch" "Pros"
## [483] "Dryden" "Appleton"unique_values <- unique(dtDados$Model.Year)
print(unique_values)## [1] 2023 2019 2015 2021 2017 2020 2024 2014 2016 2022 2018 2025 2013 2011 2012
## [16] 2010 2008 2000 2002 1999 2003unique_values <- unique(dtDados$County)
print(unique_values)## [1] "Kitsap" "Snohomish" "King" "Yakima" "Thurston"
## [6] "Island" "Stevens" "Grant" "Kittitas" "Spokane"
## [11] "Whitman" "Skagit" "Douglas" "Walla Walla" "Chelan"
## [16] "Clark" "Cowlitz" "Jefferson" "Klickitat" "Clallam"
## [21] "Benton" "Pierce" "Skamania" "Grays Harbor" "Pacific"
## [26] "Mason" "Franklin" "Whatcom" "Okanogan" "San Juan"
## [31] "Lewis" "Pend Oreille" "Asotin" "Adams" "Wahkiakum"
## [36] "Ferry" "Garfield" "Lincoln" "Columbia"unique_values <- unique(dtDados$Make)
print(unique_values)## [1] "JEEP" "CHEVROLET" "BMW"
## [4] "TESLA" "NISSAN" "LEXUS"
## [7] "KIA" "POLESTAR" "HYUNDAI"
## [10] "TOYOTA" "RIVIAN" "VOLVO"
## [13] "FIAT" "MAZDA" "AUDI"
## [16] "CHRYSLER" "FORD" "MERCEDES-BENZ"
## [19] "HONDA" "MITSUBISHI" "VOLKSWAGEN"
## [22] "SUBARU" "PORSCHE" "JAGUAR"
## [25] "MINI" "GMC" "LUCID"
## [28] "CADILLAC" "SMART" "LINCOLN"
## [31] "LAND ROVER" "GENESIS" "ALFA ROMEO"
## [34] "FISKER" "DODGE" "ACURA"
## [37] "MULLEN AUTOMOTIVE INC." "TH!NK" "VINFAST"
## [40] "BRIGHTDROP" "AZURE DYNAMICS" "ROLLS-ROYCE"
## [43] "WHEEGO ELECTRIC CARS" "BENTLEY" "LAMBORGHINI"
## [46] "RAM"unique_values <- unique(dtDados$Model)
print(unique_values)## [1] "WRANGLER" "BOLT EV"
## [3] "I3" "MODEL 3"
## [5] "MODEL S" "530E"
## [7] "MODEL X" "LEAF"
## [9] "RZ" "EV6"
## [11] "PS2" "SANTA FE"
## [13] "MODEL Y" "330E"
## [15] "PRIUS PRIME" "R1T"
## [17] "XC60" "X5"
## [19] "500" "BOLT EUV"
## [21] "CX-90" "NIRO"
## [23] "XC90" "R1S"
## [25] "E-TRON" "RX"
## [27] "IX" "PACIFICA"
## [29] "IONIQ" "SOUL"
## [31] "F-150" "Q5 E"
## [33] "VOLT" "SORENTO"
## [35] "GRAND CHEROKEE" "RAV4 PRIME"
## [37] "GLC-CLASS" "A3"
## [39] "CX-70" "CLARITY"
## [41] "C-MAX" "OUTLANDER"
## [43] "PRIUS PLUG-IN" "Q5"
## [45] "NX" "SPORTAGE"
## [47] "ID.4" "SOLTERRA"
## [49] "ARIYA" "E-GOLF"
## [51] "FUSION" "IONIQ 5"
## [53] "SPARK" "MUSTANG MACH-E"
## [55] "CAYENNE" "TRANSIT"
## [57] "BZ4X" "EQS-CLASS SEDAN"
## [59] "745E" "KONA ELECTRIC"
## [61] "I-PACE" "Q4"
## [63] "EV9" "TAYCAN"
## [65] "V60" "SQ8"
## [67] "EQS-CLASS SUV" "I4"
## [69] "XC40" "EQB-CLASS"
## [71] "TUCSON" "EQUINOX EV"
## [73] "PROLOGUE" "I5"
## [75] "HARDTOP" "HUMMER EV PICKUP"
## [77] "AIR" "FOCUS"
## [79] "BLAZER EV" "LYRIQ"
## [81] "I-MIEV" "Q8"
## [83] "FORTWO ELECTRIC DRIVE" "AVIATOR"
## [85] "S90" "ESCAPE"
## [87] "E-TRON GT" "KONA"
## [89] "IONIQ 6" "C-CLASS"
## [91] "X3" "XM"
## [93] "RANGE ROVER SPORT" "C40"
## [95] "CYBERTRUCK" "GV60"
## [97] "TONALE" "OCEAN"
## [99] "E-TRON SPORTBACK" "GLE-CLASS"
## [101] "CROSSTREK" "B-CLASS"
## [103] "COUNTRYMAN" "EQE-CLASS SUV"
## [105] "ACCORD" "I7"
## [107] "HORNET" "ROADSTER"
## [109] "GV70" "S60"
## [111] "OPTIMA" "ZDX"
## [113] "POLESTAR 3" "IONIQ 5 N"
## [115] "EQE-CLASS SEDAN" "I8"
## [117] "CORSAIR" "EQ FORTWO"
## [119] "SOUL EV" "RAV4"
## [121] "RS E-TRON GT" "RANGE ROVER"
## [123] "PANAMERA" "MX-30"
## [125] "SILVERADO EV" "SONATA"
## [127] "FORTWO" "MACAN"
## [129] "HUMMER EV SUV" "500E"
## [131] "ESPRINTER" "ELR"
## [133] "S-CLASS" "ONE"
## [135] "TX" "CITY"
## [137] "VF 8" "EDV"
## [139] "A7 E" "RANGER"
## [141] "G80" "ID. BUZZ"
## [143] "740E" "ZEVO"
## [145] "KARMA" "CT6"
## [147] "TRANSIT CONNECT ELECTRIC" "SPECTRE"
## [149] "CR-V" "EX40"
## [151] "MIRAI" "EX90"
## [153] "G-CLASS" "918"
## [155] "WHEEGO" "750E"
## [157] "FLYING SPUR" "SIERRA EV"
## [159] "BENTAYGA" "Q6"
## [161] "REVUELTO" "A8 E"
## [163] "745LE" "PROMASTER 3500"unique_values <- unique(dtDados$Electric.Vehicle.Type)
print(unique_values)## [1] "Plug-in Hybrid Electric Vehicle (PHEV)"
## [2] "Battery Electric Vehicle (BEV)"unique_values <- unique(dtDados$Electric.Range)
print(unique_values)## [1] 21 238 81 220 208 25 15 200 259 107 0 149 150 210 233 31 72 14
## [19] 215 35 30 87 322 26 270 289 18 291 73 37 84 293 39 33 239 308
## [37] 75 249 29 93 22 266 23 53 32 42 265 10 16 126 47 19 6 151
## [55] 34 204 13 83 97 82 38 234 41 222 20 76 330 125 62 58 258 8
## [73] 17 60 203 153 12 337 245 40 114 170 192 124 28 68 24 103 111 59
## [91] 110 54 27 218 48 56 55 100 288 46 36 49 9 11 43 95 51 57
## [109] 74
Casting dos dados para padronizar as colunas de anos e carga elétrica como inteiros
dtDados$Model.Year <- as.integer(dtDados$Model.Year)
dtDados$Electric.Range <- as.numeric(dtDados$Electric.Range)Análise exploratória dos dados
Tipo de veículo com maior preferência dos cidadãos
# Carregar pacotes necessários
library(dplyr)
library(readr)
library(ggplot2)
# Importar os dados
dtDados <- read_csv("/Users/alison/Downloads/Electric_Vehicle_Population_Data.csv")## Rows: 223995 Columns: 17
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (12): VIN (1-10), County, City, State, Postal Code, Make, Model, Electri...
## dbl (5): Model Year, Electric Range, Base MSRP, Legislative District, DOL V...
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.# Contar a frequência dos tipos de veículos elétricos
tipo_carro <- dtDados %>%
count(`Electric Vehicle Type`, sort = TRUE)
# Criar o gráfico de barras
ggplot(tipo_carro, aes(x = reorder(`Electric Vehicle Type`, -n), y = n, fill = `Electric Vehicle Type`)) +
geom_bar(stat = "identity", show.legend = FALSE) +
labs(title = "Frequência dos Tipos de Veículos Elétricos", x = "Tipo de Veículo", y = "Quantidade") +
theme_minimal()
Fabricante automotivo com maiores vendas
# Contar os veículos por fabricante
fabricante_popular <- dtDados %>%
count(`Make`, sort = TRUE) %>%
top_n(10, n) # Pegamos os 10 maiores fabricantes
# Criar gráfico de barras
ggplot(fabricante_popular, aes(x = reorder(`Make`, n), y = n, fill = `Make`)) +
geom_bar(stat = "identity", show.legend = FALSE) +
labs(title = "Top 10 Fabricantes de Veículos Elétricos", x = "Fabricante", y = "Quantidade") +
coord_flip() + # Rotaciona para melhor visualização
theme_minimal()
Cidades com maior população de
veículos elétricos
# Contar os veículos por cidade
cidade_popular <- dtDados %>%
count(`City`, sort = TRUE) %>%
top_n(10, n) # Pegamos as 10 cidades com mais veículos
# Criar gráfico de barras
ggplot(cidade_popular, aes(x = reorder(`City`, n), y = n, fill = `City`)) +
geom_bar(stat = "identity", show.legend = FALSE) +
labs(title = "Top 10 Cidades com Mais Veículos Elétricos", x = "Cidade", y = "Quantidade") +
coord_flip() + # Rotaciona para melhor visualização
theme_minimal()
Modelo e ano com maior preferência
dos motoristas
# Contar a quantidade de cada modelo por ano
modelo_ano <- dtDados %>%
count(`Model Year`, `Model`, sort = TRUE) %>%
top_n(10, n) # Pegamos os 10 modelos mais comuns
# Criar gráfico de barras
ggplot(modelo_ano, aes(x = reorder(paste(`Model Year`, `Model`, sep = " - "), n), y = n, fill = as.factor(`Model Year`))) +
geom_bar(stat = "identity", show.legend = FALSE) +
labs(title = "Top 10 Modelos de Veículos Elétricos Mais Utilizados",
x = "Ano - Modelo",
y = "Quantidade") +
coord_flip() + # Rotaciona para melhor visualização
theme_minimal()
Conclusão
A análise dos dados sobre a população de veículos elétricos evidencia
um crescimento significativo da adoção de Battery Electric
Vehicles (BEV) e Plug-in Hybrid Electric Vehicles (PHEV) ao
longo dos anos. Esse crescimento reflete um movimento global em direção
a soluções de mobilidade mais sustentáveis, impulsionado por avanços
tecnológicos, incentivos governamentais e uma maior conscientização
ambiental.
Tendências Observadas Os dados demonstram que
fabricantes de renome, como Tesla, Nissan e Chevrolet, lideram
a expansão do mercado, oferecendo modelos com maior autonomia,
eficiência e acessibilidade. Além disso, a presença crescente de
veículos elétricos em diversas cidades indica um comprometimento
crescente com a transição energética no setor de transportes.
Vantagens do Crescimento dos Veículos Elétricos
1.A redução de emissões de gases de efeito estufa e a menor dependência
de combustíveis fósseis contribuem para a mitigação das mudanças
climáticas e a melhoria da qualidade do ar urbano.
2.Veículos
elétricos apresentam maior eficiência energética em comparação com
motores a combustão, reduzindo o consumo de energia por quilômetro
rodado.
3.Com menos peças móveis e menor necessidade de manutenção
(sem óleo, filtros e correias), os custos de operação de veículos
elétricos são significativamente menores.
4.Diversos países e
cidades oferecem isenção de impostos, subsídios na compra e incentivos
para infraestrutura de carregamento, tornando a adoção mais acessível à
população.
5.O crescimento do mercado impulsiona investimentos na
rede de carregamento, tornando os veículos elétricos cada vez mais
viáveis para uso diário e viagens de longa distância.
Conclusão
O avanço dos veículos elétricos e
híbridos representa um passo essencial na transformação da mobilidade
urbana e na busca por um futuro mais sustentável. A análise dos dados
confirma que esse movimento está ganhando força, com modelos cada vez
mais acessíveis e eficientes. À medida que os desafios da infraestrutura
de carregamento são superados e a tecnologia avança, a adoção desses
veículos se tornará uma escolha ainda mais vantajosa, econômica e
sustentável para consumidores e governos em todo o mundo.
Referências
Portal SolarCarros elétricos: O que são, como funcionam, modelos e
quanto custam. Disponível em: https://www.portalsolar.com.br/carro-eletrico
Iberdrola. Vantagens de um veículo elétrico. Disponível em: https://www.iberdrola.com/sustentabilidade/vantagens-carro-eletrico
Life Cycle Assessment of Energy Consumption and CO2 Emission
from HEV, PHEV and BEV for China in the Past, Present and Future. 19
September 2022, Disponível em: https://www.mdpi.com/1996-1073/15/18/6853