# Análise das obras do governo sobre cidades digitais
# Silvio Cesar Lima
# Fonte:
# https://www.mctic.gov.br/mctic/opencms/indicadores/detalhe/Cidades-Digitais-Lista-de-Cidades-Atendidas-2.html
# Carregando os pacotes
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(data.table)
##
## Attaching package: 'data.table'
## The following objects are masked from 'package:dplyr':
##
## between, first, last
library(ggplot2)
library(plotly)
##
## Attaching package: 'plotly'
## The following object is masked from 'package:ggplot2':
##
## last_plot
## The following object is masked from 'package:stats':
##
## filter
## The following object is masked from 'package:graphics':
##
## layout
library(leaflet)
library(gmodels)
# Carregando as bases de dados
df <- read.csv("cidades_digitais.csv", sep=',',stringsAsFactors = FALSE)
regioes<-read.csv("REGIAO.csv",stringsAsFactors = FALSE)
LatLong<-read.csv("LatLong.csv",sep=',',stringsAsFactors = FALSE)
# Unindo as bases a partir de campos comuns.
df_1 <- merge(df, LatLong, by=c("CIDADE"))
df <- merge(df_1, regioes, by=c("UF"))
# Removendo coluna desnecessária
colnames(df)
## [1] "UF" "CIDADE" "IBGE"
## [4] "POPULAÇÃO" "VALOR_TOTAL_PREVISTO" "STATUS"
## [7] "PONTOS_ATENDIDOS" "VALOR_INVESTIDO" "LAT"
## [10] "LONG" "ESTADO" "REGIAO"
df$IBGE<-NULL
# Resumo
str(df)
## 'data.frame': 361 obs. of 11 variables:
## $ UF : chr "AC" "AL" "AL" "AM" ...
## $ CIDADE : chr "Tarauacá" "Estrela de Alagoas" "Delmiro Gouveia" "Maraã" ...
## $ POPULAÇÃO : int 38819 18306 51997 18423 26777 37033 36435 28413 94175 45984 ...
## $ VALOR_TOTAL_PREVISTO: num 484548 527207 1169382 427517 757707 ...
## $ STATUS : chr "Sem Previsao" "Sem Previsao" "Sem Previsao" "Sem Previsao" ...
## $ PONTOS_ATENDIDOS : int 8 39 43 21 36 51 17 21 31 30 ...
## $ VALOR_INVESTIDO : num 0 0 0 0 0 ...
## $ LAT : num -8.16 -9.39 -9.39 -1.85 -3.83 ...
## $ LONG : num -70.8 -36.8 -38 -65.6 -62.1 ...
## $ ESTADO : chr "Acre" "Alagoas" "Alagoas" "Amazonas" ...
## $ REGIAO : chr "Norte" "Nordeste" "Nordeste" "Norte" ...
# # QUAIS OS 10 MAIORES VALORES PREVISTOS DE SEREM INVESTIDOS ?
#
# Ordenação em ordem decrescente
df_sort <- df[order(df$VALOR_TOTAL_PREVISTO,decreasing = TRUE),]
df_sort%>%select('UF','CIDADE','VALOR_TOTAL_PREVISTO')%>%head(10)
## UF CIDADE VALOR_TOTAL_PREVISTO
## 344 SP Tietê 1980603
## 358 TO Paraíso do Tocantins 1872694
## 154 MS Aquidauana 1796472
## 342 SP Jales 1705825
## 333 SP Espírito Santo do Pinhal 1661170
## 329 SP Araçoiaba da Serra 1625188
## 357 SP Orlândia 1595135
## 347 SP Ibaté 1584847
## 352 SP São Joaquim da Barra 1536582
## 327 SP Vargem Grande do Sul 1525641
#
# Valores previstos por faixa
valor_previsto_obra=df$VALOR_TOTAL_PREVISTO
hist(valor_previsto_obra)
# Detalhes do histograma gerado
histinfo<-hist(valor_previsto_obra)
histinfo
## $breaks
## [1] 200000 400000 600000 800000 1000000 1200000 1400000 1600000
## [9] 1800000 2000000
##
## $counts
## [1] 38 123 78 61 28 17 10 4 2
##
## $density
## [1] 5.263158e-07 1.703601e-06 1.080332e-06 8.448753e-07 3.878116e-07
## [6] 2.354571e-07 1.385042e-07 5.540166e-08 2.770083e-08
##
## $mids
## [1] 300000 500000 700000 900000 1100000 1300000 1500000 1700000 1900000
##
## $xname
## [1] "valor_previsto_obra"
##
## $equidist
## [1] TRUE
##
## attr(,"class")
## [1] "histogram"
#
# Apresenta a frequencia de valores em determinada faixa.
# Nesse caso, há 123 valores previstos na faixa entre 400 e 600 mil.
histinfo$counts
## [1] 38 123 78 61 28 17 10 4 2
#
## QUAL CIDADE RECEBERÁ O MAIOR VALOR PREVISTO ?
#
df_max_valor_previsto<- filter(df,VALOR_TOTAL_PREVISTO == max(valor_previsto_obra))
df_max_valor_previsto
## UF CIDADE POPULAÇÃO VALOR_TOTAL_PREVISTO STATUS PONTOS_ATENDIDOS
## 1 SP Tietê 40194 1980603 Sem Previsao 44
## VALOR_INVESTIDO LAT LONG ESTADO REGIAO
## 1 0 -23.1101 -47.7164 São Paulo Sudeste
#
## QUANTAS CIDADES ESTÃO PREVISTAS POR REGIÃO ?
#
df_Reg_cidades<- df%>%group_by(REGIAO)%>%tally()
df_n<-as.data.frame(df_Reg_cidades)
setnames(df_n, "n", "Total_cidades")
df_Reg_cidades<-df_n[order(df_n$Total_cidades,decreasing=TRUE),]
df_Reg_cidades
## REGIAO Total_cidades
## 2 Nordeste 168
## 4 Sudeste 85
## 3 Norte 48
## 5 Sul 43
## 1 Centro-oeste 17
#
## QUANTAS CIDADES ESTÃO PREVISTAS POR UF ?
#
df_UF_cidades<- df%>%group_by(UF)%>%tally()
df_n<-as.data.frame(df_UF_cidades)
setnames(df_n, "n", "Total_cidades")
df_UF_cidades<-df_n[order(df_n$Total_cidades,decreasing=TRUE),]
df_UF_cidades
## UF Total_cidades
## 25 SP 36
## 5 BA 34
## 6 CE 29
## 9 MA 29
## 10 MG 28
## 13 PA 24
## 15 PE 21
## 17 PR 21
## 14 PB 19
## 16 PI 19
## 18 RJ 17
## 22 RS 16
## 8 GO 10
## 19 RN 10
## 3 AM 9
## 4 AP 6
## 23 SC 6
## 24 SE 5
## 7 ES 4
## 12 MT 4
## 26 TO 4
## 11 MS 3
## 20 RO 3
## 2 AL 2
## 1 AC 1
## 21 RR 1
#
## QUAL O NÚMERO DE CIDADES POR STATUS DAS OBRAS ?
#
table(df$STATUS)
##
## Concluida Em andamento Sem Previsao
## 74 13 274
#
# Total de obras por status e região
CrossTable(df$REGIAO, df$STATUS)
##
##
## Cell Contents
## |-------------------------|
## | N |
## | Chi-square contribution |
## | N / Row Total |
## | N / Col Total |
## | N / Table Total |
## |-------------------------|
##
##
## Total Observations in Table: 361
##
##
## | df$STATUS
## df$REGIAO | Concluida | Em andamento | Sem Previsao | Row Total |
## -------------|--------------|--------------|--------------|--------------|
## Centro-oeste | 0 | 0 | 17 | 17 |
## | 3.485 | 0.612 | 1.301 | |
## | 0.000 | 0.000 | 1.000 | 0.047 |
## | 0.000 | 0.000 | 0.062 | |
## | 0.000 | 0.000 | 0.047 | |
## -------------|--------------|--------------|--------------|--------------|
## Nordeste | 36 | 4 | 128 | 168 |
## | 0.071 | 0.695 | 0.002 | |
## | 0.214 | 0.024 | 0.762 | 0.465 |
## | 0.486 | 0.308 | 0.467 | |
## | 0.100 | 0.011 | 0.355 | |
## -------------|--------------|--------------|--------------|--------------|
## Norte | 13 | 0 | 35 | 48 |
## | 1.015 | 1.729 | 0.056 | |
## | 0.271 | 0.000 | 0.729 | 0.133 |
## | 0.176 | 0.000 | 0.128 | |
## | 0.036 | 0.000 | 0.097 | |
## -------------|--------------|--------------|--------------|--------------|
## Sudeste | 11 | 5 | 69 | 85 |
## | 2.368 | 1.228 | 0.312 | |
## | 0.129 | 0.059 | 0.812 | 0.235 |
## | 0.149 | 0.385 | 0.252 | |
## | 0.030 | 0.014 | 0.191 | |
## -------------|--------------|--------------|--------------|--------------|
## Sul | 14 | 4 | 25 | 43 |
## | 3.051 | 3.881 | 1.787 | |
## | 0.326 | 0.093 | 0.581 | 0.119 |
## | 0.189 | 0.308 | 0.091 | |
## | 0.039 | 0.011 | 0.069 | |
## -------------|--------------|--------------|--------------|--------------|
## Column Total | 74 | 13 | 274 | 361 |
## | 0.205 | 0.036 | 0.759 | |
## -------------|--------------|--------------|--------------|--------------|
##
##
#
# Calculando a proporção de distribuição do status das obras entre as cidades
# Valores arrendondados e na forma de porcentagem
status_table<-table(df$STATUS)
status_table <- prop.table(status_table) * 100 # valores em porcentagem
status_table<-round(status_table, digits = 1)
status_table
##
## Concluida Em andamento Sem Previsao
## 20.5 3.6 75.9
#
# Ajustar nomes de colunas
df_status0=data.frame(status_table)
df_status1<-setnames(df_status0,"Var1","Status")
df_status<-setnames(df_status1,"Freq","Percentual")
df_status_sort <- df_status[order(df_status$Percentual,decreasing = TRUE),]
#
## QUAL O PERCENTUAL DE STATUS DAS OBRAS
#
# Ordenando os valores de percentual a partir do maior
# Coluna Status segue a ordenação pelo campo numerico Percentual em ordem decrescente
df_status_sort$Status <- factor(df_status_sort$Status, levels = unique(df_status_sort$Status)[order(df_status_sort$Percentual, decreasing = TRUE)])
# Plotando a informação gerada
plot_ly(df_status_sort,type='bar',x=~Status,y=~Percentual)%>%layout(title = "Status e Percentual das obras",xaxis = list(title = "Status"),yaxis = list(title = "Percentual (%)"))
#
## QUAL O NÚMERO DE CIDADES POR REGIÃO ?
#
# Total de cidades por regiao
df_reg_cid<- df%>% select("CIDADE","REGIAO")%>%
group_by(REGIAO)%>%
summarise("Total" = n())
head(df_reg_cid)
## # A tibble: 5 x 2
## REGIAO Total
## <chr> <int>
## 1 Centro-oeste 17
## 2 Nordeste 168
## 3 Norte 48
## 4 Sudeste 85
## 5 Sul 43
#
# Ordenando os totais de cidades por região
df_reg_cid_sort <- df_reg_cid[order(df_reg_cid$Total,decreasing = TRUE),]
head(df_reg_cid_sort)
## # A tibble: 5 x 2
## REGIAO Total
## <chr> <int>
## 1 Nordeste 168
## 2 Sudeste 85
## 3 Norte 48
## 4 Sul 43
## 5 Centro-oeste 17
#
# Coluna Regiao segue a ordenação pelo campo numerico Total
df_reg_cid_sort$REGIAO <- factor(df_reg_cid_sort$REGIAO, levels = unique(df_reg_cid_sort$REGIAO)[order(df_reg_cid_sort$Total, decreasing = TRUE)])
# Plotando a informação gerada
plot_ly(df_reg_cid_sort,type='bar',x=~REGIAO,y=~Total)%>%layout(title = "Total cidades por regiao",xaxis = list(title = "Regiao"),yaxis = list(title = "Total"))
#
#
## QUAIS OS VALORES DE INVESTIMENTOS POR REGIÃO ?
#
# Agrupando por regiao os valores previstos
df_regiao_inv <- df %>% select(REGIAO,VALOR_TOTAL_PREVISTO)%>%
group_by(REGIAO)%>%
summarise(Total=sum(VALOR_TOTAL_PREVISTO))
#
# Ordenar os valores
df_regiao_inv_sort<-df_regiao_inv[order(df_regiao_inv$Total,decreasing = TRUE),]
# Coluna Regiao segue a ordenação pelo campo numerico Total em ordem decrescente
df_regiao_inv_sort$REGIAO <- factor(df_regiao_inv_sort$REGIAO, levels = unique(df_regiao_inv_sort$REGIAO)[order(df_regiao_inv_sort$Total, decreasing = TRUE)])
# Plotando a informação gerada
plot_ly(df_regiao_inv_sort,type='bar',x=~REGIAO,y=~Total)%>%layout(title = "Total previsto de investimento por regiao",xaxis = list(title = "Regiao"),yaxis = list(title = "Total (R$)"))
## BIBLIOTECA LEAFLET
#
# Mapa do Brasil e os status das obras nas cidades
# Passos necessários para gerar um mapa customizado com leaflet
# Vectorized SWITCH:
# Cada valor do status recebe um valor de 0 a 2
sit <- Vectorize(function(a) {
switch(as.character(a),
"Sem Previsao" = 0,
"Em andamento" = 1,
"Concluida" = 2
)
}, "a")
# A função sit é aplicada ao coluna STATUS no dataframe
df$stat=sapply(df$STATUS,sit)
# Função que define a cor do icone de acordo com o valor do STATUS
getColor <- function(df) {
sapply(df$stat, function(stat) {
if(stat == 1) {
"green"
}
else if(stat == 0) {
"red"
}
else if(stat == 2){
"blue"
} })
}
# Customização do icone
icons <- awesomeIcons(
icon = 'ios-close',
iconColor = 'black',
library = 'ion',
markerColor = getColor(df)
)
# Mapa default
#map3 = leaflet(df) %>% addTiles()%>%
# addMarkers(~long, ~lat,popup = (df$STATUS),label=df$CIDADE)
#map3
# Mapa customizado apresentando cores de acordo com status
map4 = leaflet(df) %>%
addTiles()%>%
addAwesomeMarkers(~LONG, ~LAT, icon=icons,popup = (df$STATUS),label=df$CIDADE)
# Adicionando uma legenda para as cores dos icones
map4%>%
addLegend(
position='topright',
colors= c("green", "red", "blue"),
labels= c("Em andamento","Sem Previsao","Concluida"),
opacity = 0.75,
title="Legenda"
)