Função 1 - Paridade

##existencia de paridade
paridade <- function(x){
  ifelse(x%in%c("Paritário","Sim", "É paritário", "Tem maior representação da sociedade civil"),1,ifelse(x%in%c("Não", "Não paritário", "Não aplicável","Não informado", "Não soube informar", "Não sabe informar", "Recusa", "Tem maior representação governamental", "Não está em funcionamento"), 0,NA))
}

Função 2 - Carater

# Função válida para deliberativos, consultivos, fiscalizadores e normativos
carater <- function(x){
  ifelse(x=="Sim",1,ifelse(x%in%c("Não", "Não aplicável","Não informado", "Recusa", "Não soube informar", "Não sabe informar"), 0,NA))
}

Hist

theme_hist <- theme(axis.text.x = element_text(size = 12),
                    axis.text.y = element_text(size = 12),  
                    axis.title.x = element_text(size = 12),
                    axis.title.y = element_text(size = 12))

boxplot

theme_BOX <- theme(axis.text.x = element_text(size = 20),
                    axis.text.y = element_text(size = 20),  
                    axis.title.x = element_text(size = 20),
                    axis.title.y = element_text(size = 20))

map

theme_map <- theme(panel.background = element_rect(fill = "transparent"), 
        panel.grid.major = element_line(color = "transparent"), 
        axis.text.x = element_blank(), 
        axis.text.y = element_blank(), 
        axis.ticks = element_blank())

Selecionar variaveis

#####################################################################
######## 1. Quantidade de conselhos existentes nos municipios #######
#####################################################################

## Criar índice para selecionar unicamente a pergunta "O municipio possui Conselho Municipal...?"
##Coluna V3
  index_cons <- str_which(Legenda_Munic_2014$V3,"possui Conselho Municipal")   
  
  ### Usar o índice para selecionar as linhas.
  Conselhos_lista <- slice(Legenda_Munic_2014,index_cons) 
  
    ## Usar a coluna V17 que possui os códigos da base de dados
  Conselhos_codigo <- Conselhos_lista$V17 #identificamos os códigos de cada conselho
  
  ##Selecionamos apenas as colunas correspondentes a "possui Conselho?"
  Munic_2014_Conselhos <- select(Munic_2014,A1, Conselhos_codigo)

  Munic_2014_Conselhos <- as.tibble(Munic_2014_Conselhos, row)

## Warning: `as.tibble()` is deprecated, use `as_tibble()` (but mind the new semantics).
## This warning is displayed once per session.

  ### Excluir conselhos da alimentacao escolar, transporte escolar e defesa civil
  Munic_2014_Conselhos <- select(Munic_2014_Conselhos, -c(A607, A615, A724))  

Calcular numero de conselhos

##Transformar os dados em indicadores. 
# Efetuar soma para determinar o número de conselhos de cada municipio
  Numero_conselhos <- Munic_2014_Conselhos %>% 
    mutate_at(vars(2:15), funs(ifelse(.=="Sim",1,0))) %>%
    mutate(Num_conselhos = rowSums(select(., -A1)))

## Warning: funs() is soft deprecated as of dplyr 0.8.0
## please use list() instead
## 
## # Before:
## funs(name = f(.)
## 
## # After: 
## list(name = ~f(.))
## This warning is displayed once per session.

# Verificar aplicação
apply(Numero_conselhos[2:15], 2, unique)

##      A545 A553 A587 A623 A633 A641 A649 A657 A665 A673 A681 A715 A732 A891
## [1,]    1    0    0    1    0    1    0    1    0    0    0    1    1    1
## [2,]    0    1    1    0    1    0    1    0    1    1    1    0    0    0

summary(Numero_conselhos$Num_conselhos)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   5.000   6.000   6.163   7.000  14.000

table(Numero_conselhos$Num_conselhos)

## 
##    0    1    2    3    4    5    6    7    8    9   10   11   12   13   14 
##    1    1    6  180  664 1377 1380  850  529  283  136  106   44   10    3

Incorporar variaveis auxiliares

#seleção das variaveis auxiliares  
Conselhos_Munic <- Munics_IPs %>% 
    select(A1:B6) %>% 
    left_join(suas, by = c("A1" = "IBGE")) 

#Junção das bases
Conselhos_Munic <- Conselhos_Munic %>% 
  left_join(select(Numero_conselhos, A1, Num_conselhos))

## Joining, by = "A1"

#descr(Conselhos_Munic$Num_conselhos)
#descr::freq(Conselhos_Munic$Num_conselhos)

Tabela 1

table_Num_Cons <- Numero_conselhos %>% 
  summarise_all(sum) %>% 
  gather() %>% 
  arrange(desc(value))

#table_Num_Cons

write_excel_csv2(table_Num_Cons, "Num. Conselhos.csv")

Histograma 1

# Histrograma
hist_1 <- ggplot(Conselhos_Munic, aes(Num_conselhos)) +
  geom_histogram(binwidth = 1, fill = "white", color = "black") +
  ggtitle("Histogram 1", subtitle = "Number of councils per municipality")+
  xlab("Number of councils") + ylab("Number of municipalities")+
  scale_y_continuous(limits = c(0,1550), breaks = seq(0,1500, 250))+
  #scale_x_continuous(limits = c(0, 18), breaks = seq(0, 20, 5))+
  theme_classic() +
  theme_hist

hist_1

Selecionar variaveis

#####################################################################
########### 2. Existencia de paridade nesse colegiados ##############
#####################################################################

## Criar índice para selecionar unicamente a pergunta "O conselho e paritario?"

  index_pari <- str_which(Legenda_Munic_2014$V4,"paritário") ##Coluna V4
  
  ## usar a coluna V17 que possui os codigos da base de dados
  Paridade_lista <- slice(Legenda_Munic_2014,index_pari) 
  
  #identificar os codigos de pergunta
  Paridade_codigo <- Paridade_lista$V17 

  ## Sel. apenas as colunas correspondentes a "O Conselho e paritario?"
  Munic_2014_Paridade <- select(Munic_2014, A1, Paridade_codigo)

  # Verificar rótulos
  sapply(Munic_2014_Paridade[2:18], FUN = unique) # Há um erro de digitação Naão sabe 

## $A547
## [1] "Naão sabe informar" "Sim"                "Não aplicável"     
## [4] "Não"                "Recusa"             "Não sabe informar" 
## 
## $A555
## [1] "Não aplicável"     "Sim"               "Não"              
## [4] "Recusa"            "Não sabe informar"
## 
## $A589
## [1] "Não aplicável" "Paritário"     "Não paritário" "Não informado"
## [5] "Recusa"       
## 
## $A609
## [1] "Paritário"     "Não aplicável" "Não paritário" "Não informado"
## [5] "Recusa"       
## 
## $A617
## [1] "Não aplicável" "Paritário"     "Não paritário" "Não informado"
## [5] "Recusa"       
## 
## $A625
## [1] "Paritário"     "Não aplicável" "Não paritário" "Recusa"       
## [5] "Não informado"
## 
## $A635
## [1] "Não aplicável" "Paritário"     "Não paritário" "Recusa"       
## [5] "Não informado"
## 
## $A643
## [1] "Paritário"     "Não aplicável" "Não paritário" "Recusa"       
## [5] "Não informado"
## 
## $A651
## [1] "Não aplicável" "Paritário"     "Não paritário" "Recusa"       
## [5] "Não informado"
## 
## $A659
## [1] "Paritário"     "Não aplicável" "Não paritário" "Não informado"
## [5] "Recusa"       
## 
## $A667
## [1] "Não aplicável" "Paritário"     "Não paritário" "Recusa"       
## [5] "Não informado"
## 
## $A675
## [1] "Não aplicável" "Recusa"        "Paritário"     "Não paritário"
## [5] "Não informado"
## 
## $A683
## [1] "Não aplicável" "Paritário"     "Não paritário" "Recusa"       
## [5] "Não informado"
## 
## $A717
## [1] "Não paritário"             "Paritário"                
## [3] "Não aplicável"             "Recusa"                   
## [5] "Não está em funcionamento" "Não informado"            
## 
## $A726
## [1] "Não aplicável"      "Paritário"          "Não paritário"     
## [4] "Recusa"             "Não soube informar" "Não informado"     
## 
## $A734
## [1] "Paritário"     "Não aplicável" "Não paritário" "Recusa"       
## [5] "Não informado"
## 
## $A893
## [1] "É paritário"                               
## [2] "Tem maior representação da sociedade civil"
## [3] "Tem maior representação governamental"     
## [4] "Não aplicável"                             
## [5] "Recusa"

  Munic_2014_Paridade$A547[1] <- "Não sabe informar"

  ### Excluir conselhos da alimentacao escolar, transporte escolar e defesa civil
  Munic_2014_Paridade <- select(Munic_2014_Paridade, -c(A609, A617, A726))

Calcular paridade

##Transformar dados em indicadores.
# Efetuamos a soma para determinar o numero de conselhos paritarios de cada municipio
Paridade_pond <- Munic_2014_Paridade %>% 
  mutate_at(vars(2:15), funs(paridade(.))) %>%  
  mutate(Paridade = rowSums(select(., -A1))) 

apply(Paridade_pond[2:16], 2, FUN = unique)

## $A547
## [1] 0 1
## 
## $A555
## [1] 0 1
## 
## $A589
## [1] 0 1
## 
## $A625
## [1] 1 0
## 
## $A635
## [1] 0 1
## 
## $A643
## [1] 1 0
## 
## $A651
## [1] 0 1
## 
## $A659
## [1] 1 0
## 
## $A667
## [1] 0 1
## 
## $A675
## [1] 0 1
## 
## $A683
## [1] 0 1
## 
## $A717
## [1] 0 1
## 
## $A734
## [1] 1 0
## 
## $A893
## [1] 1 0
## 
## $Paridade
##  [1]  5 11  9  6  3  7  8  4  2 10  0 12 14  1 13

### Juntar estes valores de paridade com a suas repectivos municipios
# Utilizar a tabela anterior 'Conselhos _Munic' que ja contem o numero de conselhos (deve primerio correr o indicador 1)
Paridade_Munic <- Conselhos_Munic%>%
  left_join(select(Paridade_pond, A1, Paridade))

## Joining, by = "A1"

glimpse(Paridade_Munic)

## Observations: 5,570
## Variables: 12
## $ A1            <dbl> 110001, 110002, 110003, 110004, 110005, 110006, ...
## $ A1a           <dbl> 1100015, 1100023, 1100031, 1100049, 1100056, 110...
## $ B1            <chr> "ALTA FLORESTA DOESTE", "ARIQUEMES", "CABIXI", "...
## $ B2            <dbl> 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, ...
## $ B3            <chr> "RO", "RO", "RO", "RO", "RO", "RO", "RO", "RO", ...
## $ B4            <chr> "1 - Norte", "1 - Norte", "1 - Norte", "1 - Nort...
## $ B5            <chr> "4 - 20001 até 50000", "6 - 100001 até 500000", ...
## $ B6            <dbl> 25578, 104401, 6355, 87226, 17986, 18817, 8842, ...
## $ Porte_pop2010 <chr> "Pequeno II", "Médio", "Pequeno I", "Médio", "Pe...
## $ Pop_Total2010 <dbl> 24392, 90353, 6313, 78574, 17029, 18591, 8783, 1...
## $ Num_conselhos <dbl> 7, 11, 5, 10, 6, 3, 3, 5, 6, 8, 6, 8, 4, 6, 6, 5...
## $ Paridade      <dbl> 5, 11, 5, 9, 6, 3, 3, 5, 5, 7, 6, 8, 4, 6, 5, 3,...

descr(Paridade_Munic$Paridade)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   5.000   6.000   5.834   7.000  14.000

freq(Paridade_Munic$Paridade)

## Paridade_Munic$Paridade 
##       Frequency   Percent
## 0             1   0.01795
## 1             2   0.03591
## 2            30   0.53860
## 3           276   4.95512
## 4           833  14.95512
## 5          1479  26.55296
## 6          1316  23.62657
## 7           774  13.89587
## 8           462   8.29443
## 9           214   3.84201
## 10          106   1.90305
## 11           50   0.89767
## 12           23   0.41293
## 13            2   0.03591
## 14            2   0.03591
## Total      5570 100.00000

Tabela

table_Num_pari <- Paridade_pond %>% 
  summarise_all(sum)%>% 
  gather() %>% 
  arrange(desc(value))

table_Num_pari

## # A tibble: 16 x 2
##    key           value
##    <chr>         <dbl>
##  1 A1       1812247557
##  2 Paridade      32493
##  3 A893           5515
##  4 A625           5429
##  5 A643           5378
##  6 A589           4496
##  7 A547           3503
##  8 A659           3365
##  9 A734           1199
## 10 A667           1042
## 11 A555            890
## 12 A717            561
## 13 A683            534
## 14 A635            304
## 15 A651            257
## 16 A675             20

write_excel_csv2(table_Num_pari, "Num. paritário.csv")

Histograma 2

# Histograma
hist_2 <- ggplot(Paridade_Munic, aes(Paridade)) +
  geom_histogram(binwidth = 1, fill = "white", color = "black") +
  ggtitle("Histogram 2", subtitle = "Number of joint councils, quantity per municipality")+
  xlab("Number of joint councils") + ylab("") +
  scale_y_continuous(limits = c(0,1550), breaks = seq(0,1500, 250))+
  #scale_x_continuous(limits = c(0,18), breaks = seq(0, 20, 5))+
  theme_classic()+
  theme_hist

hist_2

Deliberativos - Selecionar variaveis

###################################################################
############# 3. O Caráter debilerativo desses órgãos ############
#################################################################

##3.1. Criar indice para selecionar unicamente a pergunta "Deliberativo"
  
  ##Coluna V5 inclui o caráter do conselho
  index_deli <- str_which(Legenda_Munic_2014$V5,"Deliberativo") 

  ## Usar a coluna V17 que possui os códigos da base de dados
  Delib_lista <- slice(Legenda_Munic_2014,index_deli) 

  #identificar códigos de pergunta
  Delib_codigo <- Delib_lista$V17 

  ##Selecionamos apenas as colunas correspondentes a "Deliberativo"
  Munic_2014_Delib <- select(Munic_2014, A1, Delib_codigo)

  ### Excluir conselhos da alimentacao escolar, transporte escolar e defesa civil
  Munic_2014_Delib <- select(Munic_2014_Delib, -c(A611, A619, A728))
  
sapply(Munic_2014_Delib[2:15], 2, FUN = unique)

## $A549
## [1] "Sim"               "Não aplicável"     "Não"              
## [4] "Recusa"            "Não sabe informar"
## 
## $A557
## [1] "Não aplicável" "Sim"           "Não"           "Recusa"       
## 
## $A591
## [1] "Não aplicável" "Sim"           "Não"           "Não informado"
## [5] "Recusa"       
## 
## $A627
## [1] "Sim"           "Não"           "Não aplicável" "Recusa"       
## [5] "Não informado"
## 
## $A637
## [1] "Não aplicável" "Sim"           "Não"           "Recusa"       
## [5] "Não informado"
## 
## $A645
## [1] "Sim"           "Não"           "Não aplicável" "Recusa"       
## [5] "Não informado"
## 
## $A653
## [1] "Não aplicável" "Sim"           "Não"           "Recusa"       
## [5] "Não informado"
## 
## $A661
## [1] "Sim"           "Não aplicável" "Não"           "Não informado"
## [5] "Recusa"       
## 
## $A669
## [1] "Não aplicável" "Sim"           "Não"           "Recusa"       
## [5] "Não informado"
## 
## $A677
## [1] "Não aplicável" "Recusa"        "Sim"           "Não"          
## [5] "Não informado"
## 
## $A685
## [1] "Não aplicável" "Sim"           "Não"           "Recusa"       
## [5] "Não informado"
## 
## $A719
## [1] "Não"           "Sim"           "Não aplicável" "Recusa"       
## [5] "Não informado"
## 
## $A736
## [1] "Não"           "Sim"           "Não aplicável" "Recusa"       
## [5] "Não informado"
## 
## $A897
## [1] "Sim"           "Não"           "Não aplicável" "Recusa"

Calcular numero de deliberativos

##Transfor os dados em indicadores 
#efetuar a soma para determinar o número de conselhos deliberativos
Delib_pond <- Munic_2014_Delib %>% 
  mutate_at(vars(2:15), funs(carater(.)))%>%
  mutate(Deliberativos = rowSums(select(., -A1))) 

apply(Delib_pond[2:16], 2, unique)

## $A549
## [1] 1 0
## 
## $A557
## [1] 0 1
## 
## $A591
## [1] 0 1
## 
## $A627
## [1] 1 0
## 
## $A637
## [1] 0 1
## 
## $A645
## [1] 1 0
## 
## $A653
## [1] 0 1
## 
## $A661
## [1] 1 0
## 
## $A669
## [1] 0 1
## 
## $A677
## [1] 0 1
## 
## $A685
## [1] 0 1
## 
## $A719
## [1] 0 1
## 
## $A736
## [1] 0 1
## 
## $A897
## [1] 1 0
## 
## $Deliberativos
##  [1]  5 11  9  2  3  6  4  8 10  7  1  0 12 13

##Adicionamos os valores da tabela "Paridade_Munic"
Delib_Munic <- Paridade_Munic %>%
  left_join(select(Delib_pond, A1, Deliberativos))

## Joining, by = "A1"

glimpse(Delib_Munic)

## Observations: 5,570
## Variables: 13
## $ A1            <dbl> 110001, 110002, 110003, 110004, 110005, 110006, ...
## $ A1a           <dbl> 1100015, 1100023, 1100031, 1100049, 1100056, 110...
## $ B1            <chr> "ALTA FLORESTA DOESTE", "ARIQUEMES", "CABIXI", "...
## $ B2            <dbl> 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, ...
## $ B3            <chr> "RO", "RO", "RO", "RO", "RO", "RO", "RO", "RO", ...
## $ B4            <chr> "1 - Norte", "1 - Norte", "1 - Norte", "1 - Nort...
## $ B5            <chr> "4 - 20001 até 50000", "6 - 100001 até 500000", ...
## $ B6            <dbl> 25578, 104401, 6355, 87226, 17986, 18817, 8842, ...
## $ Porte_pop2010 <chr> "Pequeno II", "Médio", "Pequeno I", "Médio", "Pe...
## $ Pop_Total2010 <dbl> 24392, 90353, 6313, 78574, 17029, 18591, 8783, 1...
## $ Num_conselhos <dbl> 7, 11, 5, 10, 6, 3, 3, 5, 6, 8, 6, 8, 4, 6, 6, 5...
## $ Paridade      <dbl> 5, 11, 5, 9, 6, 3, 3, 5, 5, 7, 6, 8, 4, 6, 5, 3,...
## $ Deliberativos <dbl> 5, 11, 5, 9, 5, 2, 3, 5, 6, 4, 4, 8, 3, 5, 5, 5,...

# Plots
descr::freq(as.factor(Delib_pond$Deliberativos))

## as.factor(Delib_pond$Deliberativos) 
##       Frequency   Percent
## 0             5   0.08977
## 1            47   0.84381
## 2           160   2.87253
## 3           556   9.98205
## 4          1069  19.19210
## 5          1428  25.63734
## 6          1087  19.51526
## 7           601  10.78995
## 8           348   6.24776
## 9           162   2.90844
## 10           67   1.20287
## 11           32   0.57451
## 12            7   0.12567
## 13            1   0.01795
## Total      5570 100.00000

descr(Delib_pond$Deliberativos)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   4.000   5.000   5.304   6.000  13.000

Tabela deliberativos

table_Num_del <- Delib_pond %>% 
  summarise_all(sum)%>% 
  gather() %>% 
  arrange(desc(value))

table_Num_del

## # A tibble: 16 x 2
##    key                value
##    <chr>              <dbl>
##  1 A1            1812247557
##  2 Deliberativos      29541
##  3 A897                5335
##  4 A627                5006
##  5 A645                4916
##  6 A591                4101
##  7 A549                3238
##  8 A661                2939
##  9 A736                 994
## 10 A669                 907
## 11 A557                 731
## 12 A719                 436
## 13 A685                 434
## 14 A637                 278
## 15 A653                 211
## 16 A677                  15

write_excel_csv2(table_Num_del, "Num. deliberativos.csv")

Histograma deliberativos

### Histogram deliberativos
hist_3 <- ggplot(Delib_pond, aes(Deliberativos)) +
  geom_histogram(binwidth = 1, fill= "white", color="black") +
  ggtitle("Histogram 3", subtitle = "Number of deliberative councils, quantity per municipality")+
  xlab("Number of deliberative councils") + ylab("") +
  scale_y_continuous(limits = c(0,1550), breaks = seq(0,1500, 250))+
  scale_x_continuous(limits = c(0,18), breaks = seq(0, 20, 5))+
  theme_classic()+
  theme_hist

hist_3

## Warning: Removed 2 rows containing missing values (geom_bar).

Consultivos - Selecionar varivaveis

#######################################################################
##3.2. indice para selecionar unicamente a opção "Consultivo"###
#######################################################################
  
# Mesmo procedimento anterior
  index_consul <- str_which(Legenda_Munic_2014$V5,"Consultivo") 

  Consul_lista <- slice(Legenda_Munic_2014,index_consul) 

  Consul_codigo <- Consul_lista$V17 
  
  Munic_2014_Consul <- select(Munic_2014, A1, Consul_codigo)

  ### Excluir conselhos da alimentacao escolar, transporte escolar e defesa civil
  Munic_2014_Consul <- select(Munic_2014_Consul, -c(A610, A618, A727))
  
apply(Munic_2014_Consul[2:15], 2, FUN = unique)  

## $A548
## [1] "Sim"               "Não"               "Não aplicável"    
## [4] "Recusa"            "Não sabe informar"
## 
## $A556
## [1] "Não aplicável" "Sim"           "Não"           "Recusa"       
## 
## $A590
## [1] "Não aplicável" "Sim"           "Não"           "Não informado"
## [5] "Recusa"       
## 
## $A626
## [1] "Não"           "Sim"           "Não aplicável" "Recusa"       
## [5] "Não informado"
## 
## $A636
## [1] "Não aplicável" "Sim"           "Não"           "Recusa"       
## [5] "Não informado"
## 
## $A644
## [1] "Sim"           "Não"           "Não aplicável" "Recusa"       
## [5] "Não informado"
## 
## $A652
## [1] "Não aplicável" "Sim"           "Não"           "Recusa"       
## [5] "Não informado"
## 
## $A660
## [1] "Sim"           "Não"           "Não aplicável" "Não informado"
## [5] "Recusa"       
## 
## $A668
## [1] "Não aplicável" "Sim"           "Não"           "Recusa"       
## [5] "Não informado"
## 
## $A676
## [1] "Não aplicável" "Recusa"        "Sim"           "Não"          
## [5] "Não informado"
## 
## $A684
## [1] "Não aplicável" "Sim"           "Não"           "Recusa"       
## [5] "Não informado"
## 
## $A718
## [1] "Sim"           "Não aplicável" "Não"           "Recusa"       
## [5] "Não informado"
## 
## $A735
## [1] "Sim"           "Não aplicável" "Não"           "Recusa"       
## [5] "Não informado"
## 
## $A896
## [1] "Sim"           "Não"           "Não aplicável" "Recusa"

Calcular consultivos

## Transformar dados em indicadores 
# efetuamos a soma para determinar o número de conselhos consultivos
Consul_pond <- Munic_2014_Consul%>% 
  mutate_at(vars(2:15),funs(carater(.)))%>%
  mutate(Consultivos = rowSums(select(., -A1)))

apply(Consul_pond[2:16], 2, unique)

## $A548
## [1] 1 0
## 
## $A556
## [1] 0 1
## 
## $A590
## [1] 0 1
## 
## $A626
## [1] 0 1
## 
## $A636
## [1] 0 1
## 
## $A644
## [1] 1 0
## 
## $A652
## [1] 0 1
## 
## $A660
## [1] 1 0
## 
## $A668
## [1] 0 1
## 
## $A676
## [1] 0 1
## 
## $A684
## [1] 0 1
## 
## $A718
## [1] 1 0
## 
## $A735
## [1] 1 0
## 
## $A896
## [1] 1 0
## 
## $Consultivos
##  [1]  6 10  0  4  5  2  1  3  7  8 11  9 14 12 13

sum(Consul_pond$Consultivos)

## [1] 23849

##
descr(Consul_pond$Consultivos)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   3.000   4.000   4.282   6.000  14.000

descr::freq(as.factor(Consul_pond$Consultivos))

## as.factor(Consul_pond$Consultivos) 
##       Frequency   Percent
## 0            80   1.43627
## 1           341   6.12208
## 2           661  11.86715
## 3          1039  18.65350
## 4          1109  19.91023
## 5           893  16.03232
## 6           666  11.95691
## 7           379   6.80431
## 8           218   3.91382
## 9           106   1.90305
## 10           51   0.91562
## 11           18   0.32316
## 12            6   0.10772
## 13            1   0.01795
## 14            2   0.03591
## Total      5570 100.00000

glimpse(Consul_pond)

## Observations: 5,570
## Variables: 16
## $ A1          <dbl> 110001, 110002, 110003, 110004, 110005, 110006, 11...
## $ A548        <dbl> 1, 0, 0, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0,...
## $ A556        <dbl> 0, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1,...
## $ A590        <dbl> 0, 1, 0, 1, 0, 0, 0, 1, 0, 1, 0, 1, 0, 0, 1, 1, 1,...
## $ A626        <dbl> 0, 1, 0, 1, 1, 0, 0, 1, 0, 0, 0, 1, 1, 0, 1, 0, 0,...
## $ A636        <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0,...
## $ A644        <dbl> 1, 1, 0, 0, 1, 1, 0, 1, 0, 1, 0, 0, 1, 1, 1, 0, 1,...
## $ A652        <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1,...
## $ A660        <dbl> 1, 1, 0, 0, 0, 0, 0, 1, 1, 1, 1, 0, 0, 1, 1, 0, 1,...
## $ A668        <dbl> 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 1,...
## $ A676        <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,...
## $ A684        <dbl> 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,...
## $ A718        <dbl> 1, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0,...
## $ A735        <dbl> 1, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 1, 0, 0, 1,...
## $ A896        <dbl> 1, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 0, 0, 1, 0,...
## $ Consultivos <dbl> 6, 10, 0, 4, 5, 2, 1, 5, 3, 7, 3, 4, 4, 4, 5, 3, 7...

##Adicionamos os valores na tabela "Delib_Munic"
Consul_Munic <- Delib_Munic %>% 
  left_join(select(Consul_pond, A1, Consultivos))

## Joining, by = "A1"

glimpse(Consul_Munic)

## Observations: 5,570
## Variables: 14
## $ A1            <dbl> 110001, 110002, 110003, 110004, 110005, 110006, ...
## $ A1a           <dbl> 1100015, 1100023, 1100031, 1100049, 1100056, 110...
## $ B1            <chr> "ALTA FLORESTA DOESTE", "ARIQUEMES", "CABIXI", "...
## $ B2            <dbl> 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, ...
## $ B3            <chr> "RO", "RO", "RO", "RO", "RO", "RO", "RO", "RO", ...
## $ B4            <chr> "1 - Norte", "1 - Norte", "1 - Norte", "1 - Nort...
## $ B5            <chr> "4 - 20001 até 50000", "6 - 100001 até 500000", ...
## $ B6            <dbl> 25578, 104401, 6355, 87226, 17986, 18817, 8842, ...
## $ Porte_pop2010 <chr> "Pequeno II", "Médio", "Pequeno I", "Médio", "Pe...
## $ Pop_Total2010 <dbl> 24392, 90353, 6313, 78574, 17029, 18591, 8783, 1...
## $ Num_conselhos <dbl> 7, 11, 5, 10, 6, 3, 3, 5, 6, 8, 6, 8, 4, 6, 6, 5...
## $ Paridade      <dbl> 5, 11, 5, 9, 6, 3, 3, 5, 5, 7, 6, 8, 4, 6, 5, 3,...
## $ Deliberativos <dbl> 5, 11, 5, 9, 5, 2, 3, 5, 6, 4, 4, 8, 3, 5, 5, 5,...
## $ Consultivos   <dbl> 6, 10, 0, 4, 5, 2, 1, 5, 3, 7, 3, 4, 4, 4, 5, 3,...

Tabela Consultivos

## table
table_Num_Cons <- Consul_pond %>% 
  summarise_all(sum)%>% 
  gather() %>% 
  arrange(desc(value))

table_Num_Cons

## # A tibble: 16 x 2
##    key              value
##    <chr>            <dbl>
##  1 A1          1812247557
##  2 Consultivos      23849
##  3 A590              4166
##  4 A644              3394
##  5 A626              3302
##  6 A896              3261
##  7 A548              3064
##  8 A660              2431
##  9 A735              1308
## 10 A668               772
## 11 A556               710
## 12 A684               497
## 13 A718               495
## 14 A636               222
## 15 A652               212
## 16 A676                15

write_excel_csv2(table_Num_Cons, "table_Num_Cons.csv")

Histograma consultivos

### Histogram Consultivos
hist_4 <- ggplot(Consul_pond, aes(Consultivos)) +
  geom_histogram(binwidth = 1, fill= "white", color="black") +
  ggtitle("Histogram 4", subtitle = "Number of consultative councils, quantity per municipality")+
  xlab("Number of consultative councils") + ylab("Number of municipalities")+
  scale_y_continuous(limits = c(0,1550), breaks = seq(0,1500, 250))+
  #scale_x_continuous(limits = c(0,18), breaks = seq(0, 20, 5)) +
  theme_classic()+
  theme_hist

hist_4

Normativos - Selecionar variaveis

##3.3. indice para selecionar unicamente a opção "Normativo"

# Mesmo procedimento
index_norma <- str_which(Legenda_Munic_2014$V5,"Normativo") 

Norma_lista <- slice(Legenda_Munic_2014,index_norma) 

Norma_codigo <- Norma_lista$V17 

Munic_2014_Norma <- select(Munic_2014,A1, Norma_codigo)

### Excluir conselhos da alimentacao escolar, transporte escolar e defesa civil
  Munic_2014_Norma <- select(Munic_2014_Norma, -c(A612, A620, A729))

Calcular normativos

##Transformamos os dados em indicadores
Norma_pond <- Munic_2014_Norma %>% 
  mutate_at(vars(2:15), funs(carater(.)))%>%
  mutate(Normativos = rowSums(select(., - A1))) 

apply(Norma_pond[2:16], 2, unique)

## $A550
## [1] 0 1
## 
## $A558
## [1] 0 1
## 
## $A592
## [1] 0 1
## 
## $A628
## [1] 0 1
## 
## $A638
## [1] 0 1
## 
## $A646
## [1] 0 1
## 
## $A654
## [1] 0 1
## 
## $A662
## [1] 0 1
## 
## $A670
## [1] 0 1
## 
## $A678
## [1] 0 1
## 
## $A686
## [1] 0 1
## 
## $A720
## [1] 0 1
## 
## $A737
## [1] 0 1
## 
## $A898
## [1] 1 0
## 
## $Normativos
##  [1]  1  8  0  3  6  2  5  7  4 10  9 11 12

descr(Norma_pond$Normativos)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   2.000   3.000   3.058   4.000  12.000

descr::freq(as.factor(Norma_pond$Normativos))

## as.factor(Norma_pond$Normativos) 
##       Frequency   Percent
## 0           320   5.74506
## 1           845  15.17056
## 2          1199  21.52603
## 3          1159  20.80790
## 4           887  15.92460
## 5           607  10.89767
## 6           304   5.45781
## 7           135   2.42370
## 8            80   1.43627
## 9            21   0.37702
## 10           10   0.17953
## 11            2   0.03591
## 12            1   0.01795
## Total      5570 100.00000

##Adicionamos os valores na tabela "Delib_Munic"
Norma_Munic <- Consul_Munic %>% 
  left_join(select(Norma_pond, A1, Normativos))

## Joining, by = "A1"

glimpse(Norma_Munic)

## Observations: 5,570
## Variables: 15
## $ A1            <dbl> 110001, 110002, 110003, 110004, 110005, 110006, ...
## $ A1a           <dbl> 1100015, 1100023, 1100031, 1100049, 1100056, 110...
## $ B1            <chr> "ALTA FLORESTA DOESTE", "ARIQUEMES", "CABIXI", "...
## $ B2            <dbl> 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, ...
## $ B3            <chr> "RO", "RO", "RO", "RO", "RO", "RO", "RO", "RO", ...
## $ B4            <chr> "1 - Norte", "1 - Norte", "1 - Norte", "1 - Nort...
## $ B5            <chr> "4 - 20001 até 50000", "6 - 100001 até 500000", ...
## $ B6            <dbl> 25578, 104401, 6355, 87226, 17986, 18817, 8842, ...
## $ Porte_pop2010 <chr> "Pequeno II", "Médio", "Pequeno I", "Médio", "Pe...
## $ Pop_Total2010 <dbl> 24392, 90353, 6313, 78574, 17029, 18591, 8783, 1...
## $ Num_conselhos <dbl> 7, 11, 5, 10, 6, 3, 3, 5, 6, 8, 6, 8, 4, 6, 6, 5...
## $ Paridade      <dbl> 5, 11, 5, 9, 6, 3, 3, 5, 5, 7, 6, 8, 4, 6, 5, 3,...
## $ Deliberativos <dbl> 5, 11, 5, 9, 5, 2, 3, 5, 6, 4, 4, 8, 3, 5, 5, 5,...
## $ Consultivos   <dbl> 6, 10, 0, 4, 5, 2, 1, 5, 3, 7, 3, 4, 4, 4, 5, 3,...
## $ Normativos    <dbl> 1, 8, 0, 3, 6, 2, 1, 5, 1, 5, 1, 6, 1, 5, 5, 3, ...

Tabela Normativos

# Table
table_Num_Norma <- Norma_pond %>% 
  summarise_all(sum)%>% 
  gather() %>% 
  arrange(desc(value))

table_Num_Norma

## # A tibble: 16 x 2
##    key             value
##    <chr>           <dbl>
##  1 A1         1812247557
##  2 Normativos      17035
##  3 A592             3270
##  4 A898             3055
##  5 A646             2805
##  6 A628             2586
##  7 A550             1612
##  8 A662             1598
##  9 A737              522
## 10 A670              471
## 11 A558              406
## 12 A686              229
## 13 A720              195
## 14 A638              162
## 15 A654              115
## 16 A678                9

write_excel_csv2(table_Num_Norma, "table_Num_Norma.csv")

### Histogram normativos
hist_5 <- ggplot(Norma_pond, aes(Normativos)) +
  geom_histogram(binwidth = 1, fill= "white", color="black") +
  ggtitle("Histogram 5", subtitle = "Number of normative councils, quantity per municipality")+
  xlab("Number of normative councils") + ylab("")+
  scale_y_continuous(limits = c(0,1550), breaks = seq(0,1500, 250))+
  scale_x_continuous(limits = c(0,18), breaks = seq(0, 20, 5)) +
  theme_classic()+
  theme_hist

hist_5

## Warning: Removed 2 rows containing missing values (geom_bar).

Fiscalizadores - Selecionar variaveis

##3.4. indice para selecionar unicamente a opção "Fiscalizador"

# Mesmo procedimento
  index_fisca <- str_which(Legenda_Munic_2014$V5,"Fiscalizador") 

  Fisca_lista <- slice(Legenda_Munic_2014,index_fisca) 

  Fisca_codigo <- Fisca_lista$V17 

  Munic_2014_Fisca <- select(Munic_2014, A1, Fisca_codigo)

  ### Excluir conselhos da alimentacao escolar, transporte escolar e defesa civil
  Munic_2014_Fisca <- select(Munic_2014_Fisca, -c(A613, A621, A730))

Calcular Fiscalizadores

##Transformamos os dados em indicadores 
# Efetuar a soma para determinar o número de conselhos fiscalizadores
Fisca_pond <- Munic_2014_Fisca %>% 
  mutate_at(vars(2:15),funs(carater(.)))%>%
  mutate(Fiscalizadores = rowSums(select(., - A1))) 

apply(Fisca_pond[2:16], 2, unique)

## $A551
## [1] 1 0
## 
## $A559
## [1] 0 1
## 
## $A593
## [1] 0 1
## 
## $A629
## [1] 0 1
## 
## $A639
## [1] 0 1
## 
## $A647
## [1] 0 1
## 
## $A655
## [1] 0 1
## 
## $A663
## [1] 0 1
## 
## $A671
## [1] 0 1
## 
## $A679
## [1] 0 1
## 
## $A687
## [1] 0 1
## 
## $A721
## [1] 0 1
## 
## $A738
## [1] 0 1
## 
## $A899
## [1] 1 0
## 
## $Fiscalizadores
##  [1]  2  9  4  3  5  6  8  1  7 10  0 12 11

glimpse(Fisca_pond)

## Observations: 5,570
## Variables: 16
## $ A1             <dbl> 110001, 110002, 110003, 110004, 110005, 110006,...
## $ A551           <dbl> 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 1, 0, 0,...
## $ A559           <dbl> 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0,...
## $ A593           <dbl> 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 1, 0, 0, 1, 1,...
## $ A629           <dbl> 0, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 0, 1, 1, 1,...
## $ A639           <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0,...
## $ A647           <dbl> 0, 1, 1, 0, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 0,...
## $ A655           <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,...
## $ A663           <dbl> 0, 1, 1, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 1, 1, 0,...
## $ A671           <dbl> 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,...
## $ A679           <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,...
## $ A687           <dbl> 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,...
## $ A721           <dbl> 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1,...
## $ A738           <dbl> 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0,...
## $ A899           <dbl> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,...
## $ Fiscalizadores <dbl> 2, 9, 4, 3, 4, 3, 2, 5, 3, 6, 4, 4, 2, 6, 5, 4,...

##
descr::freq(as.factor(Fisca_pond$Fiscalizadores))

## as.factor(Fisca_pond$Fiscalizadores) 
##       Frequency   Percent
## 0            25   0.44883
## 1           196   3.51885
## 2           519   9.31777
## 3           984  17.66607
## 4          1317  23.64452
## 5          1206  21.65171
## 6           683  12.26212
## 7           352   6.31957
## 8           186   3.33932
## 9            63   1.13106
## 10           26   0.46679
## 11            9   0.16158
## 12            4   0.07181
## Total      5570 100.00000

##Adicionar os valores à tabela "Delib_Munic"
Fisca_Munic <- Norma_Munic %>% 
  left_join(select(Fisca_pond,A1, Fiscalizadores))

## Joining, by = "A1"

glimpse(Fisca_Munic) 

## Observations: 5,570
## Variables: 16
## $ A1             <dbl> 110001, 110002, 110003, 110004, 110005, 110006,...
## $ A1a            <dbl> 1100015, 1100023, 1100031, 1100049, 1100056, 11...
## $ B1             <chr> "ALTA FLORESTA DOESTE", "ARIQUEMES", "CABIXI", ...
## $ B2             <dbl> 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11,...
## $ B3             <chr> "RO", "RO", "RO", "RO", "RO", "RO", "RO", "RO",...
## $ B4             <chr> "1 - Norte", "1 - Norte", "1 - Norte", "1 - Nor...
## $ B5             <chr> "4 - 20001 até 50000", "6 - 100001 até 500000",...
## $ B6             <dbl> 25578, 104401, 6355, 87226, 17986, 18817, 8842,...
## $ Porte_pop2010  <chr> "Pequeno II", "Médio", "Pequeno I", "Médio", "P...
## $ Pop_Total2010  <dbl> 24392, 90353, 6313, 78574, 17029, 18591, 8783, ...
## $ Num_conselhos  <dbl> 7, 11, 5, 10, 6, 3, 3, 5, 6, 8, 6, 8, 4, 6, 6, ...
## $ Paridade       <dbl> 5, 11, 5, 9, 6, 3, 3, 5, 5, 7, 6, 8, 4, 6, 5, 3...
## $ Deliberativos  <dbl> 5, 11, 5, 9, 5, 2, 3, 5, 6, 4, 4, 8, 3, 5, 5, 5...
## $ Consultivos    <dbl> 6, 10, 0, 4, 5, 2, 1, 5, 3, 7, 3, 4, 4, 4, 5, 3...
## $ Normativos     <dbl> 1, 8, 0, 3, 6, 2, 1, 5, 1, 5, 1, 6, 1, 5, 5, 3,...
## $ Fiscalizadores <dbl> 2, 9, 4, 3, 4, 3, 2, 5, 3, 6, 4, 4, 2, 6, 5, 4,...

descr(Fisca_Munic$Fiscalizadores)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     0.0     3.0     4.0     4.4     5.0    12.0

freq(Fisca_Munic$Fiscalizadores)

## Fisca_Munic$Fiscalizadores 
##       Frequency   Percent
## 0            25   0.44883
## 1           196   3.51885
## 2           519   9.31777
## 3           984  17.66607
## 4          1317  23.64452
## 5          1206  21.65171
## 6           683  12.26212
## 7           352   6.31957
## 8           186   3.33932
## 9            63   1.13106
## 10           26   0.46679
## 11            9   0.16158
## 12            4   0.07181
## Total      5570 100.00000

Tabela fiscalizadores

### table
# Table
table_Num_Fisc <- Fisca_pond %>% 
  summarise_all(sum)%>% 
  gather() %>% 
  arrange(desc(value))

table_Num_Fisc

## # A tibble: 16 x 2
##    key                 value
##    <chr>               <dbl>
##  1 A1             1812247557
##  2 Fiscalizadores      24508
##  3 A899                 4742
##  4 A629                 4325
##  5 A647                 4099
##  6 A593                 3816
##  7 A663                 2366
##  8 A551                 1829
##  9 A738                  853
## 10 A671                  725
## 11 A559                  619
## 12 A687                  371
## 13 A721                  358
## 14 A639                  230
## 15 A655                  161
## 16 A679                   14

write_excel_csv2(table_Num_Fisc, "table_Num_Fisc.csv")

Histograma fiscalizadores

### Histogram
hist_6 <- ggplot(Fisca_Munic, aes(Fiscalizadores)) +
  geom_histogram(binwidth = 1, fill = "white", color="black") +
  scale_y_continuous(limits = c(0,1550), breaks = seq(0,1500, 250))+
  scale_x_continuous(limits = c(0,18), breaks = seq(0, 20, 5)) +
  ggtitle("Histogram 6", subtitle = "Number of watchdog councils, quantity per municipality")+
  xlab("Number of watchdog councils") + ylab("")+
  theme_classic()+
  theme_hist

hist_6

## Warning: Removed 2 rows containing missing values (geom_bar).

Selecionar variaveis

#####################################################################
######### 4. Quantidade de reuniões nos últimos 12 meses ##########
#####################################################################

## indice para selecionar unicamente a pergunta "número de rueniões?"
index_reu <- str_which(Legenda_Munic_2014$V4,"reuni") ##Coluna V4

Reuni_lista <- Legenda_Munic_2014 %>% 
  slice(index_reu) %>% 
  slice(-4)## tirar fila 4. Conselho do Fundeb; porque é um "conselho de controle...", mas que não tem as outras caracteristicas para avalair, Ou seja, não pode ser avalaido da mesma forma que os outros conselhos, portanto tiro fora da lista

Reuni_codigo <- Reuni_lista$V17 #extraimos os códigos de cada pergunta

##Selecionamos apenas as colunas correspondentes a "número de reuniões"
Munic_2014_Reuni <- select(Munic_2014,A1, Reuni_codigo)

### Excluir conselhos da alimentacao escolar, transporte escolar e defesa civil
  Munic_2014_Reuni <- select(Munic_2014_Reuni, -c(A614, A622, A731))


# Solução simples # Introdução de NAs
Munic_2014_Reuni <- Munic_2014_Reuni %>% 
  mutate_if(is.factor, as.character) %>%  
  mutate_if(is.character, as.numeric)

## Warning: NAs introduced by coercion

## Warning: NAs introduced by coercion

## Warning: NAs introduced by coercion

## Warning: NAs introduced by coercion

## Warning: NAs introduced by coercion

## Warning: NAs introduced by coercion

## Warning: NAs introduced by coercion

## Warning: NAs introduced by coercion

## Warning: NAs introduced by coercion

## Warning: NAs introduced by coercion

## Warning: NAs introduced by coercion

## Warning: NAs introduced by coercion

## Warning: NAs introduced by coercion

## Warning: NAs introduced by coercion

glimpse(Munic_2014_Reuni)

## Observations: 5,570
## Variables: 15
## $ A1   <dbl> 110001, 110002, 110003, 110004, 110005, 110006, 110007, 1...
## $ A552 <dbl> 8, 9, 6, NA, 8, NA, NA, NA, 18, 0, 0, NA, NA, 12, 0, NA, ...
## $ A560 <dbl> NA, 2, NA, 8, 6, NA, NA, NA, NA, 12, NA, NA, NA, NA, NA, ...
## $ A594 <dbl> NA, 24, NA, 21, NA, NA, NA, 33, NA, 18, NA, 66, NA, NA, 1...
## $ A630 <dbl> 14, 16, 12, 12, 12, 12, 13, 14, 12, 10, 12, 12, 12, 8, 12...
## $ A640 <dbl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, 12, NA, NA, N...
## $ A648 <dbl> 2, 12, 4, 15, 4, 6, 8, 12, 13, 12, 12, 12, 12, 12, 12, 6,...
## $ A656 <dbl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, N...
## $ A664 <dbl> 1, 5, 0, 12, 3, NA, NA, 10, 0, 5, 8, 1, NA, 6, 12, NA, 12...
## $ A672 <dbl> NA, 0, NA, 10, NA, NA, NA, NA, NA, 10, NA, 12, NA, NA, NA...
## $ A680 <dbl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, N...
## $ A688 <dbl> NA, 0, NA, 10, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA...
## $ A722 <dbl> 0, 7, NA, 2, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, ...
## $ A739 <dbl> 0, 12, NA, 0, NA, NA, NA, NA, 0, NA, 5, 0, 3, 0, NA, NA, ...
## $ A895 <dbl> 12, 18, 8, 18, 9, 7, 16, 12, 9, 8, 19, 6, 6, 2, 17, 3, 15...

descr::descr(Munic_2014_Reuni[2:15])

##       A552             A560             A594              A630      
##  Min.   : 0.000   Min.   : 0.000   Min.   :  0.000   Min.   : 0.00  
##  1st Qu.: 1.000   1st Qu.: 0.000   1st Qu.:  3.000   1st Qu.: 9.00  
##  Median : 3.000   Median : 4.000   Median :  6.000   Median :12.00  
##  Mean   : 4.455   Mean   : 5.304   Mean   :  7.804   Mean   :11.27  
##  3rd Qu.: 6.000   3rd Qu.:10.000   3rd Qu.: 12.000   3rd Qu.:12.00  
##  Max.   :60.000   Max.   :60.000   Max.   :120.000   Max.   :96.00  
##  NA's   :1832     NA's   :4619     NA's   :712       NA's   :32     
##       A640             A648              A656             A664        
##  Min.   : 0.000   Min.   :  0.000   Min.   : 0.000   Min.   :  0.000  
##  1st Qu.: 3.000   1st Qu.:  5.000   1st Qu.: 1.000   1st Qu.:  2.000  
##  Median : 8.000   Median :  8.000   Median : 6.000   Median :  5.000  
##  Mean   : 7.763   Mean   :  8.823   Mean   : 6.487   Mean   :  6.038  
##  3rd Qu.:12.000   3rd Qu.: 12.000   3rd Qu.:12.000   3rd Qu.: 11.000  
##  Max.   :34.000   Max.   :288.000   Max.   :24.000   Max.   :112.000  
##  NA's   :5253     NA's   :157       NA's   :5297     NA's   :2175     
##       A672             A680             A688             A722       
##  Min.   : 0.000   Min.   : 0.000   Min.   : 0.000   Min.   : 0.000  
##  1st Qu.: 1.000   1st Qu.: 1.000   1st Qu.: 0.000   1st Qu.: 0.000  
##  Median : 6.000   Median : 2.000   Median : 4.000   Median : 4.000  
##  Mean   : 6.302   Mean   : 4.905   Mean   : 5.198   Mean   : 4.969  
##  3rd Qu.:12.000   3rd Qu.:10.000   3rd Qu.:10.000   3rd Qu.: 9.000  
##  Max.   :58.000   Max.   :14.000   Max.   :48.000   Max.   :24.000  
##  NA's   :4489     NA's   :5549     NA's   :4974     NA's   :4897    
##       A739             A895       
##  Min.   : 0.000   Min.   :  0.00  
##  1st Qu.: 0.000   1st Qu.:  6.00  
##  Median : 2.000   Median : 11.00  
##  Mean   : 3.843   Mean   : 10.28  
##  3rd Qu.: 6.000   3rd Qu.: 12.00  
##  Max.   :24.000   Max.   :150.00  
##  NA's   :3955     NA's   :36

boxplot(Munic_2014_Reuni[2:15]) # explorar

Manipular outliers

# Substituir outliers antes de somar o total por mun. 
#Substituir 5% dos maiores outliers 

# identificar outs.
out <- boxplot(Munic_2014_Reuni[2:15])$out

summary(out) 

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     0.0     4.0    20.0    22.2    26.0   288.0

length(out) # 1141

## [1] 1141

# idenficar 5% dos outs.
5*length(out)/100 # 1141 casos, ~5% = 57 casos

## [1] 57.05

# Guardar 5% dos outliers - Valores máximos
out_5 <- tail(sort(out), 57)
out_5

##  [1]  50  50  50  50  50  50  50  50  50  51  52  53  54  55  55  55  56
## [18]  56  58  60  60  60  60  60  63  64  66  66  67  69  75  88  88  88
## [35]  88  88  88  92  92  96  96  96  96  96 101 101 104 105 108 108 112
## [52] 114 120 123 150 193 288

length(out_5)

## [1] 57

summary(out_5) # valor mínimo 50; subtituir todos os valores maiores por este;

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   50.00   55.00   67.00   82.18   96.00  288.00

######## Aplicar exclusão de outliers
Munic_2014_Reuni <- Munic_2014_Reuni %>% 
  mutate_at( vars(2:15),~ifelse(.x %in% out_5, 50, .x))

boxplot(Munic_2014_Reuni[2:15])

summary(Munic_2014_Reuni) # Valor máximo 50;

##        A1              A552             A560             A594       
##  Min.   :110001   Min.   : 0.000   Min.   : 0.000   Min.   : 0.000  
##  1st Qu.:251213   1st Qu.: 1.000   1st Qu.: 0.000   1st Qu.: 3.000  
##  Median :314628   Median : 3.000   Median : 4.000   Median : 6.000  
##  Mean   :325359   Mean   : 4.452   Mean   : 5.293   Mean   : 7.667  
##  3rd Qu.:411919   3rd Qu.: 6.000   3rd Qu.:10.000   3rd Qu.:12.000  
##  Max.   :530010   Max.   :50.000   Max.   :50.000   Max.   :50.000  
##                   NA's   :1832     NA's   :4619     NA's   :712     
##       A630            A640             A648             A656       
##  Min.   : 0.00   Min.   : 0.000   Min.   : 0.000   Min.   : 0.000  
##  1st Qu.: 9.00   1st Qu.: 3.000   1st Qu.: 5.000   1st Qu.: 1.000  
##  Median :12.00   Median : 8.000   Median : 8.000   Median : 6.000  
##  Mean   :11.25   Mean   : 7.763   Mean   : 8.716   Mean   : 6.487  
##  3rd Qu.:12.00   3rd Qu.:12.000   3rd Qu.:12.000   3rd Qu.:12.000  
##  Max.   :50.00   Max.   :34.000   Max.   :50.000   Max.   :24.000  
##  NA's   :32      NA's   :5253     NA's   :157      NA's   :5297    
##       A664             A672             A680             A688       
##  Min.   : 0.000   Min.   : 0.000   Min.   : 0.000   Min.   : 0.000  
##  1st Qu.: 2.000   1st Qu.: 1.000   1st Qu.: 1.000   1st Qu.: 0.000  
##  Median : 5.000   Median : 6.000   Median : 2.000   Median : 4.000  
##  Mean   : 5.994   Mean   : 6.295   Mean   : 4.905   Mean   : 5.198  
##  3rd Qu.:11.000   3rd Qu.:12.000   3rd Qu.:10.000   3rd Qu.:10.000  
##  Max.   :50.000   Max.   :50.000   Max.   :14.000   Max.   :48.000  
##  NA's   :2175     NA's   :4489     NA's   :5549     NA's   :4974    
##       A722             A739             A895      
##  Min.   : 0.000   Min.   : 0.000   Min.   : 0.00  
##  1st Qu.: 0.000   1st Qu.: 0.000   1st Qu.: 6.00  
##  Median : 4.000   Median : 2.000   Median :11.00  
##  Mean   : 4.969   Mean   : 3.843   Mean   :10.23  
##  3rd Qu.: 9.000   3rd Qu.: 6.000   3rd Qu.:12.00  
##  Max.   :24.000   Max.   :24.000   Max.   :50.00  
##  NA's   :4897     NA's   :3955     NA's   :36

Calcular reunioes

## Somar
Reuni_pond <- Munic_2014_Reuni %>% 
  #mutate_all(funs(ifelse(.=="Não aplicável",NA,.)))%>%
  mutate(Num_reunioes = rowSums(select(., -A1), na.rm = T))

### 
descr::descr(Reuni_pond)

##        A1              A552             A560             A594       
##  Min.   :110001   Min.   : 0.000   Min.   : 0.000   Min.   : 0.000  
##  1st Qu.:251213   1st Qu.: 1.000   1st Qu.: 0.000   1st Qu.: 3.000  
##  Median :314628   Median : 3.000   Median : 4.000   Median : 6.000  
##  Mean   :325359   Mean   : 4.452   Mean   : 5.293   Mean   : 7.667  
##  3rd Qu.:411919   3rd Qu.: 6.000   3rd Qu.:10.000   3rd Qu.:12.000  
##  Max.   :530010   Max.   :50.000   Max.   :50.000   Max.   :50.000  
##                   NA's   :1832     NA's   :4619     NA's   :712     
##       A630            A640             A648             A656       
##  Min.   : 0.00   Min.   : 0.000   Min.   : 0.000   Min.   : 0.000  
##  1st Qu.: 9.00   1st Qu.: 3.000   1st Qu.: 5.000   1st Qu.: 1.000  
##  Median :12.00   Median : 8.000   Median : 8.000   Median : 6.000  
##  Mean   :11.25   Mean   : 7.763   Mean   : 8.716   Mean   : 6.487  
##  3rd Qu.:12.00   3rd Qu.:12.000   3rd Qu.:12.000   3rd Qu.:12.000  
##  Max.   :50.00   Max.   :34.000   Max.   :50.000   Max.   :24.000  
##  NA's   :32      NA's   :5253     NA's   :157      NA's   :5297    
##       A664             A672             A680             A688       
##  Min.   : 0.000   Min.   : 0.000   Min.   : 0.000   Min.   : 0.000  
##  1st Qu.: 2.000   1st Qu.: 1.000   1st Qu.: 1.000   1st Qu.: 0.000  
##  Median : 5.000   Median : 6.000   Median : 2.000   Median : 4.000  
##  Mean   : 5.994   Mean   : 6.295   Mean   : 4.905   Mean   : 5.198  
##  3rd Qu.:11.000   3rd Qu.:12.000   3rd Qu.:10.000   3rd Qu.:10.000  
##  Max.   :50.000   Max.   :50.000   Max.   :14.000   Max.   :48.000  
##  NA's   :2175     NA's   :4489     NA's   :5549     NA's   :4974    
##       A722             A739             A895        Num_reunioes   
##  Min.   : 0.000   Min.   : 0.000   Min.   : 0.00   Min.   :  0.00  
##  1st Qu.: 0.000   1st Qu.: 0.000   1st Qu.: 6.00   1st Qu.: 32.00  
##  Median : 4.000   Median : 2.000   Median :11.00   Median : 42.00  
##  Mean   : 4.969   Mean   : 3.843   Mean   :10.23   Mean   : 48.32  
##  3rd Qu.: 9.000   3rd Qu.: 6.000   3rd Qu.:12.00   3rd Qu.: 57.00  
##  Max.   :24.000   Max.   :24.000   Max.   :50.00   Max.   :263.00  
##  NA's   :4897     NA's   :3955     NA's   :36

descr::freq(as.factor(Reuni_pond$Num_reunioes))

## as.factor(Reuni_pond$Num_reunioes) 
##       Frequency   Percent
## 0             1   0.01795
## 2             1   0.01795
## 3             2   0.03591
## 4             3   0.05386
## 6             2   0.03591
## 7             4   0.07181
## 8             7   0.12567
## 9             4   0.07181
## 10            2   0.03591
## 11           12   0.21544
## 12           12   0.21544
## 13           10   0.17953
## 14           14   0.25135
## 15           23   0.41293
## 16           29   0.52065
## 17           23   0.41293
## 18           35   0.62837
## 19           25   0.44883
## 20           54   0.96948
## 21           60   1.07720
## 22           75   1.34650
## 23           61   1.09515
## 24           75   1.34650
## 25           74   1.32855
## 26          106   1.90305
## 27          104   1.86715
## 28          126   2.26212
## 29          118   2.11849
## 30          140   2.51346
## 31          149   2.67504
## 32          120   2.15440
## 33          130   2.33393
## 34          134   2.40575
## 35          128   2.29803
## 36          184   3.30341
## 37          131   2.35189
## 38          150   2.69300
## 39          117   2.10054
## 40          139   2.49551
## 41          119   2.13645
## 42          142   2.54937
## 43          127   2.28007
## 44          128   2.29803
## 45          108   1.93896
## 46          108   1.93896
## 47           88   1.57989
## 48          109   1.95691
## 49           89   1.59785
## 50           99   1.77738
## 51           95   1.70557
## 52          101   1.81329
## 53           65   1.16697
## 54           79   1.41831
## 55           59   1.05925
## 56           70   1.25673
## 57           53   0.95153
## 58           81   1.45422
## 59           47   0.84381
## 60           49   0.87971
## 61           62   1.11311
## 62           40   0.71813
## 63           43   0.77199
## 64           48   0.86176
## 65           39   0.70018
## 66           37   0.66427
## 67           32   0.57451
## 68           34   0.61041
## 69           33   0.59246
## 70           30   0.53860
## 71           37   0.66427
## 72           31   0.55655
## 73           26   0.46679
## 74           26   0.46679
## 75           28   0.50269
## 76           25   0.44883
## 77           19   0.34111
## 78           25   0.44883
## 79           17   0.30521
## 80           12   0.21544
## 81           12   0.21544
## 82           13   0.23339
## 83           17   0.30521
## 84           18   0.32316
## 85           13   0.23339
## 86           13   0.23339
## 87           10   0.17953
## 88           17   0.30521
## 89           13   0.23339
## 90           15   0.26930
## 91           15   0.26930
## 92           11   0.19749
## 93           17   0.30521
## 94           11   0.19749
## 95           14   0.25135
## 96            7   0.12567
## 97           13   0.23339
## 98            8   0.14363
## 99           12   0.21544
## 100           9   0.16158
## 101           7   0.12567
## 102           8   0.14363
## 103           5   0.08977
## 104          10   0.17953
## 105           8   0.14363
## 106           5   0.08977
## 107           5   0.08977
## 108           9   0.16158
## 109           2   0.03591
## 110          14   0.25135
## 111           7   0.12567
## 112           4   0.07181
## 113           8   0.14363
## 114          12   0.21544
## 115           7   0.12567
## 116           3   0.05386
## 117           4   0.07181
## 118           2   0.03591
## 119           6   0.10772
## 120           7   0.12567
## 121          10   0.17953
## 122           3   0.05386
## 123           2   0.03591
## 124           2   0.03591
## 125           1   0.01795
## 126           4   0.07181
## 127           4   0.07181
## 128           5   0.08977
## 129           2   0.03591
## 130           2   0.03591
## 131           3   0.05386
## 132           2   0.03591
## 133           5   0.08977
## 134           4   0.07181
## 135           2   0.03591
## 136           5   0.08977
## 137           3   0.05386
## 138           5   0.08977
## 139           1   0.01795
## 140           2   0.03591
## 141           1   0.01795
## 142           1   0.01795
## 143           2   0.03591
## 144           3   0.05386
## 145           2   0.03591
## 146           3   0.05386
## 147           2   0.03591
## 148           2   0.03591
## 149           1   0.01795
## 150           2   0.03591
## 151           1   0.01795
## 152           3   0.05386
## 154           1   0.01795
## 155           2   0.03591
## 156           3   0.05386
## 158           2   0.03591
## 160           2   0.03591
## 163           1   0.01795
## 165           3   0.05386
## 166           2   0.03591
## 168           1   0.01795
## 170           2   0.03591
## 171           1   0.01795
## 172           2   0.03591
## 173           1   0.01795
## 175           1   0.01795
## 177           1   0.01795
## 180           1   0.01795
## 183           2   0.03591
## 188           1   0.01795
## 189           1   0.01795
## 191           1   0.01795
## 193           2   0.03591
## 194           1   0.01795
## 196           1   0.01795
## 197           1   0.01795
## 199           1   0.01795
## 201           2   0.03591
## 225           1   0.01795
## 237           1   0.01795
## 245           1   0.01795
## 247           1   0.01795
## 257           1   0.01795
## 263           1   0.01795
## Total      5570 100.00000

summary(Reuni_pond$Num_reunioes)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    0.00   32.00   42.00   48.32   57.00  263.00

##Adicionamos os valores na tabela "Fisca_Munic"
Reuni_Munic <- Fisca_Munic %>%
  left_join(select(Reuni_pond, A1, Num_reunioes))

## Joining, by = "A1"

glimpse(Reuni_Munic)

## Observations: 5,570
## Variables: 17
## $ A1             <dbl> 110001, 110002, 110003, 110004, 110005, 110006,...
## $ A1a            <dbl> 1100015, 1100023, 1100031, 1100049, 1100056, 11...
## $ B1             <chr> "ALTA FLORESTA DOESTE", "ARIQUEMES", "CABIXI", ...
## $ B2             <dbl> 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11,...
## $ B3             <chr> "RO", "RO", "RO", "RO", "RO", "RO", "RO", "RO",...
## $ B4             <chr> "1 - Norte", "1 - Norte", "1 - Norte", "1 - Nor...
## $ B5             <chr> "4 - 20001 até 50000", "6 - 100001 até 500000",...
## $ B6             <dbl> 25578, 104401, 6355, 87226, 17986, 18817, 8842,...
## $ Porte_pop2010  <chr> "Pequeno II", "Médio", "Pequeno I", "Médio", "P...
## $ Pop_Total2010  <dbl> 24392, 90353, 6313, 78574, 17029, 18591, 8783, ...
## $ Num_conselhos  <dbl> 7, 11, 5, 10, 6, 3, 3, 5, 6, 8, 6, 8, 4, 6, 6, ...
## $ Paridade       <dbl> 5, 11, 5, 9, 6, 3, 3, 5, 5, 7, 6, 8, 4, 6, 5, 3...
## $ Deliberativos  <dbl> 5, 11, 5, 9, 5, 2, 3, 5, 6, 4, 4, 8, 3, 5, 5, 5...
## $ Consultivos    <dbl> 6, 10, 0, 4, 5, 2, 1, 5, 3, 7, 3, 4, 4, 4, 5, 3...
## $ Normativos     <dbl> 1, 8, 0, 3, 6, 2, 1, 5, 1, 5, 1, 6, 1, 5, 5, 3,...
## $ Fiscalizadores <dbl> 2, 9, 4, 3, 4, 3, 2, 5, 3, 6, 4, 4, 2, 6, 5, 4,...
## $ Num_reunioes   <dbl> 37, 105, 30, 108, 42, 25, 37, 81, 52, 75, 56, 1...

Tabela reunioes

table_Num_Reuni <- Reuni_pond %>% 
  summarise_all(sum, na.rm = T)%>% 
  gather() %>% 
  arrange(desc(as.numeric(value)))

table_Num_Reuni

## # A tibble: 16 x 2
##    key               value
##    <chr>             <dbl>
##  1 A1           1812247557
##  2 Num_reunioes     269154
##  3 A630              62296
##  4 A895              56620
##  5 A648              47179
##  6 A594              37248
##  7 A664              20348
##  8 A552              16641
##  9 A672               6805
## 10 A739               6206
## 11 A560               5034
## 12 A722               3344
## 13 A688               3098
## 14 A640               2461
## 15 A656               1771
## 16 A680                103

write_excel_csv2(table_Num_Reuni, "table_Num_Reuni.csv")

Histogramas

X11()
grid.arrange(hist_1, hist_2, hist_3, hist_4, 
             hist_5, hist_6, nrow = 2)

## Warning: Removed 2 rows containing missing values (geom_bar).

## Warning: Removed 2 rows containing missing values (geom_bar).

## Warning: Removed 2 rows containing missing values (geom_bar).

IDHM

Potencial <- mutate(Potencial, A1 = as.numeric(A1))

Potencial_idh <- Potencial %>% 
  full_join(idh, by = c("A1" = "Codmun6"))

glimpse(Potencial_idh)

## Observations: 5,570
## Variables: 23
## $ A1                      <dbl> 110001, 110002, 110003, 110004, 110005...
## $ A1a                     <chr> "1100015", "1100023", "1100031", "1100...
## $ B1                      <chr> "ALTA FLORESTA DOESTE", "ARIQUEMES", "...
## $ B2                      <chr> "11", "11", "11", "11", "11", "11", "1...
## $ B3                      <chr> "RO", "RO", "RO", "RO", "RO", "RO", "R...
## $ B4                      <chr> "1 - Norte", "1 - Norte", "1 - Norte",...
## $ B5                      <chr> "4 - 20001 até 50000", "6 - 100001 até...
## $ B6                      <chr> "25578", "104401", "6355", "87226", "1...
## $ Porte_pop2010           <chr> "Pequeno II", "Médio", "Pequeno I", "M...
## $ Pop_Total2010           <chr> "24392", "90353", "6313", "78574", "17...
## $ Num_conselhos           <dbl> 7, 11, 5, 10, 6, 3, 3, 5, 6, 8, 6, 8, ...
## $ Paridade                <dbl> 5, 11, 5, 9, 6, 3, 3, 5, 5, 7, 6, 8, 4...
## $ Deliberativos           <dbl> 5, 11, 5, 9, 5, 2, 3, 5, 6, 4, 4, 8, 3...
## $ Consultivos             <dbl> 6, 10, 0, 4, 5, 2, 1, 5, 3, 7, 3, 4, 4...
## $ Normativos              <dbl> 1, 8, 0, 3, 6, 2, 1, 5, 1, 5, 1, 6, 1,...
## $ Fiscalizadores          <dbl> 2, 9, 4, 3, 4, 3, 2, 5, 3, 6, 4, 4, 2,...
## $ Num_reunioes            <dbl> 37, 105, 30, 108, 42, 25, 37, 81, 52, ...
## $ Perfil_Conselho         <dbl> 19.97, 41.91, 16.32, 31.30, 21.95, 10....
## $ Indice_participativo    <dbl> 5.285714, 9.545455, 6.000000, 10.80000...
## $ Potencial_participativo <dbl> 105.55571, 400.05000, 97.92000, 338.04...
## $ IPP_Norm                <dbl> 0.095, 0.377, 0.087, 0.318, 0.141, 0.0...
## $ IPP_Class               <fct> muito baixo, alto, muito baixo, alto, ...
## $ IDHM                    <dbl> 0.641, 0.702, 0.650, 0.718, 0.692, 0.6...

Potencial_idh$IPP_Class <- factor(Potencial_idh$IPP_Class, levels = c("muito alto", "alto",  "médio", "baixo", "muito baixo"))

Potencial_idh$Porte_pop2010 <- factor(Potencial_idh$Porte_pop2010, levels = c("Metrópole", "Grande", "Médio", "Pequeno II", "Pequeno I"))

Classificação IDH

# Classificação IDH-M
Potencial_idh <- Potencial_idh %>% 
  mutate(IDHM_Class = case_when(
    IDHM <= 0.499 ~ "muito baixo",
    IDHM >= 0.500 & IDHM <= 0.599 ~ "baixo",
    IDHM >= 0.600 & IDHM <= 0.699 ~ "médio",
    IDHM >= 0.700 & IDHM <= 0.799 ~ "alto",
    IDHM >= 0.800 ~ "muito alto"))

Potencial_idh$IDHM_Class <- factor(Potencial_idh$IDHM_Class, levels = c("muito alto", "alto",  "médio", "baixo", "muito baixo"))

sum(is.na(Potencial_idh$IDHM_Class))

## [1] 5

# Organizar
Potencial_idh <- Potencial_idh %>% 
  select(1:10, 23,24, 11:22)

glimpse(Potencial_idh)

## Observations: 5,570
## Variables: 24
## $ A1                      <dbl> 110001, 110002, 110003, 110004, 110005...
## $ A1a                     <chr> "1100015", "1100023", "1100031", "1100...
## $ B1                      <chr> "ALTA FLORESTA DOESTE", "ARIQUEMES", "...
## $ B2                      <chr> "11", "11", "11", "11", "11", "11", "1...
## $ B3                      <chr> "RO", "RO", "RO", "RO", "RO", "RO", "R...
## $ B4                      <chr> "1 - Norte", "1 - Norte", "1 - Norte",...
## $ B5                      <chr> "4 - 20001 até 50000", "6 - 100001 até...
## $ B6                      <chr> "25578", "104401", "6355", "87226", "1...
## $ Porte_pop2010           <fct> Pequeno II, Médio, Pequeno I, Médio, P...
## $ Pop_Total2010           <chr> "24392", "90353", "6313", "78574", "17...
## $ IDHM                    <dbl> 0.641, 0.702, 0.650, 0.718, 0.692, 0.6...
## $ IDHM_Class              <fct> médio, alto, médio, alto, médio, médio...
## $ Num_conselhos           <dbl> 7, 11, 5, 10, 6, 3, 3, 5, 6, 8, 6, 8, ...
## $ Paridade                <dbl> 5, 11, 5, 9, 6, 3, 3, 5, 5, 7, 6, 8, 4...
## $ Deliberativos           <dbl> 5, 11, 5, 9, 5, 2, 3, 5, 6, 4, 4, 8, 3...
## $ Consultivos             <dbl> 6, 10, 0, 4, 5, 2, 1, 5, 3, 7, 3, 4, 4...
## $ Normativos              <dbl> 1, 8, 0, 3, 6, 2, 1, 5, 1, 5, 1, 6, 1,...
## $ Fiscalizadores          <dbl> 2, 9, 4, 3, 4, 3, 2, 5, 3, 6, 4, 4, 2,...
## $ Num_reunioes            <dbl> 37, 105, 30, 108, 42, 25, 37, 81, 52, ...
## $ Perfil_Conselho         <dbl> 19.97, 41.91, 16.32, 31.30, 21.95, 10....
## $ Indice_participativo    <dbl> 5.285714, 9.545455, 6.000000, 10.80000...
## $ Potencial_participativo <dbl> 105.55571, 400.05000, 97.92000, 338.04...
## $ IPP_Norm                <dbl> 0.095, 0.377, 0.087, 0.318, 0.141, 0.0...
## $ IPP_Class               <fct> muito baixo, alto, muito baixo, alto, ...

Potencial_idh <- descr::toUTF8(Potencial_idh)

#write_excel_csv2(Potencial_idh, "Ranking.final_julho_2.csv")

Histogram and boxplot

# Histogram
hist_8 <- ggplot(Potencial_idh, aes(IPP_Norm)) +
  geom_histogram(binwidth = 0.001) +
  #ggtitle("IPPC Normalizado")+
  ylab("Count") + xlab("")+
  scale_x_continuous(breaks = c(0,.2, .4, .6,.8, 1), limits = c(0,1))+
  theme_classic()+
  theme_BOX

hist_8

## Warning: Removed 1 rows containing non-finite values (stat_bin).

## Warning: Removed 2 rows containing missing values (geom_bar).

#
box_IPP <- ggplot(Potencial_idh, aes(x=1, y=IPP_Norm)) +
  stat_boxplot(geom = "errorbar", coef=3, width = 0.5)+
  geom_boxplot(coef = 3)+
  ylab("Normalized IPPC") + xlab("") +
  scale_y_continuous(breaks = c(0,.2, .4, .6,.8, 1), limits = c(0,1))+
  #theme(axis.text.x = element_blank())+
  coord_flip()+
  theme_classic()+
  theme_BOX+
  theme(axis.text.y = element_blank())

box_IPP  

## Warning: Removed 1 rows containing non-finite values (stat_boxplot).

## Warning: Removed 1 rows containing non-finite values (stat_boxplot).

x11()
cowplot::plot_grid(hist_8, box_IPP, nrow=2, align = "v", rel_heights = (c(2,1)))

## Warning: Removed 1 rows containing non-finite values (stat_bin).

## Warning: Removed 2 rows containing missing values (geom_bar).

## Warning: Removed 1 rows containing non-finite values (stat_boxplot).

## Warning: Removed 1 rows containing non-finite values (stat_boxplot).

Scaterplot IDHM versus IPPC

idh_ipp_reg <-  ggplot(drop_na(Potencial_idh), 
  aes(x=IDHM, y=IPP_Norm ))+
  geom_point()+
  #scale_fill_manual(values = color, name = "Região" )+
  #ggtitle("IPPC por IDHM e região")+ 
  xlab("MHDI") + ylab("IPPC")+
  geom_smooth(se=F)+
  theme_classic()+
  theme_hist
#dev.off()

X11()  
idh_ipp_reg

## `geom_smooth()` using method = 'gam' and formula 'y ~ s(x, bs = "cs")'

# Salvar PNG com tamanho widht = 900 e heigth = 400

Anos de criacao

index_ano <- str_which(Legenda_Munic_2014$V4,"ano de criação")   
  
  ### Usar o índice para selecionar as linhas.
  ano_lista <- slice(Legenda_Munic_2014,index_ano) 
  
    ## Usar a coluna V17 que possui os códigos da base de dados
  ano_codigo <- ano_lista$V17 #identificamos os códigos de cada conselho
  
  ##Selecionamos apenas as colunas correspondentes "ano"
  Munic_2014_anos <- select(Munic_2014, A1, ano_codigo)
  
  Munic_2014_anos <- gather(Munic_2014_anos, conselhos, anos, -A1)
  
  Munic_2014_anos <- Munic_2014_anos %>% 
    mutate(anos = as.numeric(anos)) %>% 
    mutate(conselhos = factor(conselhos)) %>% 
    drop_na()

## Warning: NAs introduced by coercion

#Munic_2014_anos$conselhos  

Criar labels

dput(unique(Munic_2014_anos$conselhos))

## structure(1:18, .Label = c("A546", "A554", "A588", "A605", "A608", 
## "A616", "A624", "A634", "A642", "A650", "A658", "A666", "A674", 
## "A682", "A716", "A725", "A733", "A892"), class = "factor")

labels <- c("A546" = "Environment (3.785)", 
            "A554"= "Women's rights (976)", 
            "A588" = "Education (4.874)", 
            "A624" = "Health care (5.556)", 
            "A634" = "Human rights (323)", 
            "A642" = "Children & Adolescents' rights (5.481)", 
            "A650" = "Racial equality (280)", 
            "A658" = "Seniors' rights (3.450)", 
            "A666" = "Rights of persons with disabilities (1.093)", 
            "A674" = "LGBTT (21)", 
            "A682" = "Youth (608)", 
            "A716" = "Public security (691)",  
            "A733" = "Food security (1.629)", 
            "A892" = "Welfare (5.562)") #"A914" = "Seg. Alimentar" # "A605" = "C. Fundeb" # "A608" = "Aliment. Escolar" #  , "A616" = "Trans. Escolar" #"A725" = "Def. Civil",


#labels <- c("A546" = "Meio Ambiente (3.785)", "A554"= "Mulheres (976)", "A588" = "Educação (4.874)", "A624" = "Saúde (5.556)", "A634" = "D. Humanos (323)", "A642" = "D. Crian/Adoles (5.481)", "A650" = "Ig. Racial (280)", "A658" = "D. Idoso (3.450)", "A666" = "D. Pess. Deficiente (1.093)", "A674" = "LGBTT (21)", "A682" = "Juventude (608)", "A716" = "S. Pública (691)",  "A733" = "Seg. Alimentar (1.629)", "A892" = "Ass. Social (5.562)") #"A914" = "Seg.

Munic_2014_anos_88 <- Munic_2014_anos %>% filter(anos > 1987) %>% 
                      filter(anos < 2015) %>% 
                      filter(conselhos != "A605") %>% 
                      droplevels()
  
tail(sort(Munic_2014_anos_88$anos))

## [1] 2014 2014 2014 2014 2014 2014

Munic_2014_anos_88 <- Munic_2014_anos_88 %>% 
  arrange(anos)

excluir <- c("A608", "A616", "A725")

Munic_2014_anos_88 <- Munic_2014_anos_88 %>% 
  filter(!(conselhos %in% excluir)) %>% 
  droplevels()

#Munic_2014_anos_88$conselhos
######

grafico densidade

anos <- ggplot(Munic_2014_anos_88, aes(x=anos, y=reorder(conselhos, -anos, FUN = mean)))+
  geom_density_ridges(aes(fill=reorder(conselhos, -anos, FUN = mean)), show.legend = F, alpha = .7) +
  scale_fill_viridis_d(option = "B", direction = -1,
                           begin = .1, end = .9)+
  scale_x_continuous(limits = c(1988, 2018), 
                     breaks = c(1990, 1994, 1998, 2002, 2006, 2010, 2014))+
  scale_y_discrete(labels = c(labels))+
  geom_vline(xintercept = c(1990, 1994, 1998, 2002, 2006, 2010, 2014), linetype= "dotdash") +
  ylab("") + xlab("")+
  theme_classic()+
  theme(axis.text.x = element_text(size = 14, face = "bold"),
        axis.text.y = element_text(size = 14, face = "bold"))

x11() # Ajustar tamanho;
anos

## Picking joint bandwidth of 1.09