Lei Maria da Penha

No ano de 2006, durante o governo de Luiz Inácio Lula da Silva no dia 7 de agosto, foi sancionada a Lei Maria da Penha(“Lei Nº 11.340, de 7 de agosto de 2006,” n.d.). Essa lei, nasceu com o objetivo de ajudar as mulheres, e a população, no combate a violência contra a mulher. Para a Lei, a violência contra a mulher, é qualquer ação ou conduta que cause morte, dano ou sofrimento físico, sexual ou psicológico à mulher, tanto no âmbito público como no privado. Além de definir o que seria a violência, a Lei também descreve que essa violência pode se apresentar nas formas de: Violência patrimonial, Violência sexual, Violência física, Violência moral, Violência psicológica.

Após essa lei ser implementada, uma mulher quando se vê em uma situação de violência ela poderá recorrer a uma delegacia, especializada ou não, para dar entrada em sua denúncia. Essa denúncia, caso a vitima tenha interesse, pode ser utilizada para dar entrada em um processo no Tribunal de Justiça, onde a acusação será analisada e um veredito será dado por um Juiz.

No estado de Pernambuco há 10 delegacias especializadas em atender mulheres que estejam sofrendo violência, sendo 3 delas localizadas na Região Metropolitana do Recife. Outro ponto, que essas delegacias mesmo se propondo a serem especializadas nesse tema, não possuem em seu quadro de trabalho uma maioria feminina, além de não funcionarem por 24 horas e todos os dias da semana.

Quando olhamos para os Tribunais de Justiças, mais especificamente o de Pernambuco, vemos que pelo estado há 10 Varas de Violência Doméstica e Familiar contra Mulher, espalhadas em 8 cidades (“Coordenadoria da Mulher do TJPE,” n.d.). No seu quadro de funcionários vemos que ele é formado na maioria por mulheres, porém, assim como nas delegacias, o horário de funcionamento é limitado, estando aberto apenas durante o turno da tarde entre segunda-feira à sexta-feira.

Podemos então perceber que a vítima além de conviver com uma realidade de violência, ela ainda poderá ter sua palavra desacreditada quando se expõe em uma delegacia. Mesmo que essa não seja a realidade em todas as delegacias, essa é a imagem predominante no imaginario da população feminina que precisa recorrer ao Estado.

Sendo assim, muitas mulheres não conseguem dar os primeiros passos para sua liberdade, pois acabam desacreditando na justiça e no Estado. Pensando nisso, esse projeto tem o intuito de analisar os processos presentes no TJPE relacionados a esse tema, no caso, observando casos que foram denunciados e levados para a justiça. Com esse recorte, é esperado responder perguntas como “Quais os principais motivos para abertura de um processo?”, “Houve um aumento na quantidade de processos abertos?”, “Como esses processos são distribuídos pelas Varas?”, “Ocorre uma super lotação nessas Varas?”, “Quanto tempo dura um processo?”.

Origem dos dados

Os dados aqui trabalhados serão provenientes do serviço de Consulta Processual Unificada fornecido pelo TJPE. Nesse serviço, é possível consultar processos que estejam ocorrendo ou já ocorreram no TJPE, a consulta pode ser realizada utilizando o número do processo ou pelo nome das partes. Foi optado realizar a consulta pelo número do processo, pois ele possui uma estrutura bem definida, no caso, cada campo que compõe esse número tem um significado. Permitindo assim, que fosse possível mapear o ano e a origem daquele processo.

Número do processo, ou Numeração Processual Unica (NPU).

Como pode ser visto na Figura acima, um processo é mapeado em um número de 20 dígitos. O primeiro campo desse número é conhecido como o campo do número sequencial, pois o valor presente nele, será gerado sequencialmente a partir do primeiro processo de um ano até o último aberto. O segundo campo, é o dígito verificador que é calculado utilizando os valores dos outros campos. Continuando, os campos ano e origem também são muito importantes, o primeiro é o ano em que o processo foi aberto e o segundo é o código referente ao local em que o processo está situado.

Essa númeração partiu da necessidade de normalizar a numeração dos processos, pois, não havia uma estrutura única que representasse um processo, restando para os Tribunais definirem essa padronização (“Resolução Nº 65 de 16/12/2008,” n.d.a), (“Resolução Nº 65 de 16/12/2008,” n.d.b).

Carregamento dos dados

Como foi descrito na Introdução, os dados aqui utilizados foram adquiridos juntos ao TJPE e consistem de processos relacionados a Violência contra a mulher na cidade do Recife. Caso você queira baixar esses dados também, eles se encontram nesse link.

tjpe_ouvidoria <- stream_in(file("database/tjpe_ouvidoria.jsonl"))

Coluna raw

Os dados originais armazenados no arquivo json line, possui um nó nomeado de raw que guarda dois nós filhos numero e eletronico. Quando esse json é carregado no R, essa estruturação de nós filhos é carregada em um DataFrame interno nomeado de raw, como podemos ver:

Essas duas colunas(npu, eletronico), possuem valores semelhantes, e nomes semelhantes, com as colunas numero e eletronico presentes no DataFrame tjpe_ouvidoria.

Com o intuito de reduzir essa repetição de dados, será renomeado a coluna numero para npu e a coluna eletronico para eh_eletronico.

tjpe_ouvidoria <- subset(tjpe_ouvidoria, select = -c(raw))
names(tjpe_ouvidoria)[names(tjpe_ouvidoria) == 'numero'] <- 'npu'
names(tjpe_ouvidoria)[names(tjpe_ouvidoria) == 'eletronico'] <- 'eh_eletronico'

Colunas termos e termos_cliente

As colunas termos e termos_cliente estão salvas como uma lista de caracter, como podemos observar abaixo:

Para que possamos visualizar o conteúdo presente nessas colunas, será preciso converter a lista, que possui apenas um elemento, em caracter:

tjpe_ouvidoria$termos_cliente <- sapply(X = tjpe_ouvidoria[, "termos_cliente"], FUN = as.character)
tjpe_ouvidoria$termos <- sapply(X = tjpe_ouvidoria[, "termos"], FUN = as.character)

Essas colunas são utilizados pelo robô (crawler) para diferenciar qual o usuário deu inicio a sua execução, pois o crawler utilizado para capturar os dados presentes no site do TJPE foi desenvolvido inicialmente com outra finalidade. Como a extração de informação não foi realizada por um usuário específico, os valores presentes nessas colunas é o mesmo da coluna npu.

Dado essa peculiaridade, optou-se por utilizar os NPUs formatados (coluna termos_cliente) e remover as colunas termos e termos_cliente.

tjpe_ouvidoria$npu <- tjpe_ouvidoria$termos_cliente
tjpe_ouvidoria <- subset(tjpe_ouvidoria, select = -c(termos, termos_cliente))

Coluna assunto

No momento de cadastro do processo no sistema do tribunal, o servidor público selecionará um ou mais assuntos que representem o processo cadastrado. O Conselho Nacional de Justiça (CNJ) que define uma lista de possíveis assuntos (lista de assuntos aqui) que poderão ser utilizados e quando eles são relacionados a um processo. Além disso, um processo deverá possuir ao menos um assunto relacionado a ele.

Dado essas características que compõe esse atributo assunto, a coluna de mesmo nome no banco de dados possuirá em algumas amostras um vetor.

Para trabalhar melhor com essa informação, será criado uma nova tabela chamada tjpe_assuntos, que possuirá duas colunas npu e assunto. A primeira coluna será o número do processo e a segunda coluna será o assunto. Se um processo possuir mais de um assunto, ele aparecerá em mais de uma amostra nessa tabela nova.

assuntos <- tjpe_ouvidoria$assunto
npus <- tjpe_ouvidoria$npu

assuntos.new <- c()
npus.new <- c()

for (pos in c(1:length(assuntos))){
  assunto <- assuntos[pos]
  assunto <- assunto[[1]]
  
  numero <- npus[pos]

  if (length(assunto) > 1){
    for (assunto_aux in assunto){
      assuntos.new <- append(assuntos.new, assunto_aux)
      npus.new <- append(npus.new, numero)  
    }
    
  } else if (length(assunto) == 1) {
    assuntos.new <- append(assuntos.new, assunto)
    npus.new <- append(npus.new, numero)
  } else {
    assuntos.new <- append(assuntos.new, NA)
    npus.new <- append(npus.new, numero)
  }
}

assunto_numero <- data.frame('npu' = npus.new, 'assunto' = assuntos.new)

Dessa forma o DataFrame assunto_numero possuirá 32477 linhas, abaixo você pode visualizar os 6 primeiros elementos desse DataFrame:

Com essa segunda tabela criada, será removido a coluna assunto da base principal que utilizaremos:

tjpe_ouvidoria <- subset(tjpe_ouvidoria, select = -c(assunto))

Criação da coluna ano

Para auxiliar as análises que serão realizadas, será adicionada uma coluna ano que referênciará ao ano de abertura do processo. Essa informação está localizada no número do processo no terceiro campo da sua estrutura: xxxxxxx-xx.AAAA.8.17.0001.

tjpe_ouvidoria$ano <- substr(tjpe_ouvidoria$npu, 12, 15)

O mesmo será feito para o DataFrame assunto_numero:

assunto_numero$ano <- substr(assunto_numero$npu, 12, 15)

Conversão para Fator

Após as etapas anteriores de pre-processamento, onde removeu-se colunas repetidas e corrigiu os tipos dos dados, a quantidade de colunas foi reduzida para 10 com 19521 linhas.

Para auxiliar etapas futuras, decidiu-se converter as colunas diferenciador, fonte, juizo, classe_cnpj, comarca, instancia, estado e ano em fatores.

tjpe_ouvidoria$diferenciador <- as.factor(tjpe_ouvidoria$diferenciador)
tjpe_ouvidoria$fonte <- as.factor(tjpe_ouvidoria$fonte)
tjpe_ouvidoria$juizo <- as.factor(tjpe_ouvidoria$juizo)
tjpe_ouvidoria$classe_cnj <- as.factor(tjpe_ouvidoria$classe_cnj)
tjpe_ouvidoria$comarca <- as.factor(tjpe_ouvidoria$comarca)
tjpe_ouvidoria$instancia <- as.factor(tjpe_ouvidoria$instancia)
tjpe_ouvidoria$estado <- as.factor(tjpe_ouvidoria$estado)
tjpe_ouvidoria$ano <- as.factor(tjpe_ouvidoria$ano)

Após essa conversão, podemos ver a seguir que as colunas diferenciador, fonte, eletronico, comarca, instancia e estado possuem apenas um valor. Confirmando que todos os processos presentes na base utilizada estão localizados na cidade do Recife e são do 1ª Grau.

No DataFrame auxiliar assunto_numero também será convertido a coluna assunto em fator:

assunto_numero$assunto <- as.factor(assunto_numero$assunto)

Por fim, ficamos com três colunas, sendo duas delas do tipo carácter e uma do tipo fator.

Resumo da base

Nas seções seguintes será utilizado o DataFrame tjpe_ouvidoria e o assunto_numero, onde o primeiro possui 19521 linhas e 10 colunas, e o segundo, 32477 linhas e 3 colunas.

Quantos processos são abertos por ano?

Como foi dito na Introdução, a Lei Maria da Penha foi sancionada em 2006 e desde então quantos processos foram abertos ao longo desses anos na cidade do Recife?

Para responder essa pergunta, antes será preciso selecionar a coluna ano do DataFrame jpe_ouvidoria, que será utilizado no gráfico abaixo.

# Conversão da coluna ano em dataframe, com coluna `Var1` e `Freq`.
ano_frequencia <- as.data.frame(table(tjpe_ouvidoria$ano))

# Plotagem do gráfico "Abertura de processos na cidade do Recife"
ggplot(data = ano_frequencia, aes(x = Var1, y = Freq, fill = "red")) +
  geom_bar(stat='identity', show.legend = FALSE) +
  theme_minimal() +
  ggtitle("Abertura de processos na cidade do Recife") +
  xlab('Ano de abertura') + ylab('Quantidade') + 
  geom_text(aes(label=Freq), vjust=-0.4, color="black",
            position = position_dodge(0.9), size=3.5)

Como os processos são distribuidos pelas Varas?

Na cidade do Recife existem três Varas especializadas em Violência Doméstica e Familiar contra a mulher. Sendo a última delas inaugurada em 2016 (“Recife ganha 3ª Vara de Violência Doméstica e Familiar Contra a Mulher,” n.d.), com o objetivo de “desafogar” a 1ª e 2ª Vara. Então é esperado que os processos estejam localizados nessas três Varas, e que na 3ª Vara de Violência existam processos anteriores à 2016, que foram movidos após a criação da Vara.

Porém como podemos ver na lista acima, na base utilizada existem 32 Varas únicas e não apenas 3 Varas, como era esperado.

# Seleção dos dados que serão utilizados para plotagem de gráfico
juizos <- as.data.frame(table(tjpe_ouvidoria$juizo))
juizos <- juizos[order(-juizos$Freq), ]

# Seleção das 10 Varas com mais processos
juizos <- juizos[1:10, ]
rownames(juizos) <- 1:10
# Remoção de algumas palavras no titulo do nome da Vara
# Para reduzir o espaço necessário para a legenda do gráfico
juizos$Varas <- sapply(juizos$Var1, 
                       function(x) {
                         x <- gsub(" na Comarca da Capital", "", x); 
                         x <- gsub(" da Capital", "", x); 
                         x <- gsub(" na Comarca", "", x)}
                      )
juizos <- juizos[, c("Varas", "Freq")]

Após selecionar as 10 Varas com mais processos, podemos ver que a Vara Terceira Vara de Violência Doméstica e Familiar contra a Mulher possui 48.8191439% do total de casos abertos entre o período de 2005 e 2018. Isso ocorre proveniente da redistribuição dos processos entre as Varas da Mulher na cidade do Recife.

# Plotagem do gráfico
ggplot(data = juizos, aes(x = reorder(Varas, -Freq), y = Freq, fill = reorder(Varas, -Freq))) +
  geom_bar(stat='identity') + theme_minimal() +
  ggtitle("As 10 principais Varas na cidade do Recife") +
  geom_text(aes(label=Freq), hjust=-0.2,vjust=0.4, color="black",
            position = position_dodge(0.9), size=3.5) +
  scale_fill_viridis_d(option = "plasma") +
  guides(fill=guide_legend(ncol=2)) +
  theme(axis.text.y=element_blank(),
        axis.title.y=element_blank(),
        legend.key.size = unit(0.3, "cm"), 
        legend.margin = margin(1, 1, 1, 1),
        legend.position = "bottom",
        legend.direction = "horizontal") +
  labs(fill="Varas") + ylab('Quantidade') +
  coord_flip()

# Seleção dos dados que serão utilizados na plotagem do gráfico
juizo_ano <- tjpe_ouvidoria[, c("juizo", "ano")]

# Remoção de algumas palavras no titulo do nome da Vara
# Para reduzir o espaço necessário para a legenda do gráfico
juizo_ano$juizo <- sapply(juizo_ano$juizo, 
                          function(x) {
                            x <- gsub(" na Comarca da Capital", "", x); 
                            x <- gsub(" da Capital", "", x); 
                            x <- gsub(" na Comarca", "", x)}
                          )

# Filtragem de Varas que estão na lista das 10 maiores (DataFrame juizos)
# Criação de uma coluna com a quantidade de processos em um determinado ano
juizo_ano_group <- juizo_ano %>%
  filter(juizo %in% juizos$Varas) %>%
  rename(Varas = juizo) %>%
  group_by(Varas, ano) %>%
  summarise(total = n())

# Plotagem do gráfico "Abertura de processos nas 10 principais Varas"
ggplot(juizo_ano_group, aes(x=ano, y=total, group=Varas)) +
  geom_line(aes(linetype=Varas, color=Varas)) +
  geom_point(aes(color=Varas)) +
  ggtitle("Distribuição de processos nas principais Varas do Recife") +
  xlab('Ano') + ylab('Quantidade') +
  theme_minimal() +
  scale_color_brewer(palette="Paired") +
  guides(color=guide_legend(nrow=5, ncol=2)) +
  theme(legend.key.size = unit(0.4, "cm"), 
        legend.margin = margin(1, 1, 1, 1),
        legend.position = "bottom",
        legend.direction = "horizontal")

Como as classe CNJ se comportam?

Cada Justiça (do trabalho, federal, estadual, eleitoral) possue uma lista de classes, que serão utilizadas para classificar um processo e seus andamentos. Cada elemento da base utilizada possui apenas uma classe relacionada, sendo elas distribuídas da seguinte forma:

# Seleção dos dados que serão utilizados para plotagem de gráfico
classes_cnj <- as.data.frame(table(tjpe_ouvidoria$classe_cnj))
classes_cnj <- classes_cnj[order(-classes_cnj$Freq), ]

rownames(classes_cnj) <- 1:5

# Plotagem do gráfico "classes CNJ"
ggplot(data = classes_cnj, aes(x = Var1, y = Freq, fill = Var1)) +
  geom_bar(stat='identity') +
  ggtitle("classes CNJ") + theme_minimal() +
  xlab('classe') + ylab('Quantidade') + 
  geom_text(aes(label=Freq), vjust=-0.1, color="black",
            position = position_dodge(0.9), size=3.5) +
  guides(fill=guide_legend(ncol=2)) +
  theme(axis.text.x=element_blank(),
        legend.key.size = unit(0.3, "cm"),
        legend.margin = margin(1, 1, 1, 1),
        legend.position = "bottom",
        legend.direction = "horizontal") +
  labs(fill="classe CNJ") +
  scale_fill_viridis_d(option = "plasma") 

Notamos que as classes Ação Penal - Procedimento Sumário e Medidas Protetivas de urgência (Lei Maria da Penha) Criminal, representam juntas 76.2973208% do total de processos abertos entre 2005 e 2018. Pois elas representam os dois possíveis caminhos que uma denúncia pode seguir, o primeiro é o do processo criminal e o segundo do pedido de medida protetiva (para saber mais acesse, (“Conheça as medidas protetivas previstas pela Lei Maria da Penha,” n.d.)). Esse ciclo de vida de uma denúncia pode ser visto em mais detalhes na imagem abaixo.

Ciclo de vida de um processo judicial, fonte TJPE

# Seleção dos dados que serão utilizados no gráfico
# Criação de uma coluna com a quantidade de classes cnj em um determinado ano
classe_cnj_ano <- tjpe_ouvidoria %>%
  group_by(classe_cnj, ano) %>%
  summarise(total = n())

# Plotagem do gráfico "classe CNJ ao longo dos anos"
ggplot(classe_cnj_ano, aes(x=ano, y=total, group=classe_cnj)) +
  geom_line(aes(linetype=classe_cnj, color=classe_cnj)) +
  geom_point(aes(color=classe_cnj)) +
  ggtitle("classe CNJ ao longo dos anos") +
  xlab('Ano') + ylab('Quantidade') +
  theme_minimal() +
  guides(col=guide_legend(ncol=3)) +
  scale_color_viridis_d(option = "plasma") + 
  theme(legend.position = "bottom",
        legend.box="vertical",
        legend.direction = "vertical",)

# Seleção dos dados que serão utilizados no gráfico
# Seleção das colunas `juizo` e `classe_cnj`
juizo_classe_cnj <- tjpe_ouvidoria[, c("juizo", "classe_cnj")]

# Remoção de algumas palavras no titulo do nome da Vara
# Para reduzir o espaço necessário para a legenda do gráfico
juizo_classe_cnj$juizo <- sapply(juizo_classe_cnj$juizo, 
                          function(x) {
                            x <- gsub(" na Comarca da Capital", "", x); 
                            x <- gsub(" da Capital", "", x); 
                            x <- gsub(" na Comarca", "", x)}
                          )

# Filtragem de Varas que estão na lista das 10 maiores (DataFrame juizos)
# Criação de uma coluna com a quantidade de processos em um determinado ano
juizo_classe_cnj_group <- juizo_classe_cnj %>%
  filter(juizo %in% juizos$Varas) %>%
  rename(Varas = juizo) %>%
  group_by(Varas, classe_cnj) %>%
  summarise(total = n())

juizo_classe_cnj_group <- juizo_classe_cnj_group %>%
  summarise(classe_cnj, total, 
            total_label = total/sum(juizo_classe_cnj_group[which(juizo_classe_cnj_group$Varas == Varas), ]$total))

# Plotagem do gráfico "Distribuição das classes CNJ pelas Varas"
ggplot(data=juizo_classe_cnj_group, aes(x=Varas, y=total_label, fill=classe_cnj)) +
  geom_bar(stat="identity") + labs(fill="Classes") + ylab('Total (%)') +
  ggtitle("Distribuição das classes CNJ pelas Varas") +
  theme_minimal() + 
  scale_fill_brewer(palette="Set3") +
  scale_y_continuous(labels = scales::percent) +
  geom_text(aes(label=paste0(sprintf("%1.1f", total_label*100),"%")), 
             position=position_stack(vjust=0.5), colour="black", size=3, check_overlap = T) +
  guides(fill=guide_legend(ncol=3)) +
  theme(axis.title.y=element_blank(),
        legend.key.size = unit(0.3, "cm"),
        legend.margin = margin(1, 1, 1, 1),
        legend.position = "bottom",
        legend.direction = "horizontal") +
  coord_flip()

Como os assuntos se comportam?

Diferente da classe, um processo pode possuir no mínimo 1 assunto, categorizando um processo a partir de palavras chaves. No total encontramos 75 assuntos na base, como pode ser visto abaixo:

Para auxiliar na visualização, será selecionado os 10 assuntos mais frequentes. A seguir você poderá ver quais são eles.

# Seleção dos dados que serão utilizados para plotagem de gráfico
assuntos <- as.data.frame(table(assunto_numero$assunto))
assuntos <- assuntos[order(-assuntos$Freq), ]

# Seleção dos dez maiores assuntos
assuntos <- assuntos[1:10, ]
rownames(assuntos) <- 1:10

# Plotagem do gráfico "Os 10 assuntos mais frequentes"
ggplot(data = assuntos, aes(x = reorder(Var1, Freq), y = Freq, fill = reorder(Var1, -Freq))) +
  geom_bar(stat='identity') +
  ggtitle("Os 10 assuntos mais frequentes") +
  theme_minimal() +
  geom_text(aes(label=Freq),hjust=-0.2, vjust=0.4, color="black",
            position = position_dodge(0.9), size=3.5) +
  scale_fill_viridis_d(option = "plasma") +
  guides(fill=guide_legend(ncol=4)) +
  theme(axis.text.y=element_blank(),
        axis.title.y=element_blank(),
        legend.key.size = unit(0.3, "cm"), 
        legend.margin = margin(1, 1, 1, 1),
        legend.position = "bottom",
        legend.direction = "horizontal") +
  labs(fill="assuntos") + ylab('Quantidade') +
  coord_flip()

No site do Conselho Nacional de Justiça(CNJ), podemos encontrar uma lista de assuntos possíveis e onde utilizalos (link). Baseado na definição fornecida nesse site, as definições dos três principais assuntos são:

1. Ameaça: Ameaça Art. 147 - Ameaçar alguém, por palavra, escrito ou gesto, ou qualquer outro meio simbólico, de causar-lhe mal injusto e grave: Pena - detenção, de um a seis meses, ou multa. Parágrafo único - Somente se procede mediante representação.
2. Decorrente de Violência Doméstica: Art. 129. Ofender a integridade corporal ou a saúde de outrem: Pena - detenção, de três meses a um ano. § 9o Se a lesão for praticada contra ascendente, descendente, irmão, cônjuge ou companheiro, ou com quem conviva ou tenha convivido, ou, ainda, prevalecendo-se o agente das relações domésticas, de coabitação ou de hospitalidade: (Redação dada pela Lei nº 11.340, de 2006) Pena - detenção, de 3 (três) meses a 3 (três) anos. (Redação dada pela Lei nº 11.340, de 2006) § 11. Na hipótese do § 9o deste artigo, a pena será aumentada de um terço se o crime for cometido contra pessoa portadora de deficiência. (Incluído pela Lei nº 11.340, de 2006)
3. Violência Doméstica Contra a Mulher: assunto precipuamente complementar, obrigatório para registro de ações cíveis previstas na Lei 11.340/2006 (Lei Maria da Penha) e que tenham fundamento em violência contra a mulher (Art. 7).

Com essas três definições podemos perceber que 79.3840917% das ocorrências de assuntos estão relacionados com crimes que tentaram contra a vida de mulheres ativamente ou ameçando-a. A seguir iremos ver como esses assuntos se relacionam com as classes e as Varas.

# JOIN dos DataFrames `assunto_numero` e `tjpe_ouvidoria`
assunto_tjpe <- merge(x = assunto_numero, y = tjpe_ouvidoria, by.x = "npu", by.y = "npu")

# Seleção dos 10 principais assuntos
assunto_tjpe <- assunto_tjpe %>%
  filter(assunto %in% assuntos$Var1)

# Seleção das colunas `assunto`, `ano.x`, `juizo` e `classe_cnj`
assunto_tjpe <- assunto_tjpe[, c("assunto", "ano.x", "juizo", "classe_cnj")]

# Remoção de algumas palavras no titulo do nome da Vara
# Para reduzir o espaço necessário para a legenda do gráfico
assunto_tjpe$juizo <- sapply(assunto_tjpe$juizo,
                          function(x) {
                            x <- gsub(" na Comarca da Capital", "", x);
                            x <- gsub(" da Capital", "", x);
                            x <- gsub(" na Comarca", "", x)}
                          )

# Filtragem de Varas que estão na lista das 10 maiores (DataFrame juizos)
assunto_tjpe_filtered <- assunto_tjpe[assunto_tjpe$juizo %in% juizos$Varas, ]

assunto_tjpe_classe <- assunto_tjpe_filtered %>%
  group_by(classe_cnj, assunto) %>%
  summarise(total = n())

assunto_tjpe_classe <- assunto_tjpe_classe %>%
  summarise(assunto, classe_cnj, total, 
            total_label = total/sum(assunto_tjpe_classe[which(assunto_tjpe_classe$classe_cnj == classe_cnj), ]$total))

ggplot(data=assunto_tjpe_classe, aes(x=classe_cnj, y=total_label, fill=assunto)) +
  geom_bar(stat="identity") + labs(fill="assuntos") + ylab('Total (%)') +
  ggtitle("Distribuição dos assuntos entre as classes CNJ") +
  theme_minimal() + 
  scale_fill_brewer(palette="Set3") +
  scale_y_continuous(labels = scales::percent) +
  geom_text(aes(label=paste0(sprintf("%1.1f", total_label*100),"%")), 
             position=position_stack(vjust=0.5), colour="black", size=3, check_overlap = T) +
  guides(fill=guide_legend(ncol=4)) +
  theme(axis.title.y=element_blank(),
        legend.key.size = unit(0.3, "cm"),
        legend.margin = margin(1, 1, 1, 1),
        legend.position = "bottom",
        legend.direction = "horizontal") +
  coord_flip()

# Criação de uma coluna com a quantidade de processos em um determinado ano
vara_assunto_total <- assunto_tjpe_filtered %>%
  rename(Varas = juizo) %>%
  group_by(Varas, assunto) %>%
  summarise(total = n()) %>%
  arrange(desc(total))

## `summarise()` regrouping output by 'Varas' (override with `.groups` argument)

vara_assunto_total <- vara_assunto_total %>%
  summarise(assunto, total, 
            total_label = total/sum(vara_assunto_total[which(vara_assunto_total$Varas == Varas), ]$total))

## Warning in vara_assunto_total$Varas == Varas: longer object length is not a
## multiple of shorter object length

## `summarise()` regrouping output by 'Varas' (override with `.groups` argument)

# Plotagem do gráfico "Distribuição das classes CNJ pelas Varas"
ggplot(data=vara_assunto_total, aes(x=Varas, y=total_label, fill=assunto)) +
  geom_bar(stat="identity") + labs(fill="assuntos") + ylab('Total (%)') +
  ggtitle("Distribuição dos assuntos pelas Varas") +
  theme_minimal() + 
  scale_fill_brewer(palette="Set3") +
  scale_y_continuous(labels = scales::percent) +
  geom_text(aes(label=paste0(sprintf("%1.1f", total_label*100),"%")), 
             position=position_stack(vjust=0.5), colour="black", size=3, check_overlap = T) +
  guides(fill=guide_legend(ncol=3)) +
  theme(axis.title.y=element_blank(),
        legend.key.size = unit(0.3, "cm"),
        legend.margin = margin(1, 1, 1, 1),
        legend.position = "bottom",
        legend.direction = "horizontal") +
  coord_flip()

# Seleção dos dados que serão utilizados no gráfico
# Seleção das colunas `assunto` e `ano`
assunto_tjpe_ano <- assunto_tjpe[, c('assunto', 'ano.x')]

# Criação de uma coluna com a quantidade de classes cnj em um determinado ano
assunto_tjpe_ano <- assunto_tjpe_ano %>%
  group_by(assunto, ano.x) %>%
  summarise(total = n()) %>%
  arrange(desc(total))

# Plotagem do gráfico "Abertura de processos nas 10 principais Varas"
ggplot(assunto_tjpe_ano, aes(x=ano.x, y=total, group=assunto)) +
  geom_line(aes(linetype=assunto, color=assunto)) +
  geom_point(aes(color=assunto)) +
  ggtitle("Seleção de assuntos ao longo dos anos") +
  xlab('Ano') + ylab('Quantidade') +
  theme_minimal() +
  scale_color_viridis_d(option = "plasma") +
  theme(legend.key.size = unit(0.4, "cm"), 
        legend.margin = margin(1, 1, 1, 1),
        legend.position = "bottom",
        legend.direction = "horizontal")