Desafio 3: Combinação e Visualização de Dados

Instruções

Siga as instruções abaixo. Documente todos os seus passos em um script. Comente no seu script todos os seus passos e explique a si mesma(o) suas escolhas e estratégias. Se você se beneficiou da assistência de outra pessoa, sempre reconheça isso em comentários no código.

Roteiro

Vamos trabalhar de novo com os dados eleitorais do Tribunal Superior Eleitoral, o qual disponibiliza dados sobre os resultados eleitorais separadamente dos dados sobre os candidatos. Baixe os dados de Resultados e Candidatos de Roraima. Observe que os dados são processados (não sendo os originais) e contém apenas a informação de vereadores.
Abra os dois bancos em R com o separador apropriado (note que o formato é um pouco diferente dos arquivos no desafio 1 - o encoding é o padrão, UTF8 e os nomes de colunas já estão presentes).

library("tidyverse")
library("tidylog")

resultados <- read_delim("resultados_2016_RR.csv",
                   delim=";")

candidatos <- read_delim("candidatos_2016_RR.csv",
                   delim=";")

O nosso objetivo é analisar os resultados eleitorais baseado nas características dos vereadores, então precisamos juntar os dois bancos.

Identifique a unidade de análise do banco de candidatos - o que representa cada observação/linha? Quais variáveis identificam cada linha exclusivamente?

candidatos %>% distinct(SQ_CANDIDATO)

Identifique a unidade de análise do banco de resultados - o que representa cada observação/linha? Quais variáveis identificam cada linha exclusivamente?

resultados %>% distinct(SQ_CANDIDATO, CD_MUNICIPIO, NR_ZONA) #Pode excluir CD_MUNICIPIO, mas fica mais claro incluir

Liste as variáveis que compõem o identificador comum para realizar a junção dos dois bancos.

#SQ_CANDIDATO

Use anti_join para identificar se há resultados que faltam detalhes do seu candidato no banco de dados de candidatos.

resultados %>% anti_join(candidatos, by="SQ_CANDIDATO")

Use anti_join para identificar se há candidatos faltando no banco de dados de resultados. Investigando as colunas do resultado de anti_join, você pode identificar porque eles não existem no banco de resultados?)

candidatos %>% anti_join(resultados, by="SQ_CANDIDATO")

Os candidatos sem resultados são aqueles ‘inaptos’ para a eleição.

Não precisamos trabalhar com todas as colunas para a análise então para deixar mais fácil entender os processos, selecionar apenas as próximas colunas do banco de dados de candidatos:

Candidatos: SQ_CANDIDATO, NM_CANDIDATO, NM_UE, SG_PARTIDO, NR_IDADE_DATA_POSSE, DS_GENERO, DS_GRAU_INSTRUCAO, DS_COR_RACA

candidatos <- candidatos %>% select(SQ_CANDIDATO, NM_CANDIDATO, NM_UE, SG_PARTIDO,
                                    NR_IDADE_DATA_POSSE, DS_GENERO, DS_GRAU_INSTRUCAO,
                                    DS_COR_RACA)

Pretendemos cruzar os dois bancos, mas como você verificou acima, eles têm unidades de análise diferentes. Aqui, vamos ignorar isso e permitir que os dados do candidato sejam duplicados para cada resultado do mesmo candidato. Execute um left_join() apropriado.

resultados %>% left_join(candidatos, by="SQ_CANDIDATO")

Agora usaremos uma outra estratégia de junção que evita a duplicação dos dados dos candidatos. Vamos agregar o banco de dados dos resultados para a mesma unidade de análise do banco dos candidatos: uma linha por candidato.

Some o voto dos candidatos em diversas zonas para gerar um banco de dados resumido no nível do candidato. (Por favor inclua a variável DS_SIT_TOT_TURNO no seu agrupamento para que ela fique disponível para uso abaixo).

resultados_totais <- resultados %>% group_by(SQ_CANDIDATO, DS_SIT_TOT_TURNO) %>%
  summarize(QT_VOTOS_NOMINAIS=sum(QT_VOTOS_NOMINAIS, na.rm=T)) %>%
  ungroup()

Usando o seu banco de dados resumido de (a), execute um left_join() apropriado para incorporar os dados dos candidatos.

resultados_totais_candidatos <- resultados_totais %>% left_join(candidatos, by="SQ_CANDIDATO")

1. O seu banco de dados de 5(b) contém apenas os candidatos para os quais temos resultados. Execute um join apropriado para produzir uma tabela de todos os candidatos (mesmo aqueles sem resultados) com o respectivo número de votos.

candidatos_resultados_totais <- candidatos %>% left_join(resultados_totais, by="SQ_CANDIDATO")

#OU

candidatos_resultados_totais <- resultados_totais %>% right_join(candidatos, by="SQ_CANDIDATO")

Como a coluna QT_VOTOS_NOMINAIS foi preenchida em 6(a) para os candidatos que não receberam votos no banco resultados? Sabendo que esses candidatos não receberam voto, recodifique a coluna para inserir zero votos nos locais apropriados da coluna QT_VOTOS_NOMINAIS.

candidatos_resultados_totais <- candidatos_resultados_totais %>% 
  mutate(QT_VOTOS_NOMINAIS=case_when(is.na(QT_VOTOS_NOMINAIS)~0,
                                     TRUE~QT_VOTOS_NOMINAIS))

A partir de agora, vamos produzir gráficos usando o banco de dados que você criou em Q5(b). Para o nosso primeiro gráfico, vamos apresentar o número de candidatos para vereador por município (variável NM_UE).

Escolha um tipo de gráfico apropriado e crie o gráfico.
Adicione um título ao seu gráfico, e rótulos nos eixos.
Use o código da camada + theme(axis.text.x = element_text(angle = 90)) para virar o texto do município vertical e deixar mais visível.

resultados_totais_candidatos %>% 
  ggplot() +
  geom_bar(aes(x=NM_UE)) +
  ggtitle("Número de Candidatos por Município") +
  xlab("Município") +
  ylab("Número de Candidatos") + 
  theme(axis.text.x = element_text(angle = 90))

Agora, a nossa questão de pesquisa é o número de candidatos por gênero (variável DS_GENERO) no estado inteiro. Prepare um gráfico apropriado, com título, rótulos nos eixos e aplique um tema simples da sua escolha.

resultados_totais_candidatos %>% 
  ggplot() +
  geom_bar(aes(x=DS_GENERO)) +
  ggtitle("Número de Candidatos por Gênero") +
  xlab("Gênero") +
  ylab("Número de Candidatos") +
  theme_classic()

Gere um gráfico apropriado que mostra a porcentagem de candidatos por gênero em cada município. Formate o seu gráfico com títulos, rótulos nos eixos, virando o texto no eixo x, e ajuste a legenda para que ela fique abaixo do gráfico.

resultados_totais_candidatos %>% group_by(NM_UE, DS_GENERO) %>%
  tally() %>%
  ggplot() +
  geom_col(aes(x=NM_UE, y=n, fill=DS_GENERO), position="fill") +
  ggtitle("O Porcentagem de Candidatos por Município e Gênero") +
  xlab("Município") +
  ylab("Porcentagem de Candidatos") + 
  theme(axis.text.x = element_text(angle = 90)) +
  theme(legend.position="bottom")

Parece que por conta das cotas não há muita variação na porcentagem de candidatos por gênero. Podemos aprender mais investigando a taxa de sucesso de candidatos por gênero.

Gere uma variável binária que indica os vereadores eleitos, baseada na variável DS_SIT_TOT_TURNO.

resultados_totais_candidatos <- resultados_totais_candidatos %>% 
  mutate(Eleito=case_when(DS_SIT_TOT_TURNO %in% 
                            c("ELEITO POR QP","ELEITO POR MÉDIA", "ELEITO")~1,
                                      TRUE~0))

Calcule a taxa de sucesso (% eleito) de candidatos por município e gênero.

sucesso_por_genero_mun <- resultados_totais_candidatos %>% 
  group_by(NM_UE, DS_GENERO, Eleito) %>%
  tally() %>%
  group_by(NM_UE, DS_GENERO) %>%
  mutate(Pct_eleito=100*(n/sum(n,na.rm=T))) %>%
  ungroup()

Mostre um gráfico de barras da taxa de sucesso (% eleito) dos candidatos femininos por município, com formatação apropriada.

sucesso_por_genero_mun %>%
  filter(DS_GENERO=="FEMININO" & Eleito==1) %>%
  ggplot() +
  geom_col(aes(x=NM_UE, y=Pct_eleito)) +
  ggtitle("O Porcentagem de Candidatos Femininos Eleitos por Município") +
  xlab("Município") +
  ylab("% de Candidatos Eleitos") + 
  theme_classic() +
  theme(axis.text.x = element_text(angle = 90))

Extende o seu gráfico para mostrar a taxa de sucesso de homens e mulheres lado a lado, por município. Verifique que a cor das barras varia por gênero.

sucesso_por_genero_mun %>%
  filter(Eleito==1) %>%
  ggplot() +
  geom_col(aes(x=NM_UE, y=Pct_eleito, fill=DS_GENERO), position="dodge") +
  ggtitle("O Porcentagem de Candidatos Eleitos por Município e Gênero") +
  xlab("Município") +
  ylab("% de Candidatos Eleitos") + 
  theme_classic() +
  theme(axis.text.x = element_text(angle = 90))

Qual é o município em que as mulheres têm uma maior taxa de sucesso que os homens?

mun_sucesso_feminino <- sucesso_por_genero_mun %>% filter(Eleito==1) %>% 
  select(-n) %>%
  pivot_wider(names_from="DS_GENERO", 
              values_from="Pct_eleito") %>%
  filter(FEMININO>MASCULINO) %>%
  pull(NM_UE)

O município em que as mulheres têm uma maior taxa de sucesso que os homens é CAROEBE.

Gere um gráfico de ‘tile’, que mostra o número de candidatos por município e gênero. Aplique uma escala de cores apropriada de sua escolha. Formate o seu gráfico.

resultados_totais_candidatos %>% group_by(NM_UE, DS_GENERO) %>%
  tally() %>%
  ggplot() +
  geom_tile(aes(x=DS_GENERO, y=NM_UE, fill=n)) +
  scale_fill_gradient(low="#efedf5", high="#3f007d") +
  ggtitle("Número de Candidatos por Município e Gênero") +
  xlab("Município") +
  ylab("Número de Candidatos") + 
  theme_classic()

Agora exploramos a idade dos candidatos.

Apresente um gráfico de histograma da idade dos candidatos (NR_IDADE_DATA_POSSE). Faça qualquer ajuste necessário para que o seu gráfico faça sentido e incorpore valores de idade possíveis. Formate o seu gráfico.

resultados_totais_candidatos %>% 
  mutate(NR_IDADE_DATA_POSSE=case_when(NR_IDADE_DATA_POSSE==999~NA_real_,
                                       TRUE~NR_IDADE_DATA_POSSE)) %>%
  ggplot() +
  geom_histogram(aes(x=NR_IDADE_DATA_POSSE)) +
  ggtitle("Histograma de Candidatos por Idade") +
  xlab("Idade") +
  ylab("Número de Candidatos") + 
  theme_classic()

Apresente o mesmo gráfico de histograma da idade dos candidatos, mas agora separado por gênero.

resultados_totais_candidatos %>% 
  mutate(NR_IDADE_DATA_POSSE=case_when(NR_IDADE_DATA_POSSE==999~NA_real_,
                                       TRUE~NR_IDADE_DATA_POSSE)) %>%
  ggplot() +
  geom_histogram(aes(x=NR_IDADE_DATA_POSSE, fill=DS_GENERO), 
                 position="dodge") +
  ggtitle("Histograma de Candidatos por Idade") +
  xlab("Idade") +
  ylab("Número de Candidatos") + 
  theme_classic()

Como uma forma alternativa de apresentar os dados, divida o seu gráfico de histograma em facets diferentes, dividido por gênero e raça.

resultados_totais_candidatos %>% 
  mutate(NR_IDADE_DATA_POSSE=case_when(NR_IDADE_DATA_POSSE==999~NA_real_,
                                       TRUE~NR_IDADE_DATA_POSSE)) %>%
  ggplot() +
  geom_histogram(aes(x=NR_IDADE_DATA_POSSE, fill=DS_GENERO)) +
  ggtitle("Histograma de Candidatos por Idade") +
  xlab("Idade") +
  ylab("Número de Candidatos") + 
  theme_classic() +
  facet_grid(rows=vars(DS_COR_RACA), cols=vars(DS_GENERO))

Agora analisamos em mais detalhe os resultados da eleição.

Calcule a porcentagem de votos dos vereadores em cada município.

resultados_totais_candidatos <- resultados_totais_candidatos %>% 
  group_by(NM_UE) %>%
  mutate(Pct_Votos=100*(QT_VOTOS_NOMINAIS/sum(QT_VOTOS_NOMINAIS,na.rm=T)))

Calcule a média da porcentagem de votos dos candidatos por idade.

candidatos_idade_media_votos <- resultados_totais_candidatos %>% 
  mutate(NR_IDADE_DATA_POSSE=case_when(NR_IDADE_DATA_POSSE==999~NA_real_,
                                       TRUE~NR_IDADE_DATA_POSSE)) %>% 
  group_by(NR_IDADE_DATA_POSSE) %>%
  summarize(Media_Pct_Votos=mean(Pct_Votos,na.rm=T))

Mostre num gráfico de linhas a porcentagem média de votos dos candidatos (no eixo y) por idade do candidato (no eixo x). Formate o seu gráfico.

candidatos_idade_media_votos %>%
  ggplot() +
  geom_line(aes(x=NR_IDADE_DATA_POSSE, y=Media_Pct_Votos)) +
  ggtitle("Porcentagem de Votos de Candidatos por Idade") +
  xlab("Idade") +
  ylab("Média de Porcentagem de Votos") + 
  theme_classic()

Mostre num gráfico de linhas a porcentagem de votos dos candidatos (no eixo y) por idade do candidato (no eixo x), com linhas separadas por gênero.

candidatos_idade_genero_media_votos <- resultados_totais_candidatos %>% 
mutate(NR_IDADE_DATA_POSSE=case_when(NR_IDADE_DATA_POSSE==999~NA_real_,
                                       TRUE~NR_IDADE_DATA_POSSE)) %>% 
  group_by(DS_GENERO, NR_IDADE_DATA_POSSE) %>%
  summarize(Media_Pct_Votos=mean(Pct_Votos,na.rm=T)) 

candidatos_idade_genero_media_votos %>%
  ggplot() +
  geom_line(aes(x=NR_IDADE_DATA_POSSE, y=Media_Pct_Votos, group=DS_GENERO, colour=DS_GENERO))

Em qual idade os homens e as mulheres têm a maior porcentagem de votação?

candidatos_idade_genero_media_votos %>%
  group_by(DS_GENERO) %>%
  arrange(DS_GENERO, -Media_Pct_Votos) %>%
  top_n(1, Media_Pct_Votos)

1. Calcule o voto total de cada partido (não candidato) em cada município nas eleições para vereador em 2016. Depois, calcule a porcentagem do voto de cada partido em cada município.

resultados_totais_partidos <- resultados_totais_candidatos %>% group_by(NM_UE, SG_PARTIDO) %>%
  summarize(Tot_Votos=sum(QT_VOTOS_NOMINAIS, na.rm=T)) %>%
  group_by(NM_UE) %>%
  mutate(Pct_Votos=100*(Tot_Votos/sum(Tot_Votos,na.rm=T))) %>%
  ungroup()

Use o código abaixo para gerar uma tabela de IDH (Índice de Desenvolvimento Humano em 2010) por município.

IDH <- tibble(NM_UE=c("ALTO ALEGRE", "AMAJARI", "BOAVISTA", "BONFIM",
                      "CANTÁ", "CARACARAÍ", "CAROEBE", "IRACEMA", "MUCAJAÍ", 
                      "NORMANDIA", "PACARAIMA", "RORAINOPOLIS", 
                      "SÃO JOÃO DA BALIZA", "SÃO LUIZ", "UIRAMUTÃ"),
       IDH=c(0.542, 0.484, 0.752, 0.626, 0.619, 0.624, 0.639, 0.582, 0.665, 
             0.594, 0.650, 0.619, 0.655, 0.649, 0.453))

Use um anti_join() para verificar se existe um identificador comum e completo para os dois bancos de resultados por partido e IDH. Corrija os erros para que todas as observações possam ser cruzadas.

resultados_totais_partidos %>% anti_join(IDH, by="NM_UE") %>%
  distinct(NM_UE) #Boa Vista e Roraionopolis não cruzados

Use um left_join() para juntar os dados de voto por partido de questão (a) com a tabela de IDH de questão (b).

IDH <- IDH %>% mutate(NM_UE=case_when(NM_UE=="BOAVISTA"~"BOA VISTA",
                             NM_UE=="RORAINOPOLIS"~"RORAINÓPOLIS",
                             TRUE~NM_UE))

resultados_totais_partidos_IDH <- resultados_totais_partidos %>% 
  left_join(IDH, by="NM_UE")

Crie um gráfico de pontos do IDH do município no eixo X por porcentagem de votos do partido PMDB no eixo Y. Adicione um título e rótulos nos eixos.

resultados_totais_partidos_IDH %>% 
  filter(SG_PARTIDO=="PMDB") %>%
  ggplot() + 
  geom_point(aes(x=IDH, y=Pct_Votos)) +
  ggtitle("IDH do Município e Porcentagem de Votos do PMDB") +
  xlab("IDH") +
  ylab("Porcentagem de Votos do PMDB") + 
  theme_classic()

Ajuste o seu gráfico na questão (d) para que o tamanho de cada ponto mostra o total de votos que o PMDB recebeu no município.

resultados_totais_partidos_IDH %>% 
  filter(SG_PARTIDO=="PMDB") %>%
  ggplot() + 
  geom_point(aes(x=IDH, y=Pct_Votos, size=Tot_Votos)) +
  ggtitle("IDH do Município e Porcentagem de Votos do PMDB") +
  xlab("IDH") +
  ylab("Porcentagem de Votos do PMDB") + 
  theme_classic()

Ajuste o seu gráfico na questão (d) para que 1 cor dos pontos (em vez do tamanho) mostre o total de votos que o PMDB recebeu no município. Aplique uma escala de cores apropriada de sua escolha.

resultados_totais_partidos_IDH %>% 
  filter(SG_PARTIDO=="PMDB") %>%
  ggplot() + 
  geom_point(aes(x=IDH, y=Pct_Votos, colour=Tot_Votos)) +
  scale_colour_gradient(low="#fee6ce", high="#a63603") +
  ggtitle("IDH do Município e Porcentagem de Votos do PMDB") +
  xlab("IDH") +
  ylab("Porcentagem de Votos do PMDB") + 
  theme_classic()