code

#rstudio


title: "Criação de Heatmaps para a Pesquisa"
author: "Pablo Bandeira Dalla Vecchia, *e-mail: bandeiraroque@gmail.com*"
date: "`r format(Sys.Date(), '%d %B %Y')`"
output:
  html_document:
    code_download: true
    number_sections: true
    toc: true
    toc_float: true
  word_document:
    toc: true
  pdf_document:
    toc: true
abstract: "In this project I use RStudio, ggplot2 and geobr packages to map the Human Development Indices for municipalities in the Brazilian State of Ceará. It's written in portuguese and, so, I encourage non-portuguese speakers to open the html post in Google Chrome or similar with the translate option.
Later on, i'll be searching for a data source it can provide birth records (probably SINASC), infarnt mortality data (probably SIM), hospitalization data (probably SIH) and dengue data (SINAN, in portuguese). So, for now, i gonna stay with the HDI parameters just for the code."
---


```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```

Introdução 
==================

Primeiro instale o R e posteriormente o RStudio, de modo que o segundo reconheça automaticamente o primeiro. Se tudo estiver perfeito, a tela inicial do RStudio mostrará corretamente a versão do R.


Mapas em R
==================

Agora a meta é gerar um mapa simples em R. Para tanto, primeiro define-se a malha municipal desejada. Para o presente caso, utilizam-se as malhas digitais (packages) do pacote `geobr`. 
Aqui, deixarei o código para a instalação dos pacotes e também seu chamamento através do comando "library".

  
```{r echo = T, results = 'hide', warnings=FALSE}
install.packages(geobr)
install.packages(ggplot2)
install.packages(rnaturalearth)
install.packages(rnaturalearthhires)
install.packages(sf)
install.packages(rio)
install.packages(readr)
install.packages(tidyverse)
install.packages(ggspatial)
install.packages(readxl)
install.packages(httr)
install.packages(xlsx)
```

```{r echo = T, results = 'hide', warnings=FALSE}

library(geobr)
library(ggplot2)
library(rnaturalearth)
library(rnaturalearthhires)
library(sf)
library(rio)
library(readr)
library(tidyverse)
library(ggspatial)
library(readxl)
library(httr)
library(xlsx)
```

O pacote `geobr` tem as rotinas para o download dos mapas com divisões territoriais variadas. Faremos para os municípios do Ceará (CE) - de forma mais precisa, com a cidade de Iguatu - utilizando
a malha com a estrutura municipal de 2018, contendo 184 municípios. É importante o leitor ter essa estrutura em mente, pois ao longo dos anos, municípios são criados a partir de desmembramentos de outros, 
não necessariamente respeitando limites de distritos ou outros atributos previamente definidos.          
    
Este rápido exemplo faz uso das funções do pacote `geobr` e assim, precisamos saber quais os códigos para cada estado. A função `download_metadata()` permite encontrar os códigos para estado e ano e a desagregação desejada (município, estado etc).

```{r echo = T, results = 'hide'}
library(geobr)
list_geobr()
city <- read_municipality()
all_mun_ce <- read_municipality(code_muni = 23, year=2018) #

O IBGE utiliza uma codificação para cada Unidade da Federação (UF ou Estado) e, geralmente, esse código vem através de números. O código para o Estado do Ceará é 23. 
Você pode consultar os demais código nesse site aqui. <https://atendimento.tecnospeed.com.br/hc/pt-br/articles/360021494734-Tabela-de-C%C3%B3digo-de-UF-do-IBGE>

Posso verificar que para CE, especificarei 23 e para o ano de 2018. Agora posso baixar os dados (shapes) para os municípios do Ceará fazendo uso da função `read_municipality(code_muni=23, year=2018)` em:

```
all_mun_ce <- read_municipality(code_muni=23, year=2018)
```

O usuário que desejar baixar todos os municípios observará alguma demora no download dos dados, devido ao número de municípios e restrito à velocidade de sua internet.    
A visualização da saída do objeto `all_mun_ce` indica as variáveis armazenadas. É possível verificar que esse objeto é da classe `sf` e `data.frame`. 
Um objeto `sf` contém uma coleção de recursos incluindo atributos e geometrias que contemplam os aspectos espaciais para desenhar o mapa.

```{r echo = T, results = 'hide', warnings=FALSE}

class(all_mun_ms)
[1] "sf"         "data.frame"
  
```

O dataset pode então ser observado. O dataset contém o código do município, o nome do município, o código do estado, a sigla do estado e aspectos geográficos como latitude, longitude dos vários segmentos que permitirão construir o mapa.

![*Imagem do objeto `all_mun_ms`.*](saida_all_mun_ms.PNG)

Agora vou construir uma variável para ser plotada no mapa. Preciso ter os meus dados em uma planilha em que uma das colunas será o código do município da mesma forma que consta em `code_muni` no objeto `all_mun_ce`. 
Recomendo fazer a associação entre os dados por meio do código, menos sujeito a erros de digitação que para os nomes dos municípios. Para este exemplo, baixei os dados de <http://atlasbrasil.org.br/2013/pt/download/>, ou mais precisamente em <http://atlasbrasil.org.br/2013/data/rawData/atlas2013_dadosbrutos_pt.xlsx>, o site oficial do PNUD para o Índice de Desenvolvimento Humano Municipal do Brasil, para 2013, que nesse caso se refere aos dados do censo demográfico 2010. 
No caso, o arquivo Excel veio com dados de todo o Brasil e para os anos 1991, 2000 e 2010, mas fiz uma extração dos dados para apenas os municípios do Ceará e 2010. Observar que nesse caso tenho uma estrutura municipal de 184 municípios.

```{r, eval=FALSE}

Executei uma vez e gerei dput para executar mais rapidamente conforme próximo chunk

url <- "https://github.com/amrofi/atlasg/raw/master/dadosbrutos/atlas2013_dadosbrutos_pt.xlsx"
destfile <- "atlas2013_dadosbrutos_pt.xlsx"
#options(timeout= 4000000) # Pode demorar, mas acredita em mim, vai ser tranquilo! :)
curl::curl_download(url, destfile)
atlas2013_dadosbrutos_pt <- read_excel(destfile, 
                                       sheet = "MUN 91-00-10")
dados_ce <- subset(atlas2013_dadosbrutos_pt, UF == '23' & ANO == '2010',
                   select=c(Codmun7,IDHM,IDHM_E,IDHM_L,IDHM_R))
View(dados_ce)
```

Segue o chunk para carregar dados de `dados_ce` sem precisar acessar o arquivo mestre do chunk anterior. Gera os mesmos resultados acima, transformados a partir do `dput()` de `dados_ce`. Esta alternativa acelera a execução do script.  


# Separar as tabelas com base no identificador


```{r}

dados_ce <-structure(list(Codmun7 = c(), IDHM = c(0.67, 0.711, 0.673, 
0.663, 0.67, 0.697, 0.643, 0.697, 0.688, 0.633, 0.681, 0.71, 
0.684, 0.698, 0.666, 0.67, 0.701, 0.692, 0.703, 0.784, 0.647, 
0.727, 0.754, 0.671, 0.589, 0.7, 0.706, 0.703, 0.694, 0.639, 
0.699, 0.747, 0.684, 0.714, 0.66, 0.721, 0.675, 0.662, 0.681, 
0.654, 0.62, 0.72, 0.526, 0.664, 0.712, 0.708, 0.623, 0.704, 
0.672, 0.736, 0.632, 0.686, 0.7, 0.639, 0.694, 0.721, 0.649, 
0.721, 0.588, 0.671, 0.701, 0.666, 0.664, 0.715, 0.709, 0.673, 
0.651, 0.642, 0.729, 0.614, 0.682, 0.686, 0.681, 0.593, 0.651, 
0.658, 0.744, 0.711), IDHM_E = c(0.518, 0.572, 0.546, 0.557, 
0.538, 0.582, 0.526, 0.588, 0.562, 0.507, 0.537, 0.606, 0.559, 
0.585, 0.573, 0.508, 0.57, 0.592, 0.596, 0.724, 0.522, 0.627, 
0.665, 0.531, 0.417, 0.586, 0.606, 0.579, 0.595, 0.528, 0.597, 
0.657, 0.577, 0.621, 0.511, 0.648, 0.549, 0.53, 0.531, 0.523, 
0.479, 0.615, 0.337, 0.53, 0.595, 0.579, 0.485, 0.618, 0.545, 
0.613, 0.507, 0.565, 0.597, 0.483, 0.554, 0.616, 0.523, 0.627, 
0.444, 0.562, 0.598, 0.526, 0.519, 0.59, 0.585, 0.521, 0.491, 
0.505, 0.608, 0.45, 0.576, 0.561, 0.557, 0.434, 0.545, 0.521, 
0.645, 0.626), IDHM_L = c(0.823, 0.858, 0.818, 0.789, 0.826, 
0.839, 0.799, 0.804, 0.84, 0.798, 0.848, 0.847, 0.814, 0.83, 
0.776, 0.831, 0.837, 0.828, 0.817, 0.844, 0.826, 0.811, 0.85, 
0.83, 0.806, 0.834, 0.811, 0.836, 0.81, 0.773, 0.809, 0.843, 
0.824, 0.815, 0.83, 0.822, 0.826, 0.817, 0.846, 0.809, 0.772, 
0.85, 0.791, 0.827, 0.845, 0.857, 0.77, 0.822, 0.822, 0.873, 
0.782, 0.808, 0.803, 0.822, 0.809, 0.85, 0.798, 0.823, 0.811, 
0.801, 0.812, 0.83, 0.83, 0.861, 0.869, 0.852, 0.83, 0.8, 0.85, 
0.778, 0.825, 0.829, 0.803, 0.782, 0.769, 0.839, 0.849, 0.835
), IDHM_R = c(0.705, 0.733, 0.683, 0.663, 0.676, 0.692, 0.633, 
0.717, 0.69, 0.628, 0.694, 0.698, 0.702, 0.699, 0.665, 0.714, 
0.721, 0.676, 0.715, 0.79, 0.628, 0.756, 0.758, 0.684, 0.607, 
0.701, 0.717, 0.719, 0.693, 0.64, 0.706, 0.753, 0.674, 0.719, 
0.677, 0.705, 0.677, 0.671, 0.702, 0.66, 0.645, 0.715, 0.547, 
0.668, 0.718, 0.716, 0.646, 0.687, 0.676, 0.744, 0.638, 0.707, 
0.715, 0.658, 0.746, 0.716, 0.656, 0.727, 0.566, 0.672, 0.708, 
0.677, 0.681, 0.72, 0.702, 0.686, 0.676, 0.655, 0.751, 0.66, 
0.668, 0.694, 0.706, 0.615, 0.657, 0.651, 0.752, 0.689)), row.names = c(NA, 
-78L), class = c("tbl_df", "tbl", "data.frame"))
```

Segue o chunk para opção de download manual e armazenamento em seu diretório.    

```{r, eval=FALSE}
  
# trazendo os dados do Brasil todo apenas para municipios
library(readxl)
atlas2013_dadosbrutos_pt <- read_excel("atlas2013_dadosbrutos_pt.xlsx", 
    sheet = "MUN 91-00-10") # O comando "sheet" serve para selecionar, dentro do arquivo em Excel, qual das "pastas" ou "planilhas" eu vou utilizar. Nesse caso, iremos usar a planilha chamada de "MUN 91-00-10"

# Reduzir linhas para 2010 e MS
# Usando a funcao subset para pegar as colunas de IDH até a última ()


dados_ce <- subset(atlas2013_dadosbrutos_pt, UF == '23' & ANO == '2010',
                   select=c(Codmun7,IDHM,IDHM_E,IDHM_L,IDHM_R))
```

```{r echo = T, results = 'hide'}

all_mun_ce <- read_municipality(code_muni=23, year=2010)

```       

Juntarei os datasets pela condição de que o `code_muni` do objeto `all_mun_ms` é igual ao `Codmun7` do objeto `dados_ce`.    

```{r}
dataset_final = left_join(all_mun_ce, dados_ce, by=c("code_muni"="Codmun7"))
max(dataset_final$IDHM) # 0.784
min(dataset_final$IDHM) # 0.526
ggplot() +
  geom_sf(data=dataset_final, aes(fill=IDHM), color= NA, size=.15)+
  labs(title="IDHM 2013 (ano base 2010) dos Municipíos de MS",
       caption='Fonte: Elaboração própria', size=8)+
  scale_fill_distiller(palette = "Greens", limits=c(0.5, 0.8),
                       name="Code_muni")+
  theme_minimal()

```

Sendo um mapa feito em `ggplot2` pelos comandos `ggplot() +
  geom_sf(data=dataset_final, aes(fill=IDHM), color= NA, size=.15)`, o padrão é um mapa na escala azul. Ou seja, fazendo agora um mapa para o IDHM_E (IDHM Educação), recomendo o usuário fazer o passo a passo de modo a ver exatamente o que o código realiza:    
  
```{r}

#dataset_final = left_join(all_mun_ms, dados_ce, by=c("code_muni"="Codmun7"))
max(dataset_final$IDHM_E) # 0.724
min(dataset_final$IDHM_E) # 0.337
```

```{r}
ggplot() +
  geom_sf(data=dataset_final, aes(fill=IDHM_E), color= NA, size=.15)

```

Veja que o mapa anterior saiu em azul, sem rótulos. Observe que nesse caso e no próximo, não fiz nenhuma restrição à legenda.     

O próximo sai com rótulos do título e nota ao final do mapa.

```{r}
ggplot() +
  geom_sf(data=dataset_final, aes(fill=IDHM_E), color= NA, size=.15)+
  labs(title="IDHM Educação 2013 (ano base 2010) dos Municipíos do Ceará",
       caption='Fonte: Elaboração própria', size=8)
```