class: center, middle, inverse, title-slide # Oficina de Introdução ao Software R ## R e Desafios no Projeto Temático ### Beatriz Milz ### 17/10/2018 --- <style> .remark-slide-number { position: inherit; } .remark-slide-number .progress-bar-container { position: absolute; bottom: 0; height: 4px; display: block; left: 0; right: 0; } .remark-slide-number .progress-bar { height: 100%; background-color: red; } </style> # Sobre mim .left-column[ <img src="imagens/foto.jpg" width="300px"/> ] .right-column[ - Beatriz Milz, 25 anos, Diadema. - Bacharel em Gestão Ambiental (EACH/USP); - Mestre em Ciências no PPG-Análise Ambiental Integrada (UNIFESP/Diadema) - Atualmente candidata ao Doutorado em Ciência Ambiental no PROCAM/IEE/USP. - Aprendendo R desde agosto de 2018. - Participa da comunidade R-Ladies São Paulo desde agosto de 2018. - Email:<a href="mailto:beatriz.milz@hotmail.com"><i class="fas fa-envelope-square"></i>&nbsp; beatriz.milz@hotmail.com</a><br> - Github:<a href="http://github.com/beatrizmilz"><i class="fab fa-github"></i>&nbsp; @beatrizmilz</a> (repositório de código)<br> ] --- #Macrometrópole Paulista Projeto Temático Fapesp: Governança ambiental da macrometrópole paulista face à variabilidade climática<br> <center> <img src="imagens/mmp.jpg"> </center> --- #Delimitação territorial da Macrometrópole Paulista (MMP) * Diferentes delimitações: + [Empresa Paulista de Planejamento Metropolitano](https://www.emplasa.sp.gov.br/MMP) (EMPLASA): 174 municípios + [Departamento de Águas e Energia Elétrica](http://www.daee.sp.gov.br) (DAEE): 180 municípios --- class: center, middle background-image: url("imagens/logo_MA_color.png") background-size: contain, 50% 50%, cover # É um desafio! --- #Como o R pode ajudar? > R is a free software environment for statistical computing and graphics. (https://www.r-project.org/) > R é um ambiente de software livre para computação estatística e gráficos. * O R é open-source <br> <center><img src="imagens/Rlogo.png"></center> --- # O R é uma linguagem de programação. Qual é a vantagem? ### É um texto ### É reprodutível ### Dá para compartilhar! --- Exemplo: ```r attach(mtcars) plot(wt, mpg, main="Scatterplot Example", xlab="Car Weight ", ylab="Miles Per Gallon ", pch=19) ``` <!-- --> --- ## Rmarkdown * É um tipo de arquivo que suporta códigos em R, texto, markdown e outros formatos. * O markdown é uma linguagem de marcação simples. * [Rmarkdown Cheatsheet](http://www.rstudio.com/wp-content/uploads/2016/03/rmarkdown-cheatsheet-2.0.pdf) * Possibilita exportar diferentes tipos de arquivos. <br> <center><img src="imagens/markdown.png" style="width: 50%"></center> --- #Rmarkdown É possível elaborar relatórios no Rmarkdown. Porque é interessante? ##Exemplo: Pergunta: Qual é a população da MMP? * Depende da delimitação territorial! * Neste exemplo usaremos a delimitação da EMPLASA. --- #Tidyverse Primeiro precisamos carregar o pacote tidyverse. ```r #install.packages("tidyverse") # Instalar o pacote Tidyverse library(tidyverse) #Carregar o pacote tidyverse ``` <center> <img src="imagens/data-science.png"> </center> Fonte: http://r4ds.had.co.nz/ --- # Quais são as divisões administrativas? ## Importar a tabela para o R: obs: Agradeço à Nana Laura e Ana Lia pela elaboração e disponibilização da tabela que contém a divisão administrativa, e os municípios pertencentes à MMP. ```r #Carregar a tabela de divisão administrativa divisao_adm <- readxl::read_xlsx("dados/divisao_adm.xlsx") #Renomear as colunas names(divisao_adm) <- c("codigo_ibge", "municipio", "regiao_administrativa", "regiao_de_governo", "regiao_metropolitana", "aglomeracoes_urbanas", "rm_au") #Transformar a coluna do código IBGE em número divisao_adm$codigo_ibge <- as.integer(divisao_adm$codigo_ibge) ``` --- # Delimitação Emplasa - Importar as tabelas excel contendo os municípios que fazem parte da MMP: ```r # Importar a tabela para o R mmp_emplasa <- readxl::read_xlsx("dados/delimitacaoterritorialMMP_Emplasa.xlsx") # Renomear as colunas para padronizar os nomes names(mmp_emplasa) <- c("municipio","codigo_ibge") # Padronizar e deixar o código do IBGE configurado como número mmp_emplasa$codigo_ibge <- as.integer(mmp_emplasa$codigo_ibge) #Juntar os dados de divisão administrativa baseados nos municípios contidos na tabela da Emplasa mmp_emplasa <- left_join(mmp_emplasa, divisao_adm, by="codigo_ibge") # Deletar a coluna que fica repetida mmp_emplasa$municipio.y <- NULL ``` --- class: center, middle # E agora? ##Podemos cruzar com outros bancos de dados! --- #Cruzar com outras informações Para esse exemplo, vamos cruzar com dados de população por município: - Informações dos Municípios Paulistas - http://www.imp.seade.gov.br/frontend/ ```r # Importar a tabela para o R imp_2018 <- read_csv2("dados/imp_2018-10-02_01-05.csv") #Renomear as colunas names(imp_2018) <- c("municipio", "ano", "populacao", "populacao_masculina", "populacao_feminina", "razao_de_sexos", "populacao_urbana", "populacao_rural", "grau_urbanizacao_porcentagem", "codigo_ibge") ``` --- #Left Join - Emplasa ```r # Cria a tabela e faz o left join baseado no código IBGE imp_2018_mmp_emplasa <- left_join(mmp_emplasa, imp_2018, by="codigo_ibge") # A coluna de município está repetida, então apago uma delas. imp_2018_mmp_emplasa$municipio.y <- NULL head(imp_2018_mmp_emplasa) ``` ``` ## # A tibble: 6 x 16 ## municipio.x codigo_ibge regiao_administ~ regiao_de_gover~ ## <chr> <int> <chr> <chr> ## 1 ÁGUAS DE S~ 3500600 Região Administ~ Região de Gover~ ## 2 ÁGUAS DE S~ 3500600 Região Administ~ Região de Gover~ ## 3 ÁGUAS DE S~ 3500600 Região Administ~ Região de Gover~ ## 4 ÁGUAS DE S~ 3500600 Região Administ~ Região de Gover~ ## 5 ÁGUAS DE S~ 3500600 Região Administ~ Região de Gover~ ## 6 ALAMBARI 3500758 Região Administ~ Região de Gover~ ## # ... with 12 more variables: regiao_metropolitana <chr>, ## # aglomeracoes_urbanas <chr>, rm_au <chr>, municipio <chr>, ano <int>, ## # populacao <int>, populacao_masculina <int>, populacao_feminina <int>, ## # razao_de_sexos <dbl>, populacao_urbana <int>, populacao_rural <chr>, ## # grau_urbanizacao_porcentagem <dbl> ``` --- class: inverse, center, middle # Vamos aos dados! --- # População na MMP entre 2014 e 2018 - Delimitação EMPLASA Fonte: - Informações dos Municípios Paulistas - http://www.imp.seade.gov.br/frontend/ ```r imp_2018_mmp_emplasa %>% group_by(ano) %>% summarise(PopulacaoTotal = sum(populacao)) ``` ``` ## # A tibble: 5 x 2 ## ano PopulacaoTotal ## <int> <int> ## 1 2014 31828473 ## 2 2015 32126172 ## 3 2016 32376430 ## 4 2017 32629239 ## 5 2018 32884608 ``` Segundo os dados da SEADE, em 2018 a MMP tem 32,88 milhões de habitantes. --- População na MMP em 2018, por RM/AU, segundo os dados da SEADE: <!-- --> --- # Vantagens de trabalhar com o R e o Rmarkdown * É possível escrever os códigos que geram as tabelas e gráficos. * Quando o banco de dados for atualizado (por exemplo, houver alguma modificação na lista de municípios pertencentes à MMP) não será necessário refazer os gráficos. Apenas necessário compilar novamente. * Facilita o compartilhamento dos dados e análises com outros pesquisadores. * É possível exportar em diversos formatos, inclusive transformar o relatório em apresentações. --- # Materiais de estudo - [R for Data Science](https://r4ds.had.co.nz/) - Livro em inglês, disponibilizado gratuitamente online. Conteúdo muito bom sobre R. - [Curso-R](http://curso-r.com/) - Cursos presenciais sobre R. - [Material Curso-R](http://material.curso-r.com/) - Material disponibilizado pela Curso-R para estudo. - [Blog Curso-R](https://www.curso-r.com/blog/) - Blog do Curso-R com diversos conteúdos interessantes. # Links interessantes * [Dados de execução orçamentária da PMSP](https://beatrizmilz.github.io/DadosExecucaoOrcamentariaPMSP/index.html) * [Rpollution](https://www.rpollution.com/) - Blog onde é publicado análise de dados sobre poluição do ar; --- class: inverse, center, middle # Obrigada! Apresentação elaborada com [Xaringan](https://github.com/yihui/xaringan)