# install.packages(c("censobr", "geobr", "mapview", "tidyverse", "sf"))
library(tidyverse)
library(sf)
library(geobr)
library(censobr)
library(mapview)Agregados por Setores Censitários — Censo 2022 (Portuguese Tutorial)
Spatial Analysis
O IBGE disponibiliza parte dos resultados do Censo Demográfico em forma de agregados por setores censitários por meio de várias tabelas, onde cada linha representa um setor censitário e cada coluna representa uma variável agregada (total de moradores, domicílios, características dos domicílios, renda etc.).
Essas tabelas são organizadas em arquivos temáticos (Básico, Domicílio, Entorno, Pessoa, Responsável etc.), e as variáveis são identificadas por códigos. Sem o dicionário de variáveis não é possível saber o que cada coluna representa. Portanto, consultar o dicionário é sempre o primeiro passo.
Neste tutorial utilizamos o pacote censobr para acessar os dados do Censo 2022, o pacote geobr para os arquivos geográficos dos setores, e o pacote mapview para visualização cartográfica interativa.
(0) Instalação e chamada dos pacotes necessários
(1) Documentação: dicionário de variáveis
Antes de ler qualquer dado, consulte o dicionário de variáveis para o ano e arquivo temático que deseja utilizar. Ele lista todos os códigos e suas descrições.
# Dicionário de variáveis dos agregados por setores censitários (2022)
data_dictionary(year = 2022, dataset = "tracts")Dica: mantenha o dicionário aberto enquanto trabalha com os dados. Os nomes das variáveis só fazem sentido com ele. Para o Censo 2022, os arquivos temáticos disponíveis incluem
"Basico","Domicilio","Pessoas"e"ResponsavelRenda", entre outros.
(2) Leitura dos arquivos temáticos
Carregamos os dois arquivos necessários para as variáveis de interesse. Cada um retorna uma Arrow table, um formato otimizado para memória que permite filtrar e selecionar colunas antes de carregar os dados para a RAM. O collect() só é chamado ao final, quando o subconjunto de interesse já está definido.
sc2022 <- censobr::read_tracts(dataset = "Basico", year = 2022)ℹ Reading data cached locally.sc2022_dom <- censobr::read_tracts(dataset = "Domicilio", year = 2022)ℹ Reading data cached locally.(3) Construção da base de dados integrada
Faremos uma junção dos dois arquivos em um único data.frame, selecionando apenas as variáveis de interesse e calculando os indicadores de inadequação.
(3a) Variáveis selecionadas
| Arquivo | Código original | Nome atribuído | Descrição |
|---|---|---|---|
| Básico | V0001 |
tot |
População total residente |
| Domicílio | domicilio01_V00001 |
dpp |
Domicílios particulares permanentes |
| Domicílio | domicilio02_V00111 |
redger_a |
Dom. com água da rede geral |
| Domicílio | domicilio02_V00309 |
redger_e |
Dom. com esgoto via rede geral |
| Domicílio | domicilio02_V00310 |
fossa_s |
Dom. com fossa séptica ligada à rede |
A partir dessas variáveis brutas, derivamos:
perc_agua_inadeq: proporção de domicílios sem abastecimento de água pela rede geral (1 - redger_a/dpp)perc_esg_inadeq: proporção de domicílios com esgotamento inadequado — sem rede geral nem fossa séptica ligada (1 - (redger_e + fossa_s)/dpp)
(3b) Código de integração
sc_tot_2022 <- sc2022 %>%
select(code_tract, code_muni, V0001) %>%
rename('tot' = 'V0001') %>%
# Juntando com arquivo de Domicílio
left_join(
sc2022_dom %>% select(code_tract, code_muni,
domicilio01_V00001,
domicilio02_V00111,
domicilio02_V00309,
domicilio02_V00310)
) %>%
rename('dpp' = 'domicilio01_V00001',
'redger_a' = 'domicilio02_V00111',
'redger_e' = 'domicilio02_V00309',
'fossa_s' = 'domicilio02_V00310') %>%
collect() %>% # aqui os dados saem da Arrow table e vão para a RAM
mutate(
perc_agua_inadeq = 100*(1 - redger_a / dpp),
perc_esg_inadeq = 100*(1 - (redger_e + fossa_s) / dpp)
)Verificando o resultado:
nrow(sc_tot_2022) # setores no Brasil[1] 468099names(sc_tot_2022) # variáveis disponíveis[1] "code_tract" "code_muni" "tot" "dpp"
[5] "redger_a" "redger_e" "fossa_s" "perc_agua_inadeq"
[9] "perc_esg_inadeq" (4) Filtrando para Macapá e integrando com dados geográficos (Macapá-AP)
# Obtendo o código IBGE de Macapá
mcp_ibge <- geobr::lookup_muni(name_muni = "Macapá")$code_muniUsing year/date 2010Returning results for municipality Macapá# Filtrando o dataset analítico para Macapá
sc_mcp_2022 <- sc_tot_2022 %>%
filter(code_muni == mcp_ibge)
nrow(sc_mcp_2022) # setores censitários em Macapá[1] 776# Lendo os polígonos dos setores censitários de Macapá
mcp_sc_geo <- geobr::read_census_tract(code_tract = mcp_ibge, simplified = FALSE)Using year/date 2010# Ambos têm a coluna code_tract — usada como chave de junção
mcp_sc_geo <- mcp_sc_geo %>%
left_join(sc_mcp_2022, by = "code_tract")(5) Visualização com mapview
(5a) População total residente
mapview(mcp_sc_geo,
zcol = "tot",
layer.name = "Pop. total residente",
col.regions = hcl.colors(100, palette = "Blues 3") |> rev())Warning: Found less unique colors (100) than unique zcol values (286)!
Interpolating color vector to match number of zcol values.(5b) Total de domicílios particulares permanentes
mapview(mcp_sc_geo,
zcol = "dpp",
layer.name = "Dom. part. permanentes",
col.regions = hcl.colors(100, palette = "Purples 3") |> rev())Warning: Found less unique colors (100) than unique zcol values (213)!
Interpolating color vector to match number of zcol values.(5c) % de domicílios com abastecimento de água inadequado
mapview(mcp_sc_geo,
zcol = "perc_agua_inadeq",
layer.name = "% dom. sem água da rede",
col.regions = hcl.colors(100, palette = "Reds 3") |> rev())Warning: Found less unique colors (100) than unique zcol values (302)!
Interpolating color vector to match number of zcol values.(5d) % de domicílios com esgotamento sanitário inadequado
mapview(mcp_sc_geo,
zcol = "perc_esg_inadeq",
layer.name = "% dom. esgoto inadequado",
col.regions = hcl.colors(100, palette = "YlOrRd") |> rev())Warning: Found less unique colors (100) than unique zcol values (135)!
Interpolating color vector to match number of zcol values.