Análise da violência no Rio com o R

O Instituto de Segurança Pública (ISP) disponibiliza uma série de dados relacionados à violência no Rio de Janeiro. Nesse post, mostro como coletar e visualizar alguns desses dados com o R. A seguir, baixamos os dados mensais referentes à várias métricas de violência no Estado.


#####################################################
##### Segurança Pública no Rio de Janeiro ###########
#####################################################

library(readr)
library(lubridate)
library(magrittr)
library(dplyr)
library(ggplot2)
library(scales)
library(BMR)

url = 'http://www.ispdados.rj.gov.br/Arquivos/DOMensalEstadoDesde1991.csv'
download.file(url, destfile='basededados.csv', mode='wb')
data = read_csv2('basededados.csv') %>%
mutate(date = make_datetime(vano, mes))

Uma vez que baixamos e lemos os dados do ISP, nós também criamos um vetor de datas a partir do próprio dataset. A seguir, visualizamos alguns dados referentes a homicídios e outros crimes relacionados.

A seguir, visualizamos crimes associados a roubos.

Por fim, visualizamos os homicídios associados a intervenções policiais.

Como mostra o bloxplot abaixo, os dados de homicídios por intervenção policial na ponta estão bem acima da mediana histórica. É realmente um número preocupante.

____________________________

Aprenda a fazer isso e muito mais com o R com o nosso Curso de Introdução ao R para Análise de Dados.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise regional do mercado de trabalho com dados do CAGED usando Python

Os microdados dos CAGED fornecem informações detalhadas a nível de cidade, sexo, raça, nível de instrução, idade, salário e outras sobre os trabalhadores formais do Brasil, possibilitando ricas análises regionais de dados. Neste artigo mostramos como acessar, processar e analisar estes dados utilizando o Python.

Transfer Learning: mostrando porque o Python está na ponta do desenvolvimento

A aprendizagem por transferência (transfer learning) é o reuso de um modelo pré-treinado em um novo problema. Portanto, sua utilização torna-se um avanço enorme para a previsão de diferentes tipos de variáveis, principalmente para aquelas ordenadas no tempo. Mostramos nesta postagem o uso do Transfer Learning com o Python para o caso de Séries Temporais.

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.