Pirâmide etária da vacinação

A vacinação tem avançado de forma acelerada no país. Em muitos regiões, já estamos vacinando as pessoas na casa dos 30 anos. Apesar disso, ainda deve levar algum tempo até uma parcela considerável da população estar plenamente imunizada.

Inspirado em um tweet que vi a algum tempo, resolvi replicar essa visualização bastante interessante, que mostra a quantidade de vacinados em relação à população por meio de uma pirâmide etária.

Como os microdados da vacinação para todo o país geram um arquivo muito grande, optei por selecionar apenas dos dados do Paraná. Os dados de vacinação estão disponíveis aqui. Seguindo o código abaixo, é possível construir o mesmo gráfico para qualquer um dos estados.


library(tidyverse)
library(sidrar)

dados = read.csv2("vacina_PR.csv")

Os dados de população serão obtidos por meio da PNAD contínua anual de 2019, com o pacote *sidrar*. Para o gráfico ficar no formato de pirâmide, iremos alterar o valor das mulheres para ser negativo.

piramide = get_sidra(6706, 
variable = 606, 
geo = "State",
geo.filter = list("State" = 41)) %>%
filter(Sexo != "Total") %>%
mutate(`Grupo de idade` = ifelse(`Grupo de idade` == "5 a 9 anos",
"05 a 9 anos",
`Grupo de idade`),
Valor = ifelse(Sexo == "Mulheres",-Valor, Valor))

 

Primeiramente, iremos selecionar apenas as primeiras doses. A mesma visualização pode ser feita para a segunda dose, alterando essa linha. Como os dados de população estão disponíveis por faixas de renda, iremos colocar os dados de vacinação nestas faixas. Assim, agrupamos por faixa de idade e gênero para contar as pessoas. Da mesma forma que fizemos para a população, também iremos tornar a quantidade de mulheres negativa.


dados_g = dados %>%
filter(str_replace_all(vacina_descricao_dose, "[^[:alnum:]]", " ") == "1ª Dose") %>%
mutate(`Grupo de idade` = case_when(paciente_idade < 5 ~ "0 a 4 anos",
paciente_idade > 4 & paciente_idade < 10 ~ "05 a 9 anos",
paciente_idade > 9 & paciente_idade < 15 ~ "10 a 14 anos",
paciente_idade > 14 & paciente_idade < 20 ~ "15 a 19 anos",
paciente_idade > 19 & paciente_idade < 25 ~ "20 a 24 anos",
paciente_idade > 24 & paciente_idade < 30 ~ "25 a 29 anos",
paciente_idade > 29 & paciente_idade < 35 ~ "30 a 34 anos",
paciente_idade > 34 & paciente_idade < 40 ~ "35 a 39 anos",
paciente_idade > 39 & paciente_idade < 45 ~ "40 a 44 anos",
paciente_idade > 44 & paciente_idade < 50 ~ "45 a 49 anos",
paciente_idade > 49 & paciente_idade < 55 ~ "50 a 54 anos",
paciente_idade > 54 & paciente_idade < 60 ~ "55 a 59 anos",
paciente_idade > 59 & paciente_idade < 65 ~ "60 a 64 anos",
paciente_idade > 64 & paciente_idade < 70 ~ "65 a 69 anos",
paciente_idade > 69 & paciente_idade < 75 ~ "70 a 74 anos",
paciente_idade > 74 & paciente_idade < 80 ~ "75 a 79 anos",
paciente_idade > 79 ~ "80 anos ou mais")) %>%
group_by(`Grupo de idade`, paciente_enumsexobiologico) %>%
tally() %>%
filter(paciente_enumsexobiologico %in% c("M", "F")) %>%
mutate(n = ifelse(paciente_enumsexobiologico == "F", -n, n),
paciente_enumsexobiologico = ifelse(paciente_enumsexobiologico == "F",
"Mulheres",
"Homens"))

Assim, basta fazer o gráfico de pirâmide etária com dois "geom_bar". O primeiro é o de população, que fica no fundo. Já o segundo é o de dados da vacinação.

ggplot() +
geom_bar(data=piramide, 
aes(y=Valor*1000, x = `Grupo de idade`, fill = Sexo), 
stat="identity", alpha = 0.4, width=1) +
geom_bar(data=dados_g, 
aes(y=n, x = `Grupo de idade`, fill = paciente_enumsexobiologico),
stat="identity", width=1) +
scale_fill_manual(values = c("#c23c3c", "#276f9c", "#276f9c", "#c23c3c")) +
coord_flip() +
theme_classic() +
ggtitle("Pirâmide etária de vacinados com a primeira dose no Paraná",
subtitle="Com dados do dia 14/07/2021") +
scale_y_continuous(labels = abs) +
ylab("Número de pessoas") 

 

________________________
(*) Para entender mais sobre a linguagem R e como analisar dados, confira 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

Criando um dashboard das previsões do Relatório Focus

O Relatório Focus, divulgado semanalmente pelo Banco Central, reúne as expectativas do mercado para variáveis-chave da economia brasileira, como inflação, câmbio, PIB e Selic. Neste projeto, transformamos esses dados em um dashboard interativo para acompanhar a acurácia das previsões ao longo do tempo.

Como usar Modelos de Linguagem no R com o pacote {elmer}

Na análise de dados contemporânea, o uso de Modelos de Linguagem (LLMs) vem se consolidando como uma ferramenta poderosa para automatizar e aprimorar tarefas analíticas. Ao integrarmos LLMs a pacotes como o ellmer, podemos ampliar nossas capacidades de extração, interpretação e automação de dados no ambiente R. Neste post, exploramos o papel desses modelos e detalhamos como o ellmer opera dentro do universo da linguagem de programação R.

Introdução ao AutoGen: Agentes Inteligentes na Análise Financeira

O AutoGen é um framework da Microsoft que permite criar agentes de IA colaborativos. Na área financeira, pode automatizar a coleta de dados, cálculos de indicadores e geração de relatórios. Este artigo apresenta os conceitos básicos e um exemplo aplicado a ações de empresas.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

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.