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

Como usar o Google AI Studio e o Gemini?

Na corrida da IA, novas ferramentas e modelos são lançados quase que diariamente. Neste artigo mostramos como o Google tem competido neste mercado através do AI Studio e do Gemini e damos um exemplo de integração em Python.

Analisando a ancoragem das expectativas de inflação no Python

Se expectativas de inflação ancoradas com a meta são importantes para a economia, analisar o grau de ancoragem é imperativo para economistas e analistas de mercado. Neste exercício mostramos uma forma de aplicar esta análise com uma metodologia desenvolvida pelo FMI. Desde a coleta dos dados, passando pelo modelo e pela visualização de dados, mostramos como analisar a política monetária usando o Python.

Como analisar a DRE de empresas de capital aberto usando o Python

Quando analisamos a demonstração de resultados de uma empresa listada na bolsa de valores, frequentemente recorremos a ferramentas convencionais, que embora sejam úteis, muitas vezes carecem de automação. É aqui que entra o Python. Neste post, exploramos o poder do Python para automatizar o processo de coleta, tratamento e análise dos dados da Demonstração do Resultado do Exercício (DRE) da Eletrobras, utilizando dados fornecidos pela CVM (Comissão de Valores Mobiliários).

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.