Decifrando gráficos #2

Do Jornal para o R

Como isso foi feito?

Todo dia vemos gráficos nos jornais, mas nem sempre sabemos como eles foram feitos. De onde vieram os dados? Como foram tratados? E será que dá para recriá-los usando o R?

Nesta série, pegamos gráficos publicados nos principais jornais e recriamos do zero usando R, tidyverse e ggplot2. Vou mostrar como encontrar os dados, organizá-los e gerar visualizações que chegam o mais próximo possível do original – tudo de forma transparente e didática. Sim! Vamos fazer e aprender juntos!

E tem mais: todo o código e dados utilizados estarão disponíveis e comentados (clique nos números abaixo de cada conjunto de código!). E por estarmos trabalhando com uma linguagem de programação, todos vão obter o mesmo resultado ao final do script.

Acompanhe a série e veja como transformar dados brutos em visualizações incríveis!

Post anterior

Quer ver o post anterior? Acesse abaixo

Decifrando gráficos #1

#2 - Pirâmide etária indígena (Folha de São Paulo)

Dessa vez vamos analisar um gráfico publicado pela Folha de São Paulo com dados do Censo 2022: População indígena cresce no Norte, mas envelhece ao redor das cidades

Eu particularmente acho muito legal visualizar pirâmides etárias, como essa que fiz com o pessoal da Base dos Dados. Vamos fazer apenas o gráfico, já que as anotações geralmente são adicionadas na pós produção (p. ex. Illustrator) e deixaria este post muito extenso.

Obtendo os dados

Todos os dados do Censo 2022 estão disponíveis na aba de Downloads do portal: https://censo2022.ibge.gov.br/panorama/downloads.html. Lá vamos acessar os resultados Quilombolas e Indígenas, por sexo e idade, segundo recortes territoriais específicos - Resultados do universo e então selecionamos População indígena, por localização do domicílio, grupos de idade e sexo.

Logo nessa página vemos que os dados estão disponíveis através do SIDRA (Sistema IBGE de Recuperação Automática), que é basicamente uma plataforma que concentra todos os dados do IBGE! E o melhor: podemos acessar diretamente do R com o pacote {sidrar}!

Antes de tudo, vamos carregar os pacotes necessários

library(sidrar) #baixar dados IBGE
library(janitor) #limpeza dos dados
library(dplyr) #manipulação dos dados
library(stringr) #trabalhar com strings/texto
library(ggplot2) #gráficos

Agora só precisamos do número da tabela disponível no site (que é 8175) e rodar o código abaixo:

#install.packages("sidrar")
library(sidrar)

pop_ind <- sidrar::get_sidra(8175)

Pronto, fácil assim já temos os dados do Censo para este gráfico!

Trabalhando com os dados

Pois é, nossos dados sempre têm os nomes das variáveis com letras maiúsculas, espaços e acentos. Vamos padronizar para snake_casecom o pacote {janitor} e também selecionar apenas as variáveis necessárias para este gráfico. Vamos salvando cada passo em um novo objeto para ficar mais fácil de acompanhar.

pop_ind2 <- pop_ind |> 
  janitor::clean_names() |> 
  dplyr::select(
    variavel, 
    ano, 
    idade,
    sexo, 
    localizacao_do_domicilio,
    valor
    )

Mas veja que temos um valor Total em idade, sexo e localizacao_do_domicilio. Não vamos precisar dos totais, então podemos removê-los.

pop_ind3 <- pop_ind2 |> 
  dplyr::filter(
    idade != "Total",
    sexo != "Total",
    localizacao_do_domicilio != "Total"
  )

Nessa tabela, temos as idades individuais, ou agrupadas a cada 5 anos. Vamos selecionar apenas as linhas com as idades agrupadas.

pop_ind4 <- pop_ind3 |> 
  filter(
      idade %in% c(
        "0 a 4 anos",
        "5 a 9 anos",
        "10 a 14 anos",
        "15 a 19 anos",
        "20 a 24 anos",
        "25 a 29 anos",
        "30 a 34 anos",
        "35 a 39 anos",
        "40 a 44 anos",
        "45 a 49 anos",
        "50 a 54 anos",
        "55 a 59 anos",
        "60 a 64 anos",
        "65 a 69 anos",
        "70 a 74 anos",
        "75 a 79 anos",
        "80 a 84 anos",
        "85 a 89 anos",
        "90 a 94 anos",
        "95 a 99 anos",
        "100 anos ou mais"
      )
  )

Preguiça de escrever tudo

Se você não quer ficar digitando tudo (ou não quer pedir para o chatGPT escrever para você), é possível selecionar as linhas usando expressões regulares! Sim, elas parecem bruxaria, mas tem uma colinha que ajuda muito!

O segredo é encontrar padrões! Veja que as categorias são basicamente número+ a +número, e o “100 anos ou mais” colocamos na mão. Vamos lá!

pop_ind4 <- pop_ind3 |> 
  filter(
1    stringr::str_detect(
2      idade,
3      "[:digit:] a [:digit:]|100 anos ou mais")
    )

1

Detecta a ocorrência de expressões regulares

2

Na variável idade

3

E a expressão é: [número] a [número] OU “100 anos ou mais”

Bem mais simples!

Agora para deixar igualzinho ao gráfico, vamos remover as palavras ” anos” e transformar “100 anos ou mais” em “100+”

pop_ind5 <- pop_ind4 |> 
  mutate(
1    idade2 = stringr::str_remove(
2      idade,
3      " anos.*"
      ),
4    idade2 = ifelse(idade2 == 100, "100+", idade2)
  )

1

Remove a ocorrência de expressões regulares.

2

Na variável idade.

3

E a expressão é: [espaço]anos(e tudo que vier depois).

4

Se idade2 for igual a 100, transformar em “100+”, caso contrário, mantenha como está.

Ótimo, já temos a variável pronta, vamos calcular as proporções agrupadas pela localização do domicílio.

pop_ind6 <- pop_ind5 |>                                 
1  group_by(localizacao_do_domicilio) |>
2  add_count(name = "total", wt = valor) |>
3  ungroup() |>
4  mutate(prop = valor / total)

1

Agrupamos os dados pela variável localizacao_do_domicilio.

2

Criamos uma nova coluna chamada total com a soma ponderada de valor dentro de cada grupo.

3

Retiramos o agrupamento com ungroup() para evitar efeitos indesejados nas próximas operações.

4

Calculamos a proporção de cada linha dentro do grupo, dividindo valor pelo total correspondente.

Agora vamos fazer um truque e multiplicar os prop para homens por -1, assim eles ficam do lado esquerdo da pirâmide.

pop_ind7 <- pop_ind6 |> 
  mutate(
1    prop = ifelse(sexo == "Homens", prop*-1, prop)
  )

1

Inverte o sinal da proporção para homens, para que apareçam do lado esquerdo da pirâmide.

Vamos ver se os dados estão prontos?

pop_ind7 |> 
1  ggplot(aes(x = prop, y = idade2, fill = sexo)) +
2  geom_col()

1

Mapeia a proporção no eixo x, idade no eixo y e cor por sexo.

2

Cria as barras da pirâmide populacional com geom_col().

Veja que as categorias de idade estão seguindo uma ordem alfabética, mas queremos que sigam a ordem da pirâmide etária. Vamos ordenar a variável idade2 de acordo com a ordem que queremos. Para isso vamos transformar ela em um fator usando a função fct_inorder() do pacote {forcats} (é um anagrama para factors!)

pop_ind8 <- pop_ind7 |> 
1  mutate(idade2 = forcats::fct_inorder(idade2))

1

Converte a variável idade2 em fator e preserva a ordem atual dos valores, garantindo que as faixas etárias apareçam na ordem do dataset no gráfico.

Agora tudo está ordenado!

pop_ind8 |> 
  ggplot(aes(x = prop, y = idade2, fill = sexo))+
  geom_col()

Pronto! Temos os dados prontos para o gráfico! Agora vamos para a parte mais legal!

Criando o gráfico

Primeiro vamos dividir os dados em dois grupos: os que estão dentro das terras indígenas e os que estão fora. Para isso, vamos usar a função filter() dentro de cada geometria do geom_col().

Lembre-se que o grupo “Em terras indígenas” deve ser um retângulo preenchido e o grupo “Fora de terras indígenas” deve ser apenas contornado. Para isso, vamos usar o argumento fill = NA para criar uma geometria apenas com o contorno. Como o contorno está da mesma cor do preenchimento, vamos usar o color = "black" apenas para visualizar.

pop_ind8 |> 
  ggplot(aes(x = prop, y = idade2, 
             fill = sexo))+
  geom_col(
    data = ~filter(., 
1                   localizacao_do_domicilio == "Em terras indígenas"),
2    color = NA
  )+
  geom_col(
    data = ~filter(., 
3                   localizacao_do_domicilio == "Fora de terras indígenas"),
    fill = NA, 
4    color = "black"
  )

1

Usa filter() para manter só as observações dentro das terras indígenas.

2

Retira o contorno das barras preenchidas.

3

Usa filter() para manter só as observações fora das terras indígenas.

4

Define a cor do contorno como preta, apenas para fins de visualização.

Faltam as cores! Vamos utilizar o argumento color também. E definir as cores utilizando scale_color_manual() e scale_fill_manual().

pop_ind8 |> 
  ggplot(aes(x = prop, y = idade2,
             fill = sexo, color = sexo))+
  geom_col(
    data = ~filter(., 
                   localizacao_do_domicilio == "Em terras indígenas"),
    color = NA)+
  geom_col(
    data = ~filter(., 
                   localizacao_do_domicilio == "Fora de terras indígenas"),
    fill = NA)+
1  scale_color_manual(
    values = c(
      "Mulheres" = "#420e44",
      "Homens" = "#076e56"
    )
  )+
2  scale_fill_manual(
    values = c(
      "Mulheres" = "#b3abce",
      "Homens" = "#a5d4cf"
    )
  )

1

Define as cores do contorno (color) para cada sexo.

2

Define cores mais claras de preenchimento (fill) para cada sexo.

Agora o gráfico já está quase igual! Só precisamos mexer no Tema com a função theme(). Vamos deixar o fundo branco, tirar as grades, deixar os eixos mais bonitos e remover as legendas.

pop_ind8 |> 
  ggplot(aes(x = prop, y = idade2, 
             fill = sexo,
             color = sexo))+
  geom_col(
    data = ~filter(.x,
                   localizacao_do_domicilio == "Em terras indígenas"),
    color = NA)+
  geom_col(
    data = ~filter(.x,
                   localizacao_do_domicilio == "Fora de terras indígenas"),
    fill = NA)+
1  scale_x_continuous(
    breaks = seq(-0.08,0.08,0.02),
    labels = c("8%","6","4","2","0","2","4","6","8%")
  )+
  scale_fill_manual(
    values = c(
      "Mulheres" = "#b3abce",
      "Homens" = "#a5d4cf"
    )
  )+
  scale_color_manual(
    values = c(
      "Mulheres" = "#420e44",
      "Homens" = "#076e56"
    )
  )+
2  theme_minimal()+
3  theme(
    legend.position = "none", #sem legenda
    plot.background = element_rect(fill = "white", color = NA), #adiciona fundo
    panel.grid.major.x = element_blank(), #sem grade major
    panel.grid.minor.x = element_blank(), #sem grade minor
    axis.title = element_blank(), #sem título dos eixos
    axis.text = element_text(color = "black"), #texto em preto
    axis.ticks.x = element_line(color = "#ebebeb") #ticks em cinza
  )+
4  coord_cartesian(
    xlim = c(-0.08,0.08)
  )

1

Define as quebras do eixo x (de -0.08 até 0.08 a cada 0.02 já que são porcentagens) e ajusta os rótulos para mostrar proporções negativas e positivas como porcentagens igual ao gráfico original.

2

Usa um tema claro e limpo (theme_minimal()) parecido, como base para o gráfico.

3

Remove legenda, grades do eixo x, títulos dos eixos e ajusta o estilo dos textos e ticks para deixar igual ao original.

4

Ajusta manualmente os limites do eixo x para que o gráfico termine simetricamente em -8% e 8%.

Conseguimos! Até que ficou bem parecido!

Espero que este post tenha sido útil para você! Se tiver alguma dúvida, sugestão (qual será o próximo post?) ou crítica, mande um e-mail!

Quer conhecer mais o meu trabalho? Veja meu Portfólio!