-
Notifications
You must be signed in to change notification settings - Fork 0
/
IPEAv1.py
320 lines (281 loc) · 11.4 KB
/
IPEAv1.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
import ipeadatapy as ipea
import rpy2.robjects as robjects
from rpy2.robjects import pandas2ri
from rpy2.robjects.conversion import localconverter
import os as os
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.backends.backend_pdf import PdfPages
import seaborn as sns
import statsmodels.api as sm
import statsmodels.formula.api as smf
from patsy.builtins import *
bronze = 'Bronze'
silver = 'Silver'
gold = 'Gold'
statistical_analysis_folder = 'Statistical Analysis'
# Creating folders (if don't exist)
for folder in [bronze, silver, gold, statistical_analysis_folder]:
os.makedirs(folder, exist_ok=True)
data_População = ipea.timeseries(series = 'POPTOT', year = 2010)
raw_População = pd.DataFrame(data_População)
namefile_População = 'População_2010.csv'
path_População = os.path.join(bronze, namefile_População)
raw_População.to_csv(path_População, index=False, encoding='utf-8')
silver_População = pd.DataFrame(raw_População) \
.query('NIVNOME == "Municípios"') \
.drop(columns=['CODE'
, 'RAW DATE'
, 'YEAR'
, 'NIVNOME']) \
.rename(columns={'TERCODIGO' : 'CodMunIBGE'
, 'VALUE (Habitante)' : 'Habitantes 2010'}) \
.astype({'Habitantes 2010': int, 'CodMunIBGE': str}, errors='ignore') \
.drop_duplicates(subset=['CodMunIBGE'])
path_População = os.path.join(silver, namefile_População)
silver_População.to_csv(path_População, index=False, encoding='utf-8')
# Conversão de RObjects em pandas DF
pandas2ri.activate()
# Coleta ipeadatar
r_code = """
install.packages('ipeadatar', repos='http://cran.r-project.org')
library(ipeadatar)
# Dados IDHM
data_IDHM <- ipeadatar::ipeadata(code = 'ADH_IDHM')
data_IDHM
"""
# Executa R
data_IDHM = robjects.r(r_code)
with localconverter(robjects.default_converter + pandas2ri.converter) as cv:
raw_IDHM = cv.rpy2py(data_IDHM)
if 'date' in raw_IDHM.columns and raw_IDHM['date'].dtype == 'float64':
raw_IDHM['date'] = pd.to_datetime(raw_IDHM['date'], unit='D', origin='1970-01-01')
raw_IDHM = pd.DataFrame(raw_IDHM)
namefile_IDHM = 'IDHM_2010.csv'
path_IDHM = os.path.join(bronze, namefile_IDHM)
raw_IDHM.to_csv(path_IDHM, index=False, encoding='utf-8')
silver_IDHM = pd.DataFrame(raw_IDHM) \
.query('uname == "Municipality" and date == "2010-01-01"') \
.drop(columns=['code'
, 'uname'
, 'date']) \
.rename(columns={'tcode' : 'CodMunIBGE'
, 'value' : 'IDHM 2010'}) \
.astype({'IDHM 2010': float, 'CodMunIBGE': str}, errors='ignore') \
.drop_duplicates(subset=['CodMunIBGE'])
path_IDHM = os.path.join(silver, namefile_IDHM)
silver_IDHM.to_csv(path_IDHM, index=False, encoding='utf-8')
data_Arrecadação = ipea.timeseries(series = 'RECORRM', year = 2010)
raw_Arrecadação = pd.DataFrame(data_Arrecadação)
namefile_Arrecadação = 'Arrecadação_2010.csv'
path_Arrecadação = os.path.join(bronze, namefile_Arrecadação)
raw_Arrecadação.to_csv(path_Arrecadação, index=False, encoding='utf-8')
silver_Arrecadação = pd.DataFrame(raw_Arrecadação) \
.query('NIVNOME == "Municípios"') \
.drop(columns=['CODE'
, 'RAW DATE'
, 'YEAR'
, 'NIVNOME']) \
.rename(columns={'TERCODIGO' : 'CodMunIBGE'
, 'VALUE (R$)' : 'Receitas Correntes 2010 (R$)'}) \
.astype({'Receitas Correntes 2010 (R$)': float, 'CodMunIBGE': str}, errors='ignore') \
.drop_duplicates(subset=['CodMunIBGE'])
silver_Arrecadação['Receitas Correntes 2010 (R$)'] = silver_Arrecadação['Receitas Correntes 2010 (R$)'].round(2)
path_Arrecadação = os.path.join(silver, namefile_Arrecadação)
silver_Arrecadação.to_csv(path_Arrecadação, index=False, encoding='utf-8')
data_PIB = ipea.timeseries(series = 'PIB_IBGE_5938_37', year = 2010)
raw_PIB = pd.DataFrame(data_PIB)
namefile_PIB = 'PIB_2010.csv'
path_PIB = os.path.join(bronze, namefile_PIB)
raw_PIB.to_csv(path_PIB, index=False, encoding='utf-8')
silver_PIB = pd.DataFrame(raw_PIB) \
.query('NIVNOME == "Municípios"') \
.drop(columns=['CODE'
, 'RAW DATE'
, 'YEAR'
, 'NIVNOME']) \
.rename(columns={'TERCODIGO' : 'CodMunIBGE'
, 'VALUE (R$ (mil), a preços do ano 2010)' : 'PIB 2010 (R$)'}) \
.astype({'PIB 2010 (R$)': float, 'CodMunIBGE': str}, errors='ignore') \
.drop_duplicates(subset=['CodMunIBGE'])
silver_PIB['PIB 2010 (R$)'] = silver_PIB['PIB 2010 (R$)']* 1000
silver_PIB['PIB 2010 (R$)'] = silver_PIB['PIB 2010 (R$)'].round(3)
path_PIB = os.path.join(silver, namefile_PIB)
silver_PIB.to_csv(path_PIB, index=False, encoding='utf-8')
data_Municípios = ipea.territories()
raw_Municípios = pd.DataFrame(data_Municípios)
namefile_Municípios = 'Municípios.csv'
path_Municípios = os.path.join(bronze, namefile_Municípios)
raw_Municípios.to_csv(path_Municípios, index=False, encoding='utf-8')
silver_Municípios = pd.DataFrame(raw_Municípios) \
.query('LEVEL == "Municípios"') \
.drop(columns=['LEVEL'
, 'AREA'
, 'CAPITAL']) \
.rename(columns={'NAME' : 'Município'
, 'ID' : 'CodMunIBGE'}) \
.drop_duplicates(subset=['CodMunIBGE'])
path_Municípios = os.path.join(silver, namefile_Municípios)
silver_Municípios.to_csv(path_Municípios, index=False, encoding='utf-8')
df_PopPIB = silver_População.merge(silver_PIB,
how='left',
left_on=['CodMunIBGE'],
right_on=['CodMunIBGE'],
)
df_PopPIBArrec = df_PopPIB.merge(silver_Arrecadação,
how='left',
left_on=['CodMunIBGE'],
right_on=['CodMunIBGE'],
)
df_Variables = df_PopPIBArrec.merge(silver_IDHM,
how='left',
left_on=['CodMunIBGE'],
right_on=['CodMunIBGE'],
)
df_Complete = df_Variables.merge(silver_Municípios,
how='left',
left_on=['CodMunIBGE'],
right_on=['CodMunIBGE'],
)
df_Complete.dropna(inplace=True)
df_Complete = df_Complete.reindex(columns=['CodMunIBGE', 'Município', 'Habitantes 2010', 'IDHM 2010', 'Receitas Correntes 2010 (R$)', 'PIB 2010 (R$)', 'Carga Tributária Municipal 2010'])
df_Complete.sort_values(by='CodMunIBGE', inplace=True)
df_Complete['Carga Tributária Municipal 2010'] = df_Complete['Receitas Correntes 2010 (R$)'] / df_Complete['PIB 2010 (R$)'].astype(float)
namefile_clean_data = 'CleanData.csv'
path_clean_data = os.path.join(gold, namefile_clean_data)
df_Complete.to_csv(path_clean_data, index=False, encoding='utf-8')
df_Complete
summary = df_Complete.describe()
print("Descriptive Statistics:\n", summary)
namefile_summary = 'Descriptive Statistics Initial Analysis.csv'
path_summary = os.path.join(statistical_analysis_folder, namefile_summary)
summary.to_csv(path_summary, index=True, encoding='utf-8')
corr_matrix = df_Complete[['IDHM 2010'
, 'Carga Tributária Municipal 2010'
, 'PIB 2010 (R$)']].corr(method = 'pearson')
print("Correlation Matrix:\n"
, corr_matrix)
corr_matrix_html = corr_matrix.to_html()
model = smf.ols(formula = "Q('IDHM 2010') ~ Q('Carga Tributária Municipal 2010') + Q('PIB 2010 (R$)')", data = df_Complete).fit()
print(model.summary())
model_summary = model.summary().as_html()
anova_table = sm.stats.anova_lm(model, typ = 2)
print("ANOVA Table:\n"
, anova_table)
anova_html = anova_table.to_html()
corr_matrix_html = corr_matrix.to_html(classes = 'table table-striped text-center')
anova_html = anova_table.to_html(classes = 'table table-striped text-center')
html_report = f"""
<html>
<head>
<title>Data Analysis Report</title>
<link rel="stylesheet" href="https://stackpath.bootstrapcdn.com/bootstrap/4.3.1/css/bootstrap.min.css">
<style>
.model-summary {{
margin: auto;
width: 80%;
padding: 20px;
border: 1px solid #ccc;
background-color: #f9f9f9;
}}
</style>
</head>
<body>
<h1>Data Analysis Report</h1>
<section>
<h2>Correlation Matrix</h2>
{corr_matrix_html}
</section>
<section>
<h2>ANOVA Results</h2>
{anova_html}
</section>
<section>
<h2>Linear Regression Model Summary</h2>
<div class="model-summary">
{model_summary}
</div>
</section>
</body>
</html>
"""
report_filename = os.path.join(statistical_analysis_folder
, 'Analysis Report.html')
with open(report_filename
, 'w') as f:
f.write(html_report)
print(f"Report saved to {report_filename}")
pdf_pages = PdfPages(os.path.join(statistical_analysis_folder, 'Plots.pdf'))
data = df_Complete['IDHM 2010']
plt.figure(figsize=(10, 6))
sns.color_palette(palette='viridis')
sns.set_style('whitegrid')
sns.histplot(data
, bins=100
, kde=True)
plt.title('Distribution of IDHM 2010')
plt.xlabel('IDHM 2010')
plt.ylabel('Frequency')
plt.savefig(pdf_pages, format='pdf', bbox_inches='tight')
plt.show()
plt.close()
receitas_95th = df_Complete['Receitas Correntes 2010 (R$)'].quantile(0.95)
data = df_Complete[df_Complete['Receitas Correntes 2010 (R$)'] <= receitas_95th]['Receitas Correntes 2010 (R$)']
plt.figure(figsize=(10, 6))
sns.set_style('whitegrid')
sns.color_palette(palette='viridis')
sns.histplot(data
, bins=100
, kde=True)
plt.title('Distribution of Receitas Correntes 2010 (R$) - Adjusted for Outliers')
plt.xlabel('Receitas Correntes 2010 (R$)')
plt.ylabel('Frequency')
plt.savefig(pdf_pages, format='pdf', bbox_inches='tight')
plt.show()
plt.close()
pib_95th = df_Complete['PIB 2010 (R$)'].quantile(0.95)
data = df_Complete[df_Complete['PIB 2010 (R$)'] <= pib_95th]['PIB 2010 (R$)']
plt.figure(figsize=(10, 6))
sns.set_style('whitegrid')
sns.color_palette(palette='viridis')
sns.histplot(data
, bins=100
, kde=True)
plt.title('Distribution of PIB 2010 (R$) - Adjusted for Outliers')
plt.xlabel('PIB 2010 (R$)')
plt.ylabel('Frequency')
plt.savefig(pdf_pages, format='pdf', bbox_inches='tight')
plt.show()
plt.close()
data = df_Complete['Carga Tributária Municipal 2010']
plt.figure(figsize=(10, 6))
sns.color_palette(palette='viridis')
sns.set_style('whitegrid')
sns.histplot(data
, bins=100
, kde=True)
plt.title('Distribution of Carga Tributária Mun. 2010')
plt.xlabel('Carga Tributária Mun. 2010')
plt.ylabel('Frequency')
plt.savefig(pdf_pages, format='pdf', bbox_inches='tight')
plt.show()
plt.close()
plt.figure(figsize=(12, 5))
sns.color_palette(palette='viridis')
sns.set_style('whitegrid')
sns.lmplot(x='Carga Tributária Municipal 2010'
, y='IDHM 2010'
, data=df_Complete
, scatter_kws={"alpha": 0.7}
, line_kws={"color": "red"})
plt.title('ScatterPlot - IDHM vs Carga Tributária Mun. (2010)')
plt.xlabel('Carga Tributária Mun. 2010')
plt.ylabel('IDHM 2010')
plt.savefig(pdf_pages, format='pdf', bbox_inches='tight')
plt.show()
plt.close()
correlation_heatmap = sns.heatmap(corr_matrix
, annot = True
, cmap = 'viridis')
correlation_heatmap.get_figure().savefig(pdf_pages, format='pdf', bbox_inches = 'tight')
pdf_pages.close()