library(vigiar)
vigiar_conectar()
pm25 <- process_pm25(vigiar_baixar_rj("df_anual"), tipo = "anual")
# Exportar CSV
vigiar_exportar_csv(pm25, "pm25_rio_de_janeiro.csv")14 Exportação e Integração
O pacote vigiar permite exportar dados em múltiplos formatos para integração com outros softwares e sistemas.
14.1 Exportação para CSV
Formato universal, compatível com Excel, Python, Stata, etc.:
O CSV gerado inclui: - Colunas padronizadas (nomes em português claro) - Encoding UTF-8 - Valores decimais com ponto (.)
14.2 Exportação para RDS (nativo do R)
Preserva todas as classes S3, atributos e metadados:
# Exportar RDS
vigiar_exportar_rds(pm25, "pm25_rj_processado.rds")
# Recarregar preservando classes
pm25_recarregado <- readRDS("pm25_rj_processado.rds")
class(pm25_recarregado)
# [1] "vigiar_pm25" "vigiar_tbl" "tbl_df" "tbl" "data.frame"14.3 Exportação para Parquet
Formato colunar eficiente (requer o pacote arrow):
# Instalar arrow se necessário
# install.packages("arrow")
# Exportar Parquet
vigiar_exportar_parquet(pm25, "pm25_rj.parquet")Vantagens do Parquet: - Compressão eficiente (arquivos menores) - Leitura rápida (formato colunar) - Compatível com Python (pandas, polars), Spark, DuckDB - Preserva tipos de dados
14.4 Exportação de auditoria
audit <- vigiar_auditar(pm25, tabela = "df_anual")
vigiar_exportar_auditoria(audit, "auditoria_pm25.json")14.5 Exportação de log
vigiar_exportar_log("log_operacoes.json")14.6 Integração com DATASUS
Os dados do VIGIAR usam códigos IBGE de município (6 dígitos), compatíveis com os sistemas do DATASUS:
# Dados VIGIAR
pm25_rj <- process_pm25(vigiar_baixar_rj("df_anual"), tipo = "anual")
# Suponha que você tenha dados do SIM (Mortalidade) via microdatasus
# library(microdatasus)
# sim_rj <- fetch_datasus(2020, 2020, uf = "RJ", "SIM-DO")
# sim_rj <- process_sim(sim_rj)
# Ambos usam cod_municipio de 6 dígitos → join direto!
# dados_integrados <- pm25_rj |>
# left_join(sim_rj, by = c("cod_municipio" = "CODMUNRES"))14.7 Integração com GIS
Os dados de PM2.5 incluem latitude e longitude, permitindo integração com SIG:
# Dados com coordenadas
pm25_mensal <- process_pm25(
vigiar_baixar_rj("df_mensal"),
tipo = "mensal"
)
# Converter para sf (se o pacote sf estiver instalado)
# library(sf)
# pm25_sf <- st_as_sf(pm25_mensal,
# coords = c("longitude", "latitude"),
# crs = 4326
# )
# Exportar como GeoPackage
# st_write(pm25_sf, "pm25_rj.gpkg")14.8 Integração com DuckDB / SQLite
Para grandes volumes de dados, bancos de dados locais são eficientes:
library(DBI)
library(duckdb)
# Criar conexão
con <- dbConnect(duckdb::duckdb(), "vigiar.duckdb")
# Escrever dados
dbWriteTable(con, "pm25_anual", pm25, overwrite = TRUE)
dbWriteTable(con, "pm25_mensal", pm25_mensal, overwrite = TRUE)
# Consultar com SQL
dbGetQuery(con, "
SELECT sigla_uf, ano, AVG(pm25_media_anual) as media
FROM pm25_anual
GROUP BY sigla_uf, ano
ORDER BY ano
")
dbDisconnect(con)14.9 Integração com Python
Via formato Parquet ou CSV:
# Python (pandas)
import pandas as pd
# Ler Parquet exportado pelo vigiar
pm25 = pd.read_parquet("pm25_rj.parquet")
print(pm25.head())
# Ou CSV
pm25 = pd.read_csv("pm25_rio_de_janeiro.csv")14.10 Exportação de dados sumarizados
Além dos dados brutos, você pode exportar resultados de análises:
library(dplyr)
# Sumarizar por ano
resumo_anual <- pm25 |>
group_by(ano) |>
summarise(
n_municipios = n(),
pm25_media = mean(pm25_media_anual, na.rm = TRUE),
pm25_dp = sd(pm25_media_anual, na.rm = TRUE),
pm25_min = min(pm25_media_anual, na.rm = TRUE),
pm25_max = max(pm25_media_anual, na.rm = TRUE)
)
# Exportar
vigiar_exportar_csv(resumo_anual, "resumo_pm25_anual_rj.csv")14.11 Tabela de formatos
| Formato | Função | Vantagens | Quando usar |
|---|---|---|---|
| CSV | vigiar_exportar_csv() |
Universal, legível | Compartilhamento, Excel |
| RDS | vigiar_exportar_rds() |
Preserva classes S3 | Continuar análise no R |
| Parquet | vigiar_exportar_parquet() |
Compressão, colunar | Grandes volumes, Python |
| JSON | vigiar_exportar_auditoria() |
Estruturado, legível | Metadados, auditoria |