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.:

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")

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