library(vigiar)
vigiar_conectar()
# Download
dados <- vigiar_baixar_rj("df_anual")
# Processamento
pm25 <- process_pm25(dados, tipo = "anual")8 Processamento e Padronização
Após o download, os dados brutos do Power BI precisam ser processados e padronizados. O pacote vigiar oferece funções de processamento por domínio que seguem o padrão do microdatasus.
8.1 Por que processar?
Os dados brutos do Power BI:
- Usam nomes de colunas inconsistentes (
muni,UF,Media_pm25) - Tipos de dados podem vir como
characterquando deveriam sernumeric - Não possuem metadados estruturados
- Códigos de município podem não estar no formato IBGE padrão
O processamento resolve esses problemas e adiciona classes S3 tipadas.
8.2 Pipeline de processamento
8.3 Processamento por domínio
Cada domínio de dados tem sua própria função process_*():
8.3.1 Qualidade do Ar (PM2.5)
# PM2.5 anual
pm25_anual <- process_pm25(dados_anual, tipo = "anual")
# PM2.5 mensal
pm25_mensal <- process_pm25(dados_mensal, tipo = "mensal")Padronizações aplicadas:
| Original | Padronizado | Tipo |
|---|---|---|
muni |
cod_municipio |
integer (6 dígitos) |
UF |
sigla_uf |
character |
Media_pm25 |
pm25_media_anual |
numeric |
Categoria_pm25 |
pm25_categoria |
factor |
LAT |
latitude |
numeric |
LON |
longitude |
numeric |
8.3.2 Indicadores de Saúde
indicadores <- process_indicadores_saude(dados_saude)8.3.3 População Exposta
pop <- process_populacao_exposta(dados_pop)8.3.4 Exposição Indoor
indoor <- process_exposicao_indoor(dados_indoor)8.3.5 Fração Atribuível
fracao <- process_fracao_atribuivel(dados_fracao)8.3.6 Municípios
municipios <- process_municipios(dados_muni)8.3.7 UFs
ufs <- process_ufs(dados_uf)8.4 Processamento em lote
Para processar múltiplas tabelas de uma vez:
# Baixar todas as tabelas principais
tudo <- vigiar_baixar_principais()
# Processar tudo
tudo_processado <- process_vigiar(tudo)8.5 Padronização manual de colunas
Se você precisar padronizar colunas específicas:
dados_padronizados <- vigiar_padronizar_colunas(dados,
renomear = c(
"muni" = "cod_municipio",
"UF" = "sigla_uf"
)
)8.6 Classes S3 tipadas
Após o processamento, os dados recebem classes S3 que herdam de vigiar_tbl:
vigiar_pm25 → vigiar_tbl → tibble → data.frame
vigiar_health → vigiar_tbl → tibble → data.frame
vigiar_population → vigiar_tbl → tibble → data.frame
vigiar_indoor → vigiar_tbl → tibble → data.frame
vigiar_attributable_fraction → vigiar_tbl → tibble → data.frame
8.6.1 Métodos S3 disponíveis
# Print formatado
pm25
# Saída:
# # VIGIAR tibble: df_anual | 5570 linhas x 12 colunas
# # Processado em: 2026-07-19 10:15:22
# # A tibble: 5,570 × 12
# cod_municipio sigla_uf ano pm25_media_anual pm25_categoria ...
# ...
# Resumo estatístico
summary(pm25)
# Validação
validate(pm25)8.7 Resumo por domínio
Cada classe S3 tem seu próprio método de resumo:
# Resumo PM2.5
vigiar_resumo_pm25(pm25)
# Resumo população
vigiar_resumo_populacao(pop)
# Resumo indicadores de saúde
vigiar_resumo_saude(indicadores)
# Resumo indoor
vigiar_resumo_indoor(indoor)
# Resumo fração atribuível
vigiar_resumo_fracao_atribuivel(fracao)
# Resumo genérico (dispatch automático)
vigiar_resumo(pm25)8.8 Verificações pós-processamento
# Checagem básica
vigiar_checar_dados(pm25, tabela = "df_anual")
# Verificar tipos das colunas
str(pm25)
# Verificar se há NAs introduzidos
colSums(is.na(pm25))8.9 Exemplo completo de processamento
library(vigiar)
library(dplyr)
# 1. Conectar e baixar
vigiar_conectar()
tudo <- vigiar_baixar_principais()
# 2. Processar cada domínio
pm25 <- process_pm25(tudo$df_anual, tipo = "anual")
saude <- process_indicadores_saude(tudo$tb_brasil)
pop <- process_populacao_exposta(tudo$pop)
indoor <- process_exposicao_indoor(tudo$df_indoor)
municipios <- process_municipios(tudo$df_muni)
# 3. Verificar classes
class(pm25) # "vigiar_pm25" "vigiar_tbl" "tbl_df" ...
class(saude) # "vigiar_health" "vigiar_tbl" ...
# 4. Resumos
vigiar_resumo(pm25)
vigiar_resumo(saude)
# 5. Validar
validate(pm25)
vigiar_validar_ibge(pm25, col_codigo = "cod_municipio")
vigiar_desconectar()