Acessando a Base dos Dados no R

É mais fácil do que parece!
R
Basedosdados
Tutorial
Autor
Afiliação

Arthur Bazolli

PPGE/UFJF

Data de Publicação

20 de junho de 2023

Introdução

A Base dos Dados é uma platadorma excelente para obter dados oficiais e tratados de forma conveniente. Podemos baixá-la direto no R com facilidade, basta prestarmos atenção a algumas etapas.

Esta é uma rotina simplificada. Veja mais no Workshop: Aprenda a acessar dados públicos em R, da Base dos Dados.

Primeiros passos

Sempre que for trabalhar em um novo projeto, aproveite as funcionalidades do R Studio. Vá em File > New Project... > New Directory ou Existing Directory. Segundo passo: criar um arquivo para a rotina (File > New File... > ...). Pode ser um R Script, um R Markdown ou um Quarto Markdown (recomendo este último).

Dica

Use pastas diferentes dentro da sua pasta do projeto para organizar seus arquivos. Eu uso três pastas; data, src e output: a primeira para as bases de dados, a segunda para os códigos e a terceira para PDFs, gráficos e outras produções.

Crie um bloco de código (Ctrl + Alt + I) para chamar os pacotes necessários. Use a opção #| label: setup, como abaixo, para ele sempre ser executado no começo.

```{r}
#| label: setup

# geral e tratamento de dados
library(here)
library(tidyverse)

# bases de dados
library(basedosdados)
```

Google Cloud

Para baixar os dados no R, vamos precisar criar um projeto no Google Cloud. Os projetos do Google Cloud são muito usados em diversas situações (ex.: APIs do Google Maps) e a Google nos dá um limite gratuito (1 TB por dia ou 200 dólares por mês): mas não se preocupe, você não vai estourar essa cota.

  1. Vá até cloud.google.com/
  2. Clique em Console (canto superior direito)
  3. Na caixa de diálogo (vide abaixo), concorde e continue

  1. Em seguida, clique em Selecione um projeto > NOVO PROJETO
  2. Dê um nome ao projeto. Esse nome não pode ser alterado depois.

  1. Após criar o seu projeto, você será direcionado à página do projeto. Agora, é só configurar as funções do pacote {basedosdados} no R para acessar o seu projeto.

Base dos dados

Vamos chamar a função set_billing_id(). Dentro dela, você vai inserir o ID do seu projeto (entre aspas, porque é um character), disponível aqui:

Aviso

O seu ID do projeto é pessoal. Não compartilhe com ninguém, ou disponibilize na internet, ou você corre o risco de ganhar uma fatura nada amigável no seu cartão de crédito.

```{r}
#| label: config-bd

set_billing_id("id-projeto")
```

Você deve ver a mensagem “Project keys set successfully”.

Chamada SQL

A melhor forma de baixar dados da BD pelo R é fazendo uma chamada SQL (lê-se “síquel” ou sequel). SQL é uma linguagem de pesquisa, muito usada para acessar base dos dados. Mas não se preocupe, não precisamos dominar SQL! Basta aprender a estrutura básica.

Query: sintaxe básica

Na página da base que você pretende baixar (ex.: PNAD Contínua), copie o código que está na aba SQL: ele é a sua query, que você vai usar para requisitar uma informação. Você vai criar um objeto no R para guardá-la.

Observe que a query tem a seguinte estrutura > SELECT * FROM `basedosdados.br_ibge_pnadc.microdados` LIMIT 100

Vamos entendê-la:

  • SELECT indica as variáveis que vamos selecionar. Como essa informação é seguida de um asterisco, indica que vamos selecionar todas as variáveis da base. Para selecionar variáveis:
    • Selecione uma das tabelas tratadas no menu lateral esquerdo.
    • Desça até colunas: ali você encontra o nome das variáveis, seu formato e uma descrição.
    • Separe os nomes das variáveis por vírgulas após SELECT (apague o asterisco)
  • FROM `basedosdados.br_ibge_pnadc.microdados`: o endereço de onde os dados virão.
  • LIMIT 100 significa que estamos limitando a baixar apenas as 100 primeiras linhas.

Ao baixar microdados do Censo, da Rais ou da Pnad, estamos lidando com um volume gigante de informações. Por isso, é recomendável usar a opção LIMIT 100, LIMIT 1000 etc para baixar só um pedaço e testar se você vai querer mesmo essa base (por exemplo, investigar se as variáveis te atendem).

Quando você já tiver certeza de que vai usar essa base, tire o LIMIT XXX, mas atenção: é extremamente recomendável que você selecione uma lista de variáveis em vez de baixar todas. Isso vai poupar não apenas sua internet e o espaço no seu disco, mas também a eficiência do R quando for ler e trabalhar nos seus dados.

Exemplo: vamos pegar algumas informações da PNAD de domicílios.

```{r}
#| label: query-1

query_pnad <- "SELECT ano, id_domicilio, id_uf, id_upa, V1028, V2007, V2010, V3001, V4009, V4012, VD3005 VD4032 FROM basedosdados.br_ibge_pnadc.microdados LIMIT 100"
```

Podemos melhorar a query ainda mais aprendendo mais três argumentos: WHERE, AND, OR e in. Eles nos ajudam a filtrar a base para, por exemplo, baixar dados só de um estado, de anos específicos ou uma combinação disso tudo. Isso facilita muito a nossa vida, porque assim evitamos baixar um monte de dados desnecessários.

Exemplo: atualizar a query anterior para pegar apenas dados de 2017 a 2021 de Minas Gerais. Para isso, vamos usar um pouco de lógica para montar a sintaxe:

  • WHERE indica os filtros a serem aplicados. No caso, sigla_uf='MG' é o filtro do estado.
  • O filtro do ano é mais complicado. Temos duas alternativas:
    • ano = 2017 OR ano = 2019 OR ano = 2021. Muito repetitivo!
    • Melhor: ano in (2017,2019,2021).
  • Agora, como queremos dados de MG E nessa janela temporal, concatenamos os dois com AND:
    • SELECT (...) WHERE sigla_uf='MG' AND (ano in (2017,2019,2021))
    • Colocamos a cláusula do ano dentro de parênteses para garantir que tudo aquilo será avaliado. Isso é importante, por exemplo, quando estivermos trabalhando com cláusulas OR em conjunto, senão vira bagunça.
Aviso

A sua query é um vetor entre aspas no R. Assim, se você estiver filtrando uma variável que é character, você pode acabar estragando sua query se não tomar cuidado. Por isso, use aspas duplas (") para a query e aspas simples (') para os characters dentro da query, como fizemos com sigla_uf='MG'.

```{r}
#| label: query-2

query_pnad <- "SELECT ano, id_domicilio, id_uf, id_upa, V1028, V2007, V2010, V3001, V4009, V4012, VD3005 VD4032 FROM basedosdados.br_ibge_pnadc.microdados WHERE sigla_uf='MG' AND ano in (2017,2019,2021) LIMIT 100"
```

Já está bom, mas essa query está difícil de ler. Podemos separar cada bloco dela em objetos diferentes. depois concatenar tudo em um objeto só usando paste():

```{r}
#| label: query-3

variables <- "ano, id_domicilio, id_uf, id_upa, V1028, V2007, V2010, V3001, V4009, V4012, VD3005 VD4032"
source <- "`basedosdados.br_ibge_pnadc.microdados`"
clause_where <- "sigla_uf='MG'"
clause_and_ano <- "(ano in (2017,2019,2021))"

### query: PNAD MG 2017-2021
query_pnad_1721 <- paste(
  "SELECT", variables,
  "FROM", source, 
  "WHERE", clause_where,
  "AND", clause_and_ano,
  "LIMIT 100"
)
```

Essa estrutura é útil porque permite facilmente modificar trechos evitando erros e reproduzir em outros trabalhos mantendo uma sintaxe padronizada e eficiente. Outra dica: você pode modificar a query comentando linhas do seu vetor, como no exemplo abaixo (tirar o LIMIT e baixar tudo).

```{r}
#| label: query-4

### query: PNAD MG 2017-2021
query_pnad_1721 <- paste(
  "SELECT", variables,
  "FROM", source, 
  "WHERE", clause_where,
  "AND", clause_and_ano,
  "LIMIT 100"
)
```

Baixar a query

Agora, podemos baixar a query. Podemos fazer isso de duas formas: salvando em um objeto do R ou salvando em um .csv no computador. Eu prefiro a segunda opção, porque permite carregar os dados depois sem ter que baixar tudo de novo. Na hora de baixar os dados, vai aparecer uma opção no console do R pedindo para autenticar o usuário no seu navegador (ou digite 2, se o seu email já aparecer) e prossiga.

Aviso

Você deve selecionar todas as caixas, como na imagem abaixo.

Opção 1: direto no R

Nesse caso, usamos a função read_sql()

```{r}
#| label: download-query-R

df_pnad <- read_sql(query_pnad_1721)
```

Opção 2: salvar no disco

Para isso, usamos a função download() e incluímos na chamada o argumento path com o caminho para salvar. Como estamos usando um R Project, passamos o diretório relativo à pasta do projeto. Ou seja: não precisa de inverter barras e pegar o caminho completo da pasta. No caso de usar RMarkdown ou Quarto (meu caso) em vez de um R Script, usamos a função here() também.

No exemplo abaixo, vamos salvar a base dos dados na pasta data dentro da pasta do projeto (não se esqueça de criar a pasta).

```{r}
#| label: download-query

download(query_pnad_1721, path = here("data/df_pnad_mg_1721.csv"))
```

Pronto! Agora já podemos carregar, tratar e analisar os dados:

```{r}
#| label: load-bd

df_pnad <- read_csv(here("data/df_pnad_mg_1721.csv"))
```

Citação

BibTeX
@online{bazolli alvarenga2023,
  author = {Bazolli Alvarenga, Arthur},
  title = {Acessando a Base dos Dados no R},
  date = {2023-06-20},
  url = {https://baarthur.github.io/posts/2023-06-20-basedosdados/},
  langid = {pt-BR}
}
Por favor, cite este trabalho como:
Bazolli Alvarenga, Arthur. 2023. “Acessando a Base dos Dados no R.” June 20, 2023. https://baarthur.github.io/posts/2023-06-20-basedosdados/.