duarteguilherme

#Este post foi inspirado pelo mapa postado no perfil da "International Association for Political Science Students", que mostrava o número de bandas de metal por cada 100.000 habitantes por país. [Confira aqui.](https://www.facebook.com/IAPSS/photos/a.153193376080.144801.65123606080/10152913814401081/?type=1&theater)


#Eu, que sou um grande fã do estilo, adorei a ideia. A partir disso, resolvi desdobrar os resultados: será que haveria uma associação entre a proporção de bandas de metal e desenvolvimento econômico? Aparentemente pelo gráfico sim. Será que existe?

#Como não possuímos o banco de dados, vamos utilizar o R para coleta-los do mesmo site (http://www.metal-archives.com/browse/country) de onde o mapa foi tirado:


library(rvest) # para o scraping
library(dplyr) # para data-frames

duarteguilherme

# Simulando dados de probit

set.seed(1928506)
x1 <- rnorm(5000,0,1)
P <- pnorm(1.5 + 1.2*x1) #- 2.3*x2 + 1.9*x3 + rnorm(5000))
y <- rbinom(5000, 1,P)


# Dá uma olhada. Aqui dá o resultado certinho.
glm(y ~ x1 , family=binomial(link="probit")) 

duarteguilherme

return_tosses <- function(value1, value2) {
  t1 <- rbinom(1,1,.5)
  i <- 1
  while ( TRUE ) {
    t2 <- rbinom(1,1,.5)
    i <- i + 1
    if ( t1 == value1 & t2 == value2)
      return(i)
    t1 <- t2
  }

duarteguilherme

# Simulating shit
library(tidyverse)
library(magrittr)
# Model 

# 10 parties
np <- 10
# uniform distribution for this parties seq(10) - number of legislators
nl <- sample(10:40, np, replace = T)

duarteguilherme

import requests
from bs4 import BeautifulSoup
from pymongo import MongoClient

banco = MongoClient().denicola.denicola

url = "http://www.conasems.org.br/conasems_dados/municipios.php?"

estados = [ "AC",        "AL",        "AM",        "AP",        "BA",        "CE",        "DF",        "ES",
        "GO",        "MA",        "MG",        "MS",        "MT",        "PA",        "PB",        "PE",

duarteguilherme

import re
import requests
from bs4 import BeautifulSoup
from pymongo import MongoClient

#banco = MongoClient.trf2.trf2

class Crawler:
    def __init__(self,palavra_chave):
        self.palavra_chave = palavra_chave

duarteguilherme

O que ainda falta para arrumar no banco:

1. Verificar tempo em tjal.csv

duarteguilherme

# Análise CNJ

library(tidyverse)
library(tidytext)
library(RCurl)
library(tm)


dados <- readRDS('~/Downloads/data_cnj (2).rds')

duarteguilherme

library(devtools)
devtools::install_github('RobertMyles/congressbr')
library(congressbr)
library(tidyverse)
library(stringr)
library(lubridate)

`%p%` <- function(e1,e2) return(paste0(e1,e2))
erros <- c()
download_year <- function(year) {

duarteguilherme

> cat(content(b, "text"))
<div id="ContentPlaceHolder">
    <script type="text/javascript">

        function funcFecharHandler() {
            $("#divExibirConsultaDetalhada").hide();
            $("#divConsultaDetalhada").html("");
            $("#divPrincipal").show();
            $("#divLinkConsultas").show();
        }