fernandobarbalho

get_covid_data_jhu<- function(dt_ini, dt_fim, us_columns = TRUE, country = NULL ){ #data inicial para o download, data final para o download, indicação se trabalha com colunas dos EUA (TRUE por default) e lista de países (todos por default)
    
    
    library(dplyr)
    
    #cria um vetor de datas que vai ser iterado na formação do endereço de github que tem os dados
    dates<- c(lubridate::ymd(dt_ini):lubridate::ymd(dt_fim))
    
    #O map_dfr vai montar dinamicamente um único dataframe com as para todas as datas do array
    purrr::map_dfr(dates, function(a_date){

fernandobarbalho

devtools::install_github("tchiluanda/rsiconfi")
library(rsiconfi)
library(networkD3)
library(tidyverse)


#Get data in SICONFI for budget revenue (Ï-C) related to the federal government entity (1) in 2018
df_rec <- rsiconfi::get_dca(2018,"I-C","1")

# find hierachical strtucture of budget revenue

fernandobarbalho

library(rtweet)
library(dplyr)
library(ggplot2)

df_favorite<- rtweet::get_favorites("@barbalhofernand", n=3000)


users_favorite<-
df_favorite %>% 
  group_by(screen_name, user_id) %>%

fernandobarbalho

#para essa função usa-se o pacote microdatasus
# SALDANHA, Raphael de Freitas; BASTOS, Ronaldo Rocha; BARCELLOS, Christovam. Microdatasus: pacote para download e pré-processamento de microdados do Departamento de Informática do SUS (DATASUS). Cad. Saúde Pública, Rio de Janeiro , v. 35, n. 9, e00032419, 2019 . Available from http://ref.scielo.org/dhcq3y.

process_SIM_all_fu<- function(a_year_start, a_year_end){
  library(microdatasus)
  library(dplyr)
  library(purrr)
  
  library(readr)
  

fernandobarbalho

#based on this method: https://github.com/k-sys/covid-19/blob/master/Realtime%20R0.ipynb
# In fact it is a translation from python to R of some parts of the code explained in the link above.

get_last_covid_rt<- function(df_days_case){ #this dataset must have a structre with a collumn no_cases (accumulated number of cases on a given sequence day)
  
  
  #smooth the data
  
  x <- 1:NROW(df_days_case)
  y<-df_days_case$no_cases 

fernandobarbalho

#O script abaixo consome dados consolidados de bolsa família para todos os municípios
#Como o script demora muito, considere fazer alterações para fazer filtros antes do segundo pull

ano<-2014
pbf_mun<- owdbr::uflist() %>%
  pull(num)%>%
  map_dfr(munlist) %>%
  pull(codigo_municipio_completo) %>%
  map_dfr(getpbf_mun,AAAA= ano)

fernandobarbalho

#Faça download de um conjunto de tabelas do bolsa família referente a qualquer período a partir de janeiro de 2003 

base_address<- "http://transparencia.gov.br/download-de-dados/bolsa-familia-pagamentos/"

#Alterar as variáveis abaixo de acordo com o que se deseja
ano_ini<- 2018
ano_fim<- 2018
mes_ini<-1

ult_mes_disp<- 2

fernandobarbalho

library(readr)
library(dplyr)
PENSIONISTAS_112019 <- read_delim("Data/PENSIONISTAS_112019.csv", 
                      ";", escape_double = FALSE, locale = locale(decimal_mark = ",", 
                                                                  grouping_mark = ".", encoding = "LATIN1"), 
                      trim_ws = TRUE)

PENSIONISTAS_122019 <- read_delim("Data/PENSIONISTAS_122019.csv", 
                                  ";", escape_double = FALSE, locale = locale(decimal_mark = ",", 

fernandobarbalho

# install.packages("devtools")
devtools::install_github("tchiluanda/rsiconfi")

library(rsiconfi)
library(dplyr)
library(tidyr)

###########Trabalhando as despesas

#Monta um vetor com todos os códigos de UFs do Brasil

fernandobarbalho

library(tabulizer)
library(dplyr)

setwd("~/GitHub/oleogate/data")

#Extrai tabelas do arquivo pdf. 
#Esse arquivo foi baixado do seguinte link 
# https://politica.estadao.com.br/blogs/estadao-verifica/wp-content/uploads/sites/690/2019/10/Ibama.pdf
#A tabela é extraída para um arquivo csv de forma a poder trabalhar melhor questões de encoding
tabulizer::extract_tables("ibama.pdf", output = "csv",outdir = getwd())