<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by André Pecini on Medium]]></title>
        <description><![CDATA[Stories by André Pecini on Medium]]></description>
        <link>https://medium.com/@pecini?source=rss-9aa5d22c2f6------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*S6NT_pzYqisi2O-QAqOClg.png</url>
            <title>Stories by André Pecini on Medium</title>
            <link>https://medium.com/@pecini?source=rss-9aa5d22c2f6------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 08:12:15 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@pecini/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Plataformas de mobilidade urbana: entre o público e o mercado]]></title>
            <link>https://medium.com/jararaca/plataformas-de-mobilidade-urbana-entre-o-p%C3%BAblico-e-o-mercado-bea508abf9a7?source=rss-9aa5d22c2f6------2</link>
            <guid isPermaLink="false">https://medium.com/p/bea508abf9a7</guid>
            <category><![CDATA[plataformas-digitais]]></category>
            <category><![CDATA[mobilidade-urbana]]></category>
            <dc:creator><![CDATA[André Pecini]]></dc:creator>
            <pubDate>Wed, 26 Apr 2023 15:52:09 GMT</pubDate>
            <atom:updated>2023-04-26T15:52:09.543Z</atom:updated>
            <content:encoded><![CDATA[<p>Uma plataforma digital pública pode ajudar a mudar a visão da sociedade sobre o transporte de passageiros nas cidades.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/754/1*dldS9eIE3w2y8uWGAT9qyw.jpeg" /><figcaption>Crédito: Carlos Barreta (Fonte: <a href="https://commons.wikimedia.org/wiki/File:By_Carlos_Barretta_stk_001664_%288033671098%29.jpg">Wikimedia Commons</a>)</figcaption></figure><p>Há pouco mais de um mês, a prefeitura de São Paulo lançou o <a href="https://mobizapsp.com.br/">MobizapSP</a>, “um aplicativo (app) de mobilidade urbana que visa melhorar as condições de acessibilidade e mobilidade urbana dos munícipes, com foco em facilidade, eficiência, segurança e preço justo, além de entregar uma maior remuneração aos motoristas parceiros”.[1] Em suma, um concorrente para Uber, 99 e similares.</p><p>O aplicativo é apresentado na página de perguntas e respostas como “única plataforma gerida pela gestão pública para motoristas e passageiros que fazem viagens privadas”.[1]</p><h3><strong>Aplicativo ou plataforma?</strong></h3><p>O uso dos dois termos pela prefeitura evidencia que os aplicativos são apenas as interfaces das plataformas digitais. Ou seja, são a parte visível de estruturas tecnológicas, jurídicas e empresariais que atuam na mediação de interações e atividades como o transporte privado de pessoas. Não fazem uma intermediação passiva, ou a simples aproximação de “usuários” — por exemplo, clientes e trabalhadores. Ao definir regras para cadastro, formas de remuneração, mecanismos de avaliação do serviço, definir perfis, coletar dados e, para além disso, fazer lobbies a fim de influenciar na legislação e fiscalização dos serviços, elas instauram lógicas próprias nos setores em que atuam (SRNICEK, 2016).</p><p>Nossa sociedade é atravessada por plataformas corporativas privadas em diversos setores de interesse público: transporte, hospedagem, saúde etc. (VAN DIJCK et. al., 2018).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*05MOcS-5Y4T3DAP8oDZwQQ.png" /><figcaption>Plataformas setoriais (Transporte, Saúde, Educação e Notícias) e infraestruturais (no centro). Autor: <a href="https://www.fernandovandervlist.nl/projects/the-platform-society.html">Fernando van der Vlist</a> In: van Dijck et. al., 2018</figcaption></figure><p>Neste cenário, a criação de uma plataforma pública aparece como uma novidade. Contudo, o documento de termos de uso para motoristas aponta que estes devem “seguir as políticas e procedimentos estabelecidos pelo Consórcio 3C”[2] e os termos para passageiros “estabelecem o relacionamento contratual entre você, na qualidade de usuário(a), e o Consórcio 3C (proprietária do aplicativo de mobilidade MobizapSP)”[3]. <strong>Surge então a questão: de quem é a plataforma?</strong></p><p>Vale pontuar que o processo de licitação é <a href="https://g1.globo.com/sp/sao-paulo/noticia/2023/03/17/mp-analisa-pedido-de-investigacao-por-suspeitas-de-irregularidade-em-licitacao-de-app-de-transporte-da-prefeitura-de-sp.ghtml">alvo de investigação pelo Ministério Público de São Paulo</a> a partir de requerimento de vereador da cidade com informações de que o processo permanece em sigilo, não teria havido concorrência de fato, o consórcio foi formado cerca de uma semana antes de vencer a licitação e as empresas que fazem parte dele respondem por desvio de verba pública.</p><p>O MobizapSP começa a funcionar pouco após a aprovação do <a href="https://www.saopaulo.sp.leg.br/wp-content/uploads/2021/02/Relatorio-Final-CPI-Aplicativos.pdf">relatório final da CPI dos Aplicativos</a> realizada pela Câmara Municipal de São Paulo, que lista Uber, 99, iFood, Rappi e Loggi entre as empresas que prestaram esclarecimentos.[6] Em suas conclusões e pontos críticos (cap. XI), o relatório cita supostos crimes de evasão fiscal, suposta fraude na contagem de quilômetros rodados pelos condutores pela demora ou negligência no envio de seus cadastros para a prefeitura (pp. 146–8), impactos no transporte coletivo — que teve queda de quase 10% de passageiros entre 2016 e 2019 (p. 165) –, imposição de riscos a passageiros e condutores pela obtenção de liminar que suspende a exigência de inspeção veicular (p. 178), precariedade nos sistemas de prevenção e solução de fraudes e atos violentos e a tentativa de desvincular relações trabalhistas, apontando, por exemplo, falta de autonomia dos trabalhadores (p.188–9).</p><p>É cedo para avaliar o funcionamento da MobizapSP e seu impacto no transporte de passageiros. Mas a iniciativa traz à tona diversas questões, desde o estatuto jurídico e de fato das empresas-plataforma que operam serviços de interesse público, passando pelos mecanismos de mediação de atividades e gerenciamento de trabalho, o cálculo de tarifas e sua lógica subjacente, até a coleta, guarda e o processamento dos dados por essas empresas. Neste texto, trataremos apenas do modelo de cálculo de tarifas, seus pressupostos e suas implicações.</p><h3>A lógica de oferta e demanda no transporte de passageiros</h3><p>A característica da MobizapSP que mais chama atenção — e se choca mais diretamente com as plataformas corporativas — é a forma de cálculo do preço de uma corrida. Enquanto a Uber possui o <a href="https://www.uber.com/br/pt-br/drive/driver-app/how-surge-works/">preço dinâmico</a> e a 99, o <a href="https://99app.com/ajuda/passageiro/como-funciona-o-preco-variavel/">preço variável</a>, o valor das corridas no MobizapSP é resultado de apenas três variáveis: “tempo estimado de viagem, distância e horário”.[1]</p><p>O cálculo é feito por algoritmos que, nas plataformas corporativas, são considerados proprietários, ou praticamente segredo industrial. Simplificando, a modelagem algorítmica produz fórmulas a partir do processamento de dados e aprendizado maquínico. Podemos aproximar as fórmulas geradas por esses algoritmos da fórmula dos refrigerantes, que são guardadas a sete chaves. Mas o que acontece quando essas fórmulas afetam o espaço público e a sociabilidade? A opacidade desses algoritmos não apenas dificulta ou impede que sejam auditados por órgãos reguladores, mas em uma extrapolação do caso em questão, representam riscos à democracia (SILVEIRA, 2019).</p><p>No cálculo das corridas, esta nova lógica resulta em diferenças significativas nos preços. Testes feitos pelo Estadão no dia 23 de março mostram que os preços da plataforma pública são mais caros do que de seus concorrentes corporativos às 15h, horário de menor movimento: a maior diferença foi de cerca de 40% em relação à 99 no trecho Estação da Sé — Terminal Rodoviário Tietê Mas são muito menores às 18h, horário de mais trânsito, quando a 99 passa a ser quase 40% e a Uber, cerca de 23% mais caras no mesmo trecho. Entre a Estação da Sé e o aeroporto de Congonhas, a Uber chega a ser 77% mais cara às 18h.[7]</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/714/1*dJ44RT4viMhNQ1rLmvp9Kw.png" /></figure><p>Fonte: Estadão [7]</p><p>Em um primeiro momento, pode parecer apenas outra forma de precificação. Mas significa uma nova abordagem do transporte de pessoas nas cidades. A precificação dinâmica usada pelas plataformas corporativas se torna um problema para os cidadãos em situações extremas como temporais, calamidades públicas, horários ou dias específicos em que haja grande demanda por transporte e baixa oferta de motoristas. Um <a href="https://www.nytimes.com/2014/01/12/magazine/is-ubers-surge-pricing-an-example-of-high-tech-gouging.html">caso reportado pelo New York Times</a> foi uma tempestade de neve em Nova Iorque, quando a tarifa chegou a mais de 8 vezes o preço médio normal.</p><p>A plataforma pública pode colocar em xeque uma lógica de oferta e demanda que dá mostras de ser potencialmente prejudicial aos fluxos de pessoas em situações extremas, ainda mais quando o aumento do transporte particular influencia o planejamento da oferta de transporte público — conforme aponta a queda de passageiros de ônibus mencionada no relatório da CPI dos Aplicativos.</p><p>Outra lógica de cálculo também evidencia que há alternativas aos modos de operação das plataformas que hoje intermediam as mais diversas atividades. A transparência desses cálculos também deve entrar em pauta. Uma plataforma pública, se este for realmente o caso da MobizapSP, pode ajudar a sociedade a avançar no exame desses mecanismos.</p><p>A MobizapSP vai oferecer microdados que podem ser usados pela administração pública para a compreensão e melhoria do transporte na cidade. Esses dados são tratados como proprietários pelas plataformas corporativas que os coletam e processam, tornando as cidades dependentes de sua boa-vontade para compartilhá-los.</p><p>Por um lado, os dados em posse da administração pública terão (possivelmente) mais regulação e maior escrutínio. Por outro, podem compor bases de dados mais robustas sobre os cidadãos, o que não deixa de ser uma temeridade em países como o nosso, que se mostrou vulnerável a projetos antidemocráticos de governo.</p><p>Por fim, a licitação para o desenvolvimento de uma plataforma pela Secretaria Municipal de Mobilidade e Trânsito de São Paulo reforça a questão sobre o estatuto dessas plataformas e suas relações com os setores da economia e da sociedade em que atuam. Ao se posicionarem como empresas de tecnologia de intermediação, as plataformas contornam a regulamentação desses setores. Em outros casos, as empresas parecem agir a fim de evitar inspeções, como mostra o caso da liminar obtida pelas plataformas de transporte para que os veículos cadastrados não sofressem vistoria, mencionado na CPI dos Aplicativos (pp. 42, 127). Os mecanismos de avaliação da qualidade do serviço por parte dos passageiros é enganoso, pois a regulação funciona exatamente para garantir a segurança e a legalidade das atividades, especialmente em relação a detalhes invisíveis aos clientes (SLEE, 2017).</p><p>A plataforma da prefeitura de São Paulo levanta inúmeras questões, muitas das quais só poderão ser respondidas com o tempo. No entanto, seu lançamento já nos permite mostrar algumas das dimensões da ação das plataformas digitais na sociedade e avançar em alguns debates que se encontram obstruídos no momento.</p><p>[1] <a href="https://www.prefeitura.sp.gov.br/cidade/secretarias/mobilidade/noticias/index.php?p=343648">https://www.prefeitura.sp.gov.br/cidade/secretarias/mobilidade/noticias/index.php?p=343648</a></p><p>[2] <a href="https://termo-motorista.mobizapsp.com.br/">https://termo-motorista.mobizapsp.com.br/</a></p><p>[3] <a href="https://termo-passageiro.mobizapsp.com.br/">https://termo-passageiro.mobizapsp.com.br/</a></p><p>[4] <a href="https://diariodotransporte.com.br/2018/03/30/aplicativo-sptaxi-sera-lancado-na-segunda-feira-em-sao-paulo/">https://diariodotransporte.com.br/2018/03/30/aplicativo-sptaxi-sera-lancado-na-segunda-feira-em-sao-paulo/</a></p><p>[5] <a href="https://www.capital.sp.gov.br/noticia/motoristas-de-aplicativos-ja-podem-solicitar-documentos-exigidos-por-regulamentacao-da-prefeitura-para-transportar-passageiros">https://www.capital.sp.gov.br/noticia/motoristas-de-aplicativos-ja-podem-solicitar-documentos-exigidos-por-regulamentacao-da-prefeitura-para-transportar-passageiros</a></p><p>[6] <a href="https://www.saopaulo.sp.leg.br/wp-content/uploads/2021/02/Relatorio-Final-CPI-Aplicativos.pdf">https://www.saopaulo.sp.leg.br/wp-content/uploads/2021/02/Relatorio-Final-CPI-Aplicativos.pdf</a></p><p>[7] <a href="https://einvestidor.estadao.com.br/negocios/mobizap-sp-app-transporte-prefeitura-precos/">https://einvestidor.estadao.com.br/negocios/mobizap-sp-app-transporte-prefeitura-precos/</a></p><p>SILVEIRA, S. A. Democracia e os códigos invisíveis: como os algoritmos estão modulando comportamentos e escolhas políticas. São Paulo: Edições Sesc SP, 2019.</p><p>SLEE, Tom. What’s yours is mine: Against the sharing economy. Or Books, 2017.</p><p>SRNICEK, Nick. Platform capitalism. John Wiley &amp; Sons, 2017.</p><p>VAN DIJCK, José; POELL, Thomas; DE WAAL, Martijn. The platform society: Public values in a connective world. Oxford University Press, 2018.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bea508abf9a7" width="1" height="1" alt=""><hr><p><a href="https://medium.com/jararaca/plataformas-de-mobilidade-urbana-entre-o-p%C3%BAblico-e-o-mercado-bea508abf9a7">Plataformas de mobilidade urbana: entre o público e o mercado</a> was originally published in <a href="https://medium.com/jararaca">Jararaca</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Download e pré-processamento de dados de violência do Sinan/DATASUS com Python]]></title>
            <link>https://medium.com/datapsico/download-e-pr%C3%A9-processamento-de-dados-do-sinan-datasus-sobre-viol%C3%AAncia-com-python-ddf46ff9a3f5?source=rss-9aa5d22c2f6------2</link>
            <guid isPermaLink="false">https://medium.com/p/ddf46ff9a3f5</guid>
            <category><![CDATA[datasus]]></category>
            <category><![CDATA[violência]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[análise-de-dados]]></category>
            <category><![CDATA[segurança-pública]]></category>
            <dc:creator><![CDATA[André Pecini]]></dc:creator>
            <pubDate>Wed, 05 Apr 2023 13:20:40 GMT</pubDate>
            <atom:updated>2023-04-27T13:48:14.883Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cIDu66P9tKumoWRigghInA.jpeg" /><figcaption>Créditos da imagem: <a href="https://agenciabrasil.ebc.com.br/direitos-humanos/noticia/2023-03/durante-40-anos-homicidios-de-mulheres-foram-subnotificados-no-pais#">Paulo H. Carvalho / Agência Brasília</a></figcaption></figure><p>O título parecido não é mera coincidência, este texto foi diretamente inspirado pelo <a href="https://medium.com/psicodata/baixando-e-processando-dados-do-datasus-sobre-suic%C3%Addio-com-python-656afa17f6ad">Baixando e processando dados do DATASUS sobre suicídio com Python</a>, do Dalton Costa, que também me ajudou a organizar as ideias para escrevê-lo aqui e a quem eu agradeço (agora, publicamente).</p><p>A ideia é deixar disponível aqui uma forma de acessar e decodificar os dados do DATASUS sobre violência interpessoal. É um texto de um iniciante na linguagem Python. Por isso, o código provavelment enão está otimizado ou “pythonizado”. Mas, dada sua simplicidade, ele funciona. Contudo, quaisquer sugestões ou correções são bem-vindas.</p><p>Antes do texto, acho importante dizer que este trabalho é fruto parcial de pesquisa realizada com financiamento da CAPES, emum processo de Cooperação Acadêmica (PROCAD) na área de Segurança Pública e Ciências Forenses, sob o qual fiz um estágio pós-doutoral no Programa de Pós-Graduação em Gestão da Informação da UFPR. Portanto, entendo que é mais do que justo deixar este conteúdo público e acessível, além de contribuir, mesmo que modestamente, para auxiliar outros(as) pesquisadores(as) a acessar e trabalhar com os dados também públicos do DATASUS.</p><p>Assim como o Dalton fez, adianto que não sou especialista em segurança pública e aqui não serão discutidas suas causas, nem hipóteses para combatê-la. O texto diz respeito apenas ao processo de download e “tradução” dos dados em Python.</p><h3>Download das bases de dados Sinan/DATASUS</h3><blockquote>Atualização: seguindo sugestão do Dalton, deixo aqui o <a href="https://colab.research.google.com/drive/1xOFXO8ccaBUCWrH11tqiJFCvp1ipgcHU">link para o código completo no Google Colab</a> para que possam testar seu funcionamento e copiar mais facilmente.</blockquote><p>Existem diversas formas de baixar as bases. A mais simples é com o uso do PySUS, conforme o Dalton explica. no texto. No entanto, o DATASUS parece ter mudado a forma de organizar os arquivos e este método deixou de funcionar. O comando disponível na<a href="https://pysus.readthedocs.io/en/latest/SINAN.html"> documentação do PySUS</a> &lt; <em>df = SINAN.download(2019,’CHAGAS’)</em> &gt; também retorna erro. O código abaixo parece fazer o download, mas retorna um objeto do tipo string.</p><pre>df = SINAN.download(&#39;Violência Domestica&#39;, 2019)</pre><p>Por isso, o método que usei foi o de baixar o arquivo .DBC <a href="https://datasus.saude.gov.br/transferencia-de-arquivos#">diretamente do site do DATASUS</a> , subir no Google Colab e fazer a conversão com o PySUS, <a href="https://github.com/AlertaDengue/PySUS#readme">de acordo com a documentação</a>, que reproduzo abaixo:</p><pre>from pysus.utilities.readdbc import read_dbc<br><br>df = read_dbc(filename, encoding=&#39;iso-8859-1&#39;)<br>df.info()</pre><p>O passo seguinte é limpar a base de dados de registros duplicados e aqueles que não interessam à pesquisa sobre violência interpessoal: lesão autoprovocada e aqueles em que o autor da lesão é identificado como a própria vítima (o que pode parecer redundante, mas como existem esses dois atributos, vale a pena usar os dados de ambos).</p><pre>df = df[df[&#39;NDUPLIC&#39;] != &#39;1&#39;]<br><br># Remover registros de lesão autoprovocada e cujo autor é provavelmente a própria vítima<br>df = df[df[&#39;REL_PROPRI&#39;] != &#39;1&#39;]<br>df = df[df[&#39;LES_AUTOP&#39;] != &#39;1&#39;]<br><br># Remover as colunas de duplicidade, lesão autoprovocada e cujo autor é provavelmente a própria vítima<br>df = df.drop(columns=[&#39;REL_PROPRI&#39;, &#39;LES_AUTOP&#39;, &#39;NDUPLIC&#39;])<br><br>df.reset_index(level=0, inplace=True, drop=True)<br>df.info()</pre><p>O passo seguinte é selecionar as colunas (os atributos) adequados às análises que o(a) pesquisador(a) deseja realizar. A descrição das colunas e dos códigos de preenchimento se encontra no <a href="http://portalsinan.saude.gov.br/images/documentos/Agravos/NINDIV/DIC_DADOS_NET_Not_Individual_rev.pdf">dicionário de variáveis</a>. Encontrei mais de uma versão, esta parece ser a mais atualizada. A base de dados do Sinan tinha cerca de 170 colunas. No último download, o arquivo tinha 158. Segue um exemplo do código para realizar a seleção de colunas no DataFrame do pandas:</p><pre>colunas = [&#39;DT_NASC&#39;, &#39;CS_SEXO&#39;, &#39;CS_RACA&#39;, &#39;CS_ESCOL_N&#39;, &#39;SIT_CONJUG&#39;, <br>           &#39;ORIENT_SEX&#39;, &#39;IDENT_GEN&#39;,&#39;DT_OCOR&#39;,&#39;DT_NOTIFIC&#39;, &#39;SG_UF_OCOR&#39;, <br>           &#39;LOCAL_OCOR&#39;, &#39;OUT_VEZES&#39;, &#39;VIOL_FISIC&#39;, &#39;VIOL_PSICO&#39;, &#39;VIOL_TORT&#39;, <br>           &#39;VIOL_SEXU&#39;, &#39;VIOL_FINAN&#39;, &#39;VIOL_NEGLI&#39;, &#39;VIOL_ESPEC&#39;, &#39;VIOL_TRAF&#39;, <br>           &#39;VIOL_INFAN&#39;, &#39;VIOL_OUTR&#39;, &#39;VIOL_MOTIV&#39;, &#39;LES_AUTOP&#39;, &#39;NDUPLIC&#39;, <br>           &#39;DT_OBITO&#39;, &#39;REL_PAI&#39;, &#39;REL_MAE&#39;, &#39;REL_PAD&#39;, &#39;REL_CONJ&#39;, &#39;REL_EXCON&#39;,<br>           &#39;REL_NAMO&#39;, &#39;REL_EXNAM&#39;, &#39;REL_FILHO&#39;, &#39;REL_DESCO&#39;, &#39;REL_IRMAO&#39;, <br>           &#39;REL_CONHEC&#39;, &#39;REL_CUIDA&#39;, &#39;REL_PATRAO&#39;, &#39;REL_INST&#39;, &#39;REL_POL&#39;, <br>           &#39;REL_MAD&#39;, &#39;REL_TRAB&#39;, &#39;REL_PROPRI&#39;, &#39;REL_OUTROS&#39;, &#39;NU_IDADE_N&#39;, <br>           &#39;ASSIST_SOC&#39;, &#39;REDE_EDUCA&#39;, &#39;CONS_TUTEL&#39;,&#39;CONS_IDO&#39;,&#39;DELEG_IDOS&#39;, <br>           &#39;DIR_HUMAN&#39;, &#39;MPU&#39;, &#39;DELEG_CRIA&#39;, &#39;DELEG_MULH&#39;, &#39;DELEG&#39;, &#39;INFAN_JUV&#39;,<br>           &#39;DEFEN_PUBL&#39;]<br><br>df = df[df.columns.intersection(colunas)]</pre><blockquote>Atualização: acabei de notar que incluí as colunas, mas não fiz os dicionários para decodificar as colunas do atributo “ENC_”, referentes ao “encaminhamento<br>da pessoa atendida”, segundo o dicionário de dados (delegacia da mulher, conselho tutelar etc.). Trabalho a ser feito no futuro.</blockquote><p>A idade das vítimas é registrada com um código um tanto complexo na coluna NU_IDADE_N. De acordo com o dicionário de variáveis, “<em>A composição da variável obedece o seguinte critério: 1o dígito: 1. Hora 2. Dia 3. Mês 4. Ano Ex: 3009 — nove meses, 4018 — dezoito anos</em>”. ANtes de converter para anos, é necessário remover os valores ausentes (“NaN”):</p><pre>df=df.dropna(subset=[&#39;NU_IDADE_N&#39;]).reset_index(drop=True)</pre><p>O pacote PySUS tem um decodificador de idade, que funciona com o seguinte código:</p><pre>from pysus.preprocessing.decoders import decodifica_idade_SINAN<br><br>df[&#39;NU_IDADE_N&#39;] = pd.to_numeric(df[&#39;NU_IDADE_N&#39;], errors=&#39;coerce&#39;)<br><br>df[&#39;Idade&#39;] = decodifica_idade_SINAN(df.NU_IDADE_N, &#39;Y&#39;)</pre><p>Pronto, assim o DataFrame (df) já é uma base com a qual se pode fazer análises estatísticas ou qualquer outro tipo de investigação. Contudo, uma etapa que se mostra um tanto trabalhosa (apesar de ser muito simples) é a conversão dos valores em suas descrições no dicionário de variáveis do DATASUS. Por exemplo, o código para situação conjugal (coluna SIT_CONJUG) é:</p><p>1- Solteiro<br>2- Casado/ União consensual<br>3- Viúvo<br>4- Separado<br>8- Não se aplica<br>9- Ignorado</p><p>Além disso, é importante para qualquer análise queconsidere este atributo saber o que o código 8 significa: “<em>Categoria 8 se idade do paciente for &lt; 10 anos</em>”.</p><p>Este exemplo também mostra outro desafio do trabalho com esses dados: não encontrei este atributo no dicionário de dados mencionado acima. Ele está presente em outra versão, <a href="http://svs.aids.gov.br/bases_vigitel_viva/dic_var/viva_cont/dicionario-de-Variaveis_VIVASINAN.pdf">disponível aqui</a>.</p><p>Por ter feito o trabalho de decodificação dos dados de diversas colunas (seguindo novamente o código do Dalton), deixo aqui os dicionários Python para agilizar o trabalho de quem precisar fazer isso.</p><pre>#Estado / Unidade Federativa<br><br>df_dic[&#39;SG_UF_OCOR&#39;] = df_dic[&#39;SG_UF_OCOR&#39;].map({&#39;11&#39;:&#39;Rondônia&#39;, &#39;12&#39;:&#39;Acre&#39;, <br>                                         &#39;13&#39;:&#39;Amazonas&#39;, &#39;14&#39;:&#39;Roraima&#39;, <br>                                         &#39;15&#39;:&#39;Pará&#39;, &#39;16&#39;:&#39;Amapá&#39;, &#39;17&#39;:&#39;Tocantins&#39;, <br>                                         &#39;21&#39;:&#39;Maranhão&#39;, &#39;22&#39;:&#39;Piauí&#39;, &#39;23&#39;:&#39;Ceará&#39;,<br>                                         &#39;24&#39;:&#39;Rio Grande do Norte&#39;, &#39;25&#39;:&#39;Paraíba&#39;,<br>                                         &#39;26&#39;:&#39;Pernambuco&#39;, &#39;27&#39;:&#39;Alagoas&#39;, <br>                                         &#39;28&#39;:&#39;Sergipe&#39;, &#39;29&#39;:&#39;Bahia&#39;, <br>                                         &#39;31&#39;:&#39;Minas Gerais&#39;, &#39;32&#39;:&#39;Espírito Santo&#39;,<br>                                         &#39;33&#39;:&#39;Rio de Janeiro&#39;, &#39;35&#39;:&#39;São Paulo&#39;,<br>                                         &#39;41&#39;:&#39;Paraná&#39;, &#39;42&#39;:&#39;Santa Catarina&#39;, <br>                                         &#39;43&#39;:&#39;Rio Grande do Sul&#39;, <br>                                         &#39;50&#39;:&#39;Mato Grosso do Sul&#39;, <br>                                         &#39;51&#39;:&#39;Mato Grosso&#39;, &#39;52&#39;:&#39;Goiás&#39;,<br>                                         &#39;53&#39;:&#39;Distrito Federal&#39;})<br>print(df_dic.SG_UF_OCOR.value_counts())</pre><pre>#Orientação Sexual<br><br>df_dic[&#39;ORIENT_SEX&#39;] = df_dic[&#39;ORIENT_SEX&#39;].map({&#39;1&#39; : &#39;Heterossexual&#39;, <br>                                         &#39;2&#39; : &#39;Homossexual&#39;, <br>                                         &#39;3&#39; : &#39;Bissexual&#39;, <br>                                         &#39;8&#39; : &#39;Não se aplica&#39;, <br>                                         &#39;9&#39; : &#39;Ignorada&#39;})<br>print(df_dic.ORIENT_SEX.value_counts())</pre><pre>#Identidade de gênero<br><br>df_dic[&#39;IDENT_GEN&#39;] = df_dic[&#39;IDENT_GEN&#39;].map({&#39;1&#39; : &#39;Travesti&#39;, <br>                                       &#39;2&#39; : &#39;Transexual Mulher&#39;, <br>                                       &#39;3&#39; : &#39;Transexual Homem&#39;, <br>                                       &#39;8&#39; : &#39;Não se aplica&#39;,<br>                                       &#39;9&#39; : &#39;Ignorada&#39;})<br>print(df_dic.IDENT_GEN.value_counts())</pre><pre>#Raça/cor<br><br>df_dic[&#39;CS_RACA&#39;] = df_dic[&#39;CS_RACA&#39;].map({&#39;1&#39; : &#39;Branca&#39;, <br>                                   &#39;2&#39; : &#39;Preta&#39;, <br>                                   &#39;3&#39; : &#39;Amarela&#39;, <br>                                   &#39;4&#39; : &#39;Parda&#39;, <br>                                   &#39;5&#39; : &#39;Indígena&#39;,<br>                                 &#39;9&#39; : &#39;Ignorada&#39;})<br>print(df_dic.CS_RACA.value_counts())</pre><pre>#Escolaridade<br><br>df_dic[&#39;CS_ESCOL_N&#39;] = df_dic[&#39;CS_ESCOL_N&#39;].map({&#39;00&#39; : &#39;Analfabeto(a)&#39;,<br>                                         &#39;01&#39;:&#39;1a-4a incompleta&#39;,<br>                                         &#39;02&#39;:&#39;4a completa&#39;,<br>                                         &#39;03&#39;:&#39;5a-8a incompleta&#39;,<br>                                         &#39;04&#39;:&#39;Fundamental completo&#39;, <br>                                         &#39;05&#39;: &#39;Ensino Médio incompleto&#39;, <br>                                         &#39;06&#39;:&#39;Ensino Médio completo&#39;,<br>                                         &#39;07&#39;:&#39;Ed. Superior incompleta&#39;, <br>                                         &#39;08&#39;:&#39;Ed. Superior completa&#39;, <br>                                         &#39;09&#39;:&#39;Ignorado&#39;, <br>                                         &#39;10&#39;:&#39;Não se aplica&#39;})<br>print(df_dic.CS_ESCOL_N.value_counts())</pre><pre>#Situação conjugal<br><br>df_dic[&#39;SIT_CONJUG&#39;] = df_dic[&#39;SIT_CONJUG&#39;].map({&#39;1&#39; : &#39;Solteiro&#39;, <br>                                         &#39;2&#39; : &#39;Casado/União Consensual&#39;, <br>                                         &#39;3&#39; : &#39;Viúvo&#39;, <br>                                         &#39;4&#39; : &#39;Separado&#39;, <br>                                         &#39;8&#39; : &#39;Não se aplica&#39;,<br>                                         &#39;9&#39; : &#39;Ignorado&#39;})<br>print(df_dic.SIT_CONJUG.value_counts())</pre><pre>#Local de ocorrência<br><br>df_dic[&#39;LOCAL_OCOR&#39;] = df_dic[&#39;LOCAL_OCOR&#39;].map({&#39;01&#39;: &#39;Residência&#39;,<br>                                         &#39;02&#39;: &#39;Habitação coletiva&#39;, <br>                                         &#39;03&#39;: &#39;Escola&#39;,<br>                                         &#39;04&#39;: &#39;Local de prática esportiva&#39;,<br>                                         &#39;05&#39;: &#39;Bar ou similar&#39;,<br>                                         &#39;06&#39;: &#39;Via pública&#39;,<br>                                         &#39;07&#39;: &#39;Comércio/Serviços&#39;,<br>                                         &#39;08&#39;: &#39;Industrias/ construção&#39;,<br>                                         &#39;09&#39;: &#39;Outro&#39;, <br>                                         &#39;99&#39;: &#39;Ignorado&#39;})<br>print(df_dic.LOCAL_OCOR.value_counts())</pre><pre>#Motivação da violência<br><br>df_dic[&#39;VIOL_MOTIV&#39;] = df_dic[&#39;VIOL_MOTIV&#39;].map({&#39;01&#39;:&#39;Sexismo&#39;, <br>                                         &#39;02&#39;:&#39;Homo/Lesbo/Transfobia&#39;, <br>                                         &#39;03&#39;:&#39;Racismo&#39;,<br>                                         &#39;04&#39;:&#39;Intolerância religiosa&#39;,<br>                                         &#39;05&#39;:&#39;Xenofobia&#39;,<br>                                         &#39;06&#39;:&#39;Conflito geracional&#39;,<br>                                         &#39;07&#39;: &#39;Situação de rua&#39;,<br>                                         &#39;08&#39;:&#39;Deficiência&#39;,<br>                                         &#39;09&#39;:&#39;Outros&#39;,<br>                                         &#39;88&#39;:&#39;Não se aplica&#39;,<br>                                         &#39;99&#39;:&#39;Ignorado&#39;})<br>print(df_dic.VIOL_MOTIV.value_counts())</pre><pre># Substituição de valores nos atributos com múltiplas colunas<br><br>#Relações<br>d_rel = {&#39;REL_PAI&#39;:&#39;Pai&#39;, <br>         &#39;REL_MAE&#39; : &#39;Mãe&#39;, <br>         &#39;REL_PAD&#39; : &#39;Padrasto &#39;, <br>         &#39;REL_CONJ&#39; : &#39;Cônjuge &#39;,<br>         &#39;REL_EXCON&#39;:&#39;Ex-cônjuge &#39;, <br>         &#39;REL_NAMO&#39;:&#39;Namorado(a) &#39;, <br>         &#39;REL_EXNAM&#39;:&#39;Ex-namorado(a) &#39;, <br>         &#39;REL_FILHO&#39;:&#39;Filho(a) &#39;,<br>         &#39;REL_DESCO&#39;: &#39;Desconhecido(a) &#39;,<br>         &#39;REL_IRMAO&#39;:&#39;Irmã(o) &#39;, <br>         &#39;REL_CONHEC&#39;:&#39;Amigo(a)/Conhec. &#39;,<br>         &#39;REL_CUIDA&#39;:&#39;Cuidador(a) &#39;, <br>         &#39;REL_PATRAO&#39;:&#39;Chefe &#39;, <br>         &#39;REL_INST&#39;:&#39;Institucional &#39;, <br>         &#39;REL_POL&#39;:&#39;Policial &#39;,<br>         &#39;REL_OUTROS&#39;:&#39;Outros &#39;, <br>         &#39;REL_TRAB&#39;:&#39;Trabalho &#39;, <br>         &#39;REL_MAD&#39;:&#39;Madrasta &#39;}<br><br>#Forma de violência<br>d_viol = {&#39;VIOL_FISIC&#39; : &#39;Física &#39;, <br>          &#39;VIOL_PSICO&#39;: &#39;Psicológica &#39;, <br>          &#39;VIOL_TORT&#39;: &#39;Tortura &#39;,<br>          &#39;VIOL_SEXU&#39;: &#39;Sexual &#39;, <br>          &#39;VIOL_TRAF&#39;: &#39;Tráfico humano &#39;, <br>          &#39;VIOL_FINAN&#39;: &#39;Financeira &#39;,<br>          &#39;VIOL_NEGLI&#39;: &#39;Negligência/Abandono &#39;, <br>          &#39;VIOL_INFAN&#39;: &#39;Trabalho infantil &#39;,<br>          &#39;VIOL_OUTR&#39;: &#39;Violência (Outra) &#39;}<br><br>#Encaminhamento por<br>d_enc = {&#39;ASSIST_SOC&#39;:&#39;Assist. Social &#39;,<br>         &#39;REDE_EDUCA&#39;:&#39;Rede Educação &#39;, <br>         &#39;CONS_TUTEL&#39;:&#39;Conselho Tutelar &#39;,<br>         &#39;CONS_IDO&#39;:&#39;Conselho do Idoso &#39;, <br>         &#39;DELEG_IDOS&#39;:&#39;Delegacia Idoso &#39;, <br>         &#39;DIR_HUMAN&#39;:&#39;Centro Ref. DH &#39;,<br>         &#39;MPU&#39;:&#39;Ministério Público &#39;, <br>         &#39;DELEG_CRIA&#39;:&#39;Delegacia Criança/Adolescente&#39;,<br>         &#39;DELEG_MULH&#39;:&#39;Delegacia Mulher &#39;, <br>         &#39;DELEG&#39;:&#39;Delegacia (Outra)&#39;,<br>         &#39;INFAN_JUV&#39;:&#39;Justiça Infância/Juventude &#39;,<br>         &#39;DEFEN_PUBL&#39;:&#39;Defensoria Pública &#39;}<br><br>dicionarios = {**d_rel, **d_viol, **d_enc}<br><br>for key in dicionarios:<br>    df_dic[key] = df_dic[key].apply(lambda x: str(dicionarios[key]) if x == &#39;1&#39; else &#39;&#39;)<br>    print(df_dic[key].value_counts())</pre><p>Para salvar a tabela resultante em um arquivo .CSV, seja como backup ou para continuar o trabalho em ambientes online que não salvam a sessão como o Google Colab, use este código:</p><pre>df.to_csv(&#39;NomeDoArquivo.csv&#39;, sep=&#39;;&#39;)</pre><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ddf46ff9a3f5" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datapsico/download-e-pr%C3%A9-processamento-de-dados-do-sinan-datasus-sobre-viol%C3%AAncia-com-python-ddf46ff9a3f5">Download e pré-processamento de dados de violência do Sinan/DATASUS com Python</a> was originally published in <a href="https://medium.com/datapsico">Datapsico</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>