Projeto - Entrega parcial da Etapa 1 - ANDERSON BISPO DOS SANTOS

Prévia do material em texto

Programa de Pós-Graduação em Engenharia da Computação
Universidade de Pernambuco - UPE
Tópicos Avançados em Computação Inteligente (Visualização de Dados)
Microdados de Violência Doméstica em
Pernambuco
Bispo. Anderson, dos Santos. abs3@ecomp.poli.br
1. Caracterização do domínio
O domínio abordado envolve dados de violência doméstica registrados de janeiro de
2015 até agosto de 2024. A base de dados contém informações sobre o município onde o
fato ocorreu, a região geográfica, o tipo de crime (natureza), a data do fato, o ano, o sexo e a
faixa de idade das vítimas, além do número total de envolvidos. A violência doméstica é uma
questão social crítica, e esses dados permitem a análise de padrões geográficos,
demográficos e temporais.
A visualização proposta visa resolver o problema de identificação de padrões de
violência doméstica em diferentes regiões, destacando, por exemplo, como a incidência de
crimes varia ao longo do tempo, por idade e por gênero. O objetivo é apoiar intervenções
mais direcionadas e políticas públicas de prevenção.
1.1 Origem da Base de Dados
Os dados são provenientes de registros oficiais de violência doméstica no Brasil,
especificamente no Estado de Pernambuco, e cobrem um período significativo, oferecendo
uma visão ampla e robusta para análise.
Obtendo uma breve exibição dos dados
import pandas as pd
# Carregar o arquivo Excel
file_path =
'/mnt/data/MICRODADOS_DE_VIOLÊNCIA_DOMÉSTICA_JAN_2015_A_AGO_2024.xlsx'
data = pd.read_excel(file_path)
# Exibir as primeiras linhas para entender a estrutura do arquivo
data.head()
1.2 Aspectos do domínio de estudo
1. Geográfico:
Identificar áreas (municípios e regiões) com maior ou menor incidência de violência
doméstica.
Avaliar como a violência doméstica varia entre diferentes regiões geográficas, como
Sertão, Agreste e outras.
Programa de Pós-Graduação em Engenharia da Computação
Universidade de Pernambuco - UPE
Tópicos Avançados em Computação Inteligente (Visualização de Dados)
2. Demográfico:
Analisar o perfil das vítimas em termos de gênero e idade.
Identificar quais grupos etários estão mais vulneráveis à violência doméstica.
3. Tipologia dos Crimes:
Explorar os diferentes tipos de violência doméstica registrados (ameaça, lesão corporal,
estupro, etc.).
Avaliar a frequência relativa de cada tipo de crime ao longo do tempo e entre diferentes
regiões.
4. Temporal:
Estudar a evolução dos casos de violência doméstica ao longo dos anos, buscando
picos ou tendências de aumento ou diminuição.
Identificar se há variações sazonais ou tendências que coincidam com eventos
externos, como crises econômicas ou políticas públicas.
1.3 Questões potenciais a serem investigadas
Quais municípios apresentam maior concentração de casos de violência doméstica?
Existem grupos etários ou regiões que são mais propensos a determinados tipos de
violência doméstica?
A violência doméstica tem aumentado ou diminuído ao longo do tempo em certas
regiões?
Existem variações no tipo de violência praticada, dependendo da região geográfica ou
do perfil da vítima?
Em resumo, o domínio de estudo está focado na análise de padrões de violência doméstica,
incluindo suas variações geográficas, demográficas e temporais, visando fornecer insights que
podem ser usados para políticas públicas, prevenção e intervenção.
2. Abstração de Dados
Baseando-me no conceito e nas metodologias de Munzner. iniciei mapeando cada um dos
atributos do dataset original até os tipos abstratos podemos encontrar os seguintes atributos:
2.1 Tipo de Dataset
Tabela: O dataset é uma tabela, com registros estruturados em colunas que contêm atributos
sobre os incidentes de violência doméstica.
Tabela 1. Abstração de Dados
Programa de Pós-Graduação em Engenharia da Computação
Universidade de Pernambuco - UPE
Tópicos Avançados em Computação Inteligente (Visualização de Dados)
NOME DO ATRIBUTO DESCRIÇÃO DO
ATRIBUTO
TIPO ABSTRATO DOMÍNIO
MUNICÍPIO Nome do município onde
ocorreu o fato
Categórico nominal Lista de municípios do
Brasil
REGIAO_GEOGRAFICA Macrorregião geográfica
onde o município está
localizado
Categórico nominal Sertão, Agreste, etc.
NATUREZA Tipo de crime associado à
violência doméstica
Categórico nominal Ameaça, Lesão
Corporal, Estupro, etc.
DATA_FATO Data exata em que o
incidente de violência
ocorreu
Ordenado temporal 2015-01-01 até
2024-08-31
ANO Ano em que o incidente
ocorreu (derivado de DATA
DO FATO)
Ordenado temporal 2015 a 2024
SEXO Sexo da vítima do
incidente de violência
Categórico binário Feminino, masculino
FAIXA_IDADE Faixa etária da vítima
agrupada
Ordenado
quantitativo
12-17, 25-29, 30-34, etc.
TOTAL Quantidade total de
pessoas envolvidas no
incidente
Ordenado
quantitativo
1, 2, 3, etc.
Na tabela acima foi mapeado os dados originais para tipos abstratos, que permite
definir como as variáveis podem ser manipuladas e visualizadas. Isso ajuda a guiar o processo
de criação das visualizações adequadas, como gráficos de barras para atributos categóricos ou
séries temporais para os atributos temporais.
Pensando em aprofundar ainda mais o conhecimento dentro da abstração dos dados,
é possível definir cada atributo utilizada na tabela, sendo estes:
Programa de Pós-Graduação em Engenharia da Computação
Universidade de Pernambuco - UPE
Tópicos Avançados em Computação Inteligente (Visualização de Dados)
1. Categórico Nominal:
Esses atributos representam categorias ou rótulos que não têm uma ordem intrínseca. Eles
são usados para classificar ou agrupar dados, mas não há uma sequência lógica entre as
categorias.
MUNICÍPIO DO FATO: O nome do município é uma categoria que não possui uma ordem.
Cada município é simplesmente um rótulo que descreve onde o evento ocorreu.
REGIÃO GEOGRÁFICA: Também é uma categoria que descreve uma área geográfica maior
(como Sertão ou Agreste), mas não existe uma relação de ordem entre essas regiões.
NATUREZA: Refere-se ao tipo de crime, como "Ameaça", "Lesão Corporal", etc. Esses rótulos
não possuem hierarquia ou ordem natural.
SEXO: É um atributo binário que classifica as vítimas como femininas ou masculinas, sem
haver uma ordem implícita entre essas categorias.
2. Categórico Binário:
Um subtipo do categórico nominal, esse atributo tem apenas duas categorias possíveis.
SEXO: Tem dois valores possíveis, "Feminino" e "Masculino". Isso representa uma escolha
binária, útil para comparações de gênero.
3. Ordenado Temporal:
Os atributos temporais são aqueles que representam pontos ou intervalos de tempo, e existe
uma ordem natural entre eles.
DATA DO FATO: Refere-se a uma data específica (como "2015-01-01"). Como as datas
seguem uma sequência cronológica, esse é um atributo ordenado temporal, adequado para
visualização como gráficos de linha ou séries temporais.
ANO: Um atributo derivado da "DATA DO FATO", que agrupa as ocorrências por ano.
Novamente, há uma ordem intrínseca, com anos mais antigos precedendo anos mais recentes.
4. Ordenado Quantitativo:
Esses atributos têm valores numéricos ou que podem ser organizados em uma sequência
natural. Eles são usados para medir ou contar algo, e sua representação gráfica pode ser
contínua ou discreta.
Programa de Pós-Graduação em Engenharia da Computação
Universidade de Pernambuco - UPE
Tópicos Avançados em Computação Inteligente (Visualização de Dados)
IDADE: Embora agrupada em faixas etárias (como "25-29", "30-34"), as idades seguem uma
ordem natural de crescimento. É um atributo quantitativo ordenado, pois podemos ver uma
progressão.
TOTAL DE ENVOLVIDOS: Esse atributo indica o número de pessoas envolvidas em cada
incidente. Como esse número pode variar de caso para caso, ele é quantitativo e ordenado,
pois 1 é menor que 2, e assim por diante.
5. Abstração de Tarefas
Aqui deve conter os resultados da etapa Operation/Task Abstraction, onde é feito o
mapeamento das tarefas de domínio para tarefas abstratas, usando alguma taxonomia
de tarefas proposta na literatura.
Tabela 2. Abstração de Tarefas
Tarefa de domínio Tarefa abstrataanálise de padrões demográficos,
geográficos e temporais.
filtro, classificação e comparação entre
dados temporais e demográficos (como por
exemplo, a evolução dos casos por ano,
faixa etária e gênero).
6. Codificação Visual
6.1. Mapeamento tarefas x codificação
Gráfico de Linha: Adequado para comparar uma métrica para uma ou várias
categorias.
Gráfico de barras: O gráfico de barras é deveras adequado para dados categóricos e
temporais, permitindo a comparação de forma fácil do volume de ocorrências ao longo
do tempo, ajudando a visualizar tendências, como aumentos ou quedas nos números.
Gráfico de barras agrupadas: Esse gráfico expande o primeiro ao agrupar os crimes
por gênero, possibilitando a comparação entre o total de ocorrências de acordo com o
sexo. É adequado para identificar como as tendências variam entre os sexos,
evidenciando eventuais diferenças nos tipos de crime cometidos em cada ano.
Tabela 3. Lista de codificações visuais
Programa de Pós-Graduação em Engenharia da Computação
Universidade de Pernambuco - UPE
Tópicos Avançados em Computação Inteligente (Visualização de Dados)
ID Tarefa(s)
associada
(id)
Codificação visual Justificativa
1 1,2 Gráfico de Linhas Adequado para comparar uma
métrica para uma ou várias
categorias.
2,1 Gráfico de barras O gráfico de barras é deveras
adequado para dados categóricos
e temporais, permitindo a
comparação de forma fácil do
volume de ocorrências ao longo do
tempo, ajudando a visualizar
tendências, como aumentos ou
quedas nos números.
2,2 Gráfico de barras
agrupadas
Esse gráfico expande o primeiro ao
agrupar os crimes por gênero,
possibilitando a comparação entre
o total de ocorrências de acordo
com o sexo. É adequado para
identificar como as tendências
variam entre os sexos,
evidenciando eventuais diferenças
nos tipos de crime cometidos em
cada ano.
Code:
https://colab.research.google.com/drive/1YGW9qz6xyX-s9Gx4fnC2U3oNJwsuhze1?usp=sharin
g
6.2 Visualizações desenvolvidas e insights obtidos
Title: Tendência de Violência Doméstica no Estado de Pernambuco
Base: ANO, REGIÃO GEOGRÁFICA
Insights: Demonstra a timeline por número de casos nas regiões geográficas por ano
em Pernambuco.
Tipo de Gráfico: Linha
https://colab.research.google.com/drive/1YGW9qz6xyX-s9Gx4fnC2U3oNJwsuhze1?usp=sharing
https://colab.research.google.com/drive/1YGW9qz6xyX-s9Gx4fnC2U3oNJwsuhze1?usp=sharing
Programa de Pós-Graduação em Engenharia da Computação
Universidade de Pernambuco - UPE
Tópicos Avançados em Computação Inteligente (Visualização de Dados)
Title: Total de Violência Doméstica em Pernambuco
Base: ANO
Insights: Quantidade de Criminalidade Geral (Doméstica) por ano no Estado de PE
Tipo de Gráfico: Barras
Title: Total de Casos por Região Geográfica
Base: TOTAL, REGIÃO GEOGRÁFICA
Insights: Quantidade de Casos (Doméstica) por Região Geográfica no Estado de PE
Tipo de Gráfico: Dispersão
Title: Agrupamento de Casos por Natureza do Crime por Sexualidade
Programa de Pós-Graduação em Engenharia da Computação
Universidade de Pernambuco - UPE
Tópicos Avançados em Computação Inteligente (Visualização de Dados)
Base: TOTAL, SEXO, NATUREZA
Insights: Quantidade de Casos (Natureza do Crime) por Sexualidade no Estado de PE
Tipo de Gráfico: Barras Horizontais
Referências
Knuth, D. E. (1984), The TeXbook, Addison Wesley, 15th edition.
Smith, A. and Jones, B. (1999). On the complexity of computing. In Advances in Computer
Science, pages 555–566. Publishing Press.
M. Waskom et al., “Seaborn: Statistical Data Visualization,” Seaborn Documentation, [Online].
Available: https://seaborn.pydata.org/. Accessed: [data de acesso].
J. D. Hunter, "Matplotlib: A 2D Graphics Environment," Computing in Science & Engineering,
vol. 9, no. 3, pp. 90-95, May-Jun. 2007. doi: 10.1109/MCSE.2007.55.
Para a documentação online do Matplotlib: J. D. Hunter et al., "Matplotlib Documentation,"
Matplotlib Documentation, [Online]. Available: https://matplotlib.org/stable/contents.html.
Acessado: 28 de setembro de 2024.