-
Notifications
You must be signed in to change notification settings - Fork 0
/
analise_turnos.py
137 lines (107 loc) · 7.27 KB
/
analise_turnos.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
import pandas as pd
import numpy as np
import plotly.graph_objects as go
from plotly.subplots import make_subplots
from sklearn.linear_model import LinearRegression
turno1 = pd.read_csv('tse_data2.csv',dtype='str')
turno2 = pd.read_excel('resultados_eleicoes_2022_turno2.xlsx')
turno2.rename(columns={'qnt_votos':'votos_validos'},inplace=True)
turno2.rename(columns={'municipio':'cidade'},inplace=True)
turno1['cidade']=turno1['cidade'].str.upper()
turno2['cidade']=turno2['cidade'].str.upper()
turno1['cidade'] = turno1['cidade'].str.normalize('NFKD').str.encode('ascii', errors='ignore').str.decode('utf-8')
turno2['cidade'] = turno2['cidade'].str.normalize('NFKD').str.encode('ascii', errors='ignore').str.decode('utf-8')
turno1['chave'] = turno1['uf']+"_"+turno1['cidade']
turno2['chave'] = turno2['uf']+"_"+turno2['cidade']
turno1['candidato'] = turno1['candidato'].str.upper()
turno2['candidato'] = turno2['candidato'].str.upper()
turno1['votos_validos'] = turno1['votos_validos'].astype(int)
turno2['votos_validos'] = turno2['votos_validos'].astype(int)
def intersection(lst1, lst2):
return list(set(lst1) & set(lst2))
cidades = intersection(turno1.chave.unique().tolist(),turno2.chave.unique().tolist())
comparativo=pd.DataFrame(cidades,columns=['chave'])
comparativo['votos_concorrentes']=comparativo.merge(turno1.loc[turno1.candidato=='JAIR BOLSONARO'], on='chave', how='left')['votos_concorrentes'].astype(int)
comparativo['bolsonaro_turno1']=comparativo.merge(turno1.loc[turno1.candidato=='JAIR BOLSONARO'],on='chave', how='left')['votos_validos']
comparativo['bolsonaro_turno2']=comparativo.merge(turno2.loc[turno2.candidato=='JAIR BOLSONARO'],on='chave', how='left')['votos_validos']
comparativo['lula_turno1']=comparativo.merge(turno1.loc[turno1.candidato=='LULA'],on='chave', how='left')['votos_validos']
comparativo['lula_turno2']=comparativo.merge(turno2.loc[turno2.candidato=='LULA'],on='chave', how='left')['votos_validos']
comparativo['pct_bolsonaro_turno1']=comparativo['bolsonaro_turno1']/comparativo['votos_concorrentes']
comparativo['pct_bolsonaro_turno2']=comparativo['bolsonaro_turno2']/comparativo['votos_concorrentes']
comparativo['pct_lula_turno1']=comparativo['lula_turno1']/comparativo['votos_concorrentes']
comparativo['pct_lula_turno2']=comparativo['lula_turno2']/comparativo['votos_concorrentes']
comparativo['diff_bolsonaro']=comparativo['bolsonaro_turno2']-comparativo['bolsonaro_turno1']
comparativo['diff_lula']=comparativo['lula_turno2']-comparativo['lula_turno1']
comparativo['pct_diff_bolsonaro']=comparativo['pct_bolsonaro_turno2']-comparativo['pct_bolsonaro_turno1']
comparativo['pct_diff_lula']=comparativo['pct_lula_turno2']-comparativo['pct_lula_turno1']
comparativo.insert(loc=0, column='uf', value=comparativo['chave'].str.split('_',expand=True)[0])
comparativo.insert(loc=1, column='cidade', value=comparativo['chave'].str.split('_',expand=True)[1])
aggregate=[#'min',
#'max',
#'mean',
'median'
]
comparativo_uf = comparativo.groupby('uf').agg({'diff_bolsonaro':aggregate,
'diff_lula':aggregate})
comparativo_uf.columns = ["_".join(col) for col in comparativo_uf.columns]
#em quantas cidades os principais candidatos tiveram conversão de votos superior aos de candidatos coadjuvantes no primeiro turno?
#turno1.candidato.unique()
coadjuvantes=turno1.loc[(turno1.candidato!='JAIR BOLSONARO')&(turno1.candidato!='LULA')].groupby('chave',as_index=False)['votos_validos'].sum()
comparativo['sum_coadjuvantes']=comparativo.merge(coadjuvantes,on='chave', how='left')['votos_validos']
comparativo['check_bolsonaro']=np.where((comparativo['diff_bolsonaro']>comparativo['sum_coadjuvantes'])&(comparativo['diff_bolsonaro']>comparativo['diff_lula']),1,0)
comparativo['check_lula']=np.where((comparativo['diff_lula']>comparativo['sum_coadjuvantes'])&(comparativo['diff_bolsonaro']<comparativo['diff_lula']),1,0)
del comparativo['chave']
comparativo['check_bolsonaro'].sum()
comparativo['check_lula'].sum()
comparativo['abstencao_turno1'] = comparativo['votos_concorrentes']-(comparativo['bolsonaro_turno1']-comparativo['lula_turno1'])
comparativo['abstencao_turno2'] = comparativo['votos_concorrentes']-(comparativo['bolsonaro_turno2']-comparativo['lula_turno2'])
comparativo['variacao_abstencao'] = (comparativo['abstencao_turno2']-comparativo['abstencao_turno1'])/comparativo['abstencao_turno1']
comparativo_uf = comparativo.groupby('uf', as_index=False).agg({'check_bolsonaro':'sum',
'check_lula':'sum',
'cidade':'nunique'
})
comparativo_uf['check_bolsonaro']=comparativo_uf['check_bolsonaro']/comparativo_uf['cidade']
comparativo_uf['check_lula']=comparativo_uf['check_lula']/comparativo_uf['cidade']
#regressao linear
reg_bolsonaro = LinearRegression()
reg_bolsonaro = reg_bolsonaro.fit(np.array(comparativo.variacao_abstencao).reshape(-1,1), np.array(np.array(comparativo.pct_diff_bolsonaro)))
reg_bolsonaro = reg_bolsonaro.predict(np.array(comparativo.variacao_abstencao).reshape(-1,1))
reg_lula = LinearRegression()
reg_lula = reg_lula.fit(np.array(comparativo.variacao_abstencao).reshape(-1,1), np.array(np.array(comparativo.pct_diff_lula)))
reg_lula = reg_lula.predict(np.array(comparativo.variacao_abstencao).reshape(-1,1))
fig = make_subplots(rows=1, cols=2, subplot_titles=('Bolsonaro', 'Lula'))
fig.add_trace(go.Scatter(x=comparativo.variacao_abstencao,
y=comparativo.pct_diff_bolsonaro,
mode = "markers",
name="Bolsonaro",
showlegend=False,
marker_symbol=1,
marker_color = "green"), row=1, col=1)
fig.add_trace(go.Scatter(x=comparativo.variacao_abstencao,
y=comparativo.pct_diff_lula,
mode = "markers",
name="Lula",
showlegend=False,
marker_symbol=1,
marker_color = "red"), row=1, col=2)
#adionanando trendlines
fig.add_trace(go.Scatter(x=comparativo.variacao_abstencao,
y=reg_bolsonaro,
mode = "lines",
name="Bolsonaro",
showlegend=False,
marker_symbol=1,
marker_color = "green"), row=1, col=1)
fig.add_trace(go.Scatter(x=comparativo.variacao_abstencao,
y=reg_lula,
mode = "lines",
name="Lula",
showlegend=False,
marker_symbol=1,
marker_color = "red"), row=1, col=2)
fig.update_layout(#title="Dispersao Entre Variacao de Abstencao e Variacao Entre Turnos",
yaxis_title="variacao entre turnos (%)",
font=dict(size=16))
fig['layout']['xaxis']['title']='variacao de abstencao (%)'
fig['layout']['xaxis2']['title']='variacao de abstencao (%)'
fig.write_html('charts/scatter_variacao_abstencao.html')