Desafio 2: Resumindo um Banco de Dados

O prazo para entregar Desafio 2 por email com título “[FLS6397] - D2” à minha conta é 14h, 17/04/2020, antes da próxima aula. Por favor entregue (i) o arquivo .Rmd, e (ii) o arquivo .html.

Instruções

Siga as instruções abaixo. Documente todos os seus passos em um script. Comente no seu script todos os seus passos e explique a si mesma(o) suas escolhas e estratégias. Se você se beneficiou da assistência de outra pessoa, sempre reconheça isso em comentários no código.

Roteiro

  1. Baixe e abra o banco de dados “CENSOESC_2004_RO.CSV”. Incomumente este banco usa o separador “|”. O banco nacional é 1GB então já filtramos o banco para o estado de Roraima para deixar ele mais leve e accessível. Os nomes das variáveis são mais ou menos auto-explicativas, e descrevemos alguns em mais detalhe ao longo do desafio.

library(tidyverse)
library(knitr)
educ_RO <- read_delim("CENSOESC_2004_RR.csv", delim="|")
  1. Os dados contém escolas não-ativas (veja a variável CODFUNC); tire elas do banco de dados. O que representa uma observação no banco de dados agora?

educ_RO <- educ_RO %>% filter(CODFUNC=="Ativo")
    1. Quantas escolas há no estado, quantas por municípo (inclua uma tabela), e qual é o município com o maior número de escolas?
    2. Adicione uma última linha na tabela que tenha o total de escolas no estado.

educ_RO_num_escolas <- educ_RO %>% tally() %>% pull(n)

escolas_por_mun <- educ_RO %>% group_by(CODMUNIC,MUNIC) %>% 
  tally() %>%
  arrange(-n) 

educ_RO_Maior_Numero_Escolas <- escolas_por_mun %>%
  ungroup() %>%
  top_n(1,n) %>%
  pull(MUNIC)

escolas_por_mun %>% 
  ungroup() %>%
  select(MUNIC, n) %>%
  add_row(MUNIC="TOTAL", n=sum(.$n)) %>% 
  kable(caption="Número de Escolas por Município",
        col.names=c("Município","Número de Escolas"))
Table 1: Número de Escolas por Município
Município Número de Escolas
BOA VISTA 149
RORAINOPOLIS 62
NORMANDIA 61
CARACARAI 59
ALTO ALEGRE 55
UIRAMUTA 55
MUCAJAI 51
CANTA 50
IRACEMA 45
CAROEBE 44
PACARAIMA 43
AMAJARI 42
BONFIM 36
SAO LUIZ 20
SAO JOAO DA BALIZA 17
TOTAL 789

O número total de escolas é `r educ_RO_num_escolas`. O município com o maior número de escolas é `r educ_RO_Maior_Numero_Escolas`.

O número total de escolas é 789. O município com o maior número de escolas é BOA VISTA.

    1. Quantos professores há no estado de Roraima, e quantos por município (inclua uma tabela)?

educ_RO_profs <- educ_RO %>% summarize(PROFESS=sum(PROFESS,na.rm=T))

O número de professores em Roraima é `r educ_RO_profs`.

O número de professores em Roraima é 7669.


educ_RO %>% group_by(CODMUNIC,MUNIC) %>% 
  summarize(PROFESS=sum(PROFESS,na.rm=T)) %>%
  ungroup() %>%
  select(-CODMUNIC) %>%
  kable(caption="Professores por Município",
        col.names=c("Município","Professores"),
        digits=1, format.args=list(big.mark=".", decimal.mark=","))
Table 2: Professores por Município
Município Professores
AMAJARI 166
ALTO ALEGRE 320
BOA VISTA 4.306
PACARAIMA 263
BONFIM 255
CANTA 296
NORMANDIA 244
UIRAMUTA 209
CARACARAI 372
IRACEMA 168
MUCAJAI 278
CAROEBE 154
RORAINOPOLIS 388
SAO JOAO DA BALIZA 125
SAO LUIZ 125
  1. Qual é o porcentagem de professores entre todos os empregados (professores e funcionários) em cada município (inclua uma tabela)?

educ_RO %>% group_by(CODMUNIC,MUNIC) %>% 
  summarize(PROFESS=sum(PROFESS,na.rm=T),
            FUNCION=sum(FUNCION,na.rm=T)) %>%
  ungroup() %>%
  select(-CODMUNIC) %>% 
  mutate(Pct_PROFESS=100*PROFESS/(FUNCION + PROFESS)) %>% 
  kable(caption="Professores e Funcionários por Município",
        col.names=c("Município","Professores", "Funcionários", "% Professores"),
        digits=1, format.args=list(big.mark=".", decimal.mark=","))
Table 3: Professores e Funcionários por Município
Município Professores Funcionários % Professores
AMAJARI 166 216 43,5
ALTO ALEGRE 320 450 41,6
BOA VISTA 4.306 8.179 34,5
PACARAIMA 263 351 42,8
BONFIM 255 372 40,7
CANTA 296 416 41,6
NORMANDIA 244 323 43,0
UIRAMUTA 209 253 45,2
CARACARAI 372 671 35,7
IRACEMA 168 255 39,7
MUCAJAI 278 488 36,3
CAROEBE 154 215 41,7
RORAINOPOLIS 388 571 40,5
SAO JOAO DA BALIZA 125 192 39,4
SAO LUIZ 125 239 34,3
  1. Calcule a média e o desvio padrão do número de professores por escola em cada município (inclua uma tabela). Qual município há a maior variabilidade no número de professores por escola?

educ_RO_profs_por_escola_mun <- educ_RO %>% group_by(CODMUNIC,MUNIC) %>%
  summarize(MEDIA_PROFESS=mean(PROFESS,na.rm=T),
            SD_PROFESS=sd(PROFESS,na.rm=T)) %>% 
  ungroup() %>%
  select(-CODMUNIC) 

educ_RO_profs_por_escola_mun %>%
  kable(caption="Estatísticas de Professores por Escola por Município",
        col.names=c("Município","Média de Professores", "Desvio padrão de Professores"),
        digits=1, format.args=list(big.mark=".", decimal.mark=","))
Table 4: Estatísticas de Professores por Escola por Município
Município Média de Professores Desvio padrão de Professores
AMAJARI 4,0 6,1
ALTO ALEGRE 5,8 10,3
BOA VISTA 28,9 25,1
PACARAIMA 6,1 8,5
BONFIM 7,1 6,4
CANTA 5,9 6,8
NORMANDIA 4,0 6,0
UIRAMUTA 3,8 4,4
CARACARAI 6,3 8,1
IRACEMA 3,7 8,3
MUCAJAI 5,5 8,4
CAROEBE 3,5 7,0
RORAINOPOLIS 6,3 14,6
SAO JOAO DA BALIZA 7,4 7,7
SAO LUIZ 6,2 9,2 

mun_maior_variabilidade_profs <- educ_RO_profs_por_escola_mun %>%
  ungroup() %>%
  top_n(1,SD_PROFESS) %>%
  pull(MUNIC)

O município com a maior variabilidade no número de professores por escola é `r mun_maior_variabilidade_profs`.

O município com a maior variabilidade no número de professores por escola é BOA VISTA.

  1. Quantos professores trabalham em cada uma das redes federais, estaduais, municipais e particulares (a variável DEP)? Calcule o porcentagem de professores em cada rede (inclua uma tabela).

educ_RO %>% group_by(DEP) %>%
  summarize(PROFESS=sum(PROFESS,na.rm=T)) %>%
  ungroup() %>%
  mutate(Pct_PROFESS=100*PROFESS/sum(PROFESS)) %>%
  kable(caption="Professores por Rede",
        col.names=c("Município","Número de Professores", "% de Professores"),
        digits=1, format.args=list(big.mark=".", decimal.mark=","))
Table 5: Professores por Rede
Município Número de Professores % de Professores
Estadual 5.947 77,5
Federal 153 2,0
Municipal 1.274 16,6
Particular 295 3,8
  1. Qual é o porcentagem de escolas com laboratório de informático, por município (inclua uma tabela)? Qual é o nome do município com o maior porcentagem de escolas com laboratório de informático?

escol_inform_mun <- educ_RO %>% group_by(CODMUNIC, MUNIC, LAB_INFO) %>%
  tally() %>%
  group_by(CODMUNIC, MUNIC) %>%
  mutate(Pct_LAB_INFO=100*(n/sum(n))) %>%
  filter(LAB_INFO==1) %>%
  ungroup() %>%
  select(-CODMUNIC, -LAB_INFO, -n)

escol_inform_mun %>%
  kable(caption = "Escolas com Laboratório de Informática por Município",
        col.names = c("Município", "% Laboratórios"),
        digits = 1, format.args = list(big.mark = ".", decimal.mark = ","))
Table 6: Escolas com Laboratório de Informática por Município
Município % Laboratórios
ALTO ALEGRE 1,8
BOA VISTA 22,1
PACARAIMA 4,7
CARACARAI 1,7
MUCAJAI 2,0
SAO JOAO DA BALIZA 5,9 

mun_pct_escolas_labinfo_maior <- escol_inform_mun %>% 
  ungroup() %>%
  top_n(1,Pct_LAB_INFO) %>% 
  pull(MUNIC)

O município com o maior porcentagem de escolas com laboratório de informático é `r mun_pct_escolas_labinfo_maior`.

O município com o maior porcentagem de escolas com laboratório de informático é BOA VISTA.

  1. O banco de dados do INEP contém quatro variáveis (VDG1CA,VDG1C1,VDG1C3,VDG1C4) com o número de professores por nível de ensinamento.
    1. Vire o banco de dados do formato largo para o formato longo, para que as quatro variáveis VDG1CA, VDG1C1, VDG1C3, VDG1C4 se tornam uma variável que descreve o nível de ensinamento do professor, e uma outra variável que descreve o número de professores.
    2. No novo banco de dados longo, recodifique as variáveis: VDG1CA para ‘Creche’, VDG1C1 para ‘Pré-escola’, VDG1C3 para ‘Fundamental’, VDG1C4 para ‘Médio’.
    3. Resuma o número de professores por nível de ensinamento no estado inteiro.

educ_RO_long <- educ_RO %>% pivot_longer(c(VDG1CA,VDG1C1,VDG1C3,VDG1C4),
                         names_to="Nível_Professor",
                         values_to="Numero_Professores") %>%
  mutate(Nível_Professor=case_when(Nível_Professor=="VDG1CA"~"Creche",
                                   Nível_Professor=="VDG1C1"~"Pré-Escola",
                                   Nível_Professor=="VDG1C3"~"Fundamental",
                                   Nível_Professor=="VDG1C4"~"Médio"))

educ_RO_long %>% group_by(Nível_Professor) %>%
  summarize(Numero_Professores=sum(Numero_Professores,na.rm=T)) %>%
  kable(caption="Número de Professores por Nível de Ensinamento",
        col.names=c("Nível", "Número de Professores"),
        digits=1, format.args=list(big.mark=".", decimal.mark=","))
Table 7: Número de Professores por Nível de Ensinamento
Nível Número de Professores
Creche 151
Fundamental 4.557
Médio 1.176
Pré-Escola 928
  1. Usando o banco de dados ‘longo’ criado na questão 8:
    1. Calcule a média e o total do número de professores em cada nível de ensinamento em cada município (inclua uma tabela)

educ_RO_long_mun_nivel <- educ_RO_long %>% group_by(CODMUNIC, MUNIC, Nível_Professor) %>%
  summarize(Media_Professores=mean(Numero_Professores,na.rm=T),
            Total_Professores=sum(Numero_Professores,na.rm=T)) %>%
  ungroup() %>%
  select(-CODMUNIC) 

educ_RO_long_mun_nivel %>%
  kable(caption="Média e Total de Professores por Nível de Ensinamento e Município",
        col.names=c("Município", "Nível", "Média de Professores", "Número de Professores"),
        digits=1, format.args=list(big.mark=".", decimal.mark=","))
Table 8: Média e Total de Professores por Nível de Ensinamento e Município
Município Nível Média de Professores Número de Professores
AMAJARI Creche 0,0 2
AMAJARI Fundamental 2,9 122
AMAJARI Médio 0,5 19
AMAJARI Pré-Escola 0,4 16
ALTO ALEGRE Creche 0,1 4
ALTO ALEGRE Fundamental 3,7 205
ALTO ALEGRE Médio 1,1 60
ALTO ALEGRE Pré-Escola 1,1 59
BOA VISTA Creche 0,5 68
BOA VISTA Fundamental 15,4 2.301
BOA VISTA Médio 4,8 717
BOA VISTA Pré-Escola 2,9 438
PACARAIMA Creche 0,2 7
PACARAIMA Fundamental 4,2 180
PACARAIMA Médio 0,8 36
PACARAIMA Pré-Escola 0,7 30
BONFIM Creche 0,0 0
BONFIM Fundamental 4,8 171
BONFIM Médio 0,6 22
BONFIM Pré-Escola 0,9 32
CANTA Creche 0,1 4
CANTA Fundamental 3,9 197
CANTA Médio 1,1 56
CANTA Pré-Escola 0,9 46
NORMANDIA Creche 0,1 8
NORMANDIA Fundamental 2,8 168
NORMANDIA Médio 0,4 26
NORMANDIA Pré-Escola 0,8 47
UIRAMUTA Creche 0,0 0
UIRAMUTA Fundamental 3,0 166
UIRAMUTA Médio 0,3 17
UIRAMUTA Pré-Escola 0,7 36
CARACARAI Creche 0,3 20
CARACARAI Fundamental 4,1 244
CARACARAI Médio 0,6 35
CARACARAI Pré-Escola 0,7 41
IRACEMA Creche 0,4 20
IRACEMA Fundamental 2,0 89
IRACEMA Médio 0,5 23
IRACEMA Pré-Escola 0,4 16
MUCAJAI Creche 0,2 10
MUCAJAI Fundamental 3,6 185
MUCAJAI Médio 0,9 47
MUCAJAI Pré-Escola 1,1 57
CAROEBE Creche 0,1 4
CAROEBE Fundamental 2,5 110
CAROEBE Médio 0,3 15
CAROEBE Pré-Escola 0,9 39
RORAINOPOLIS Creche 0,1 4
RORAINOPOLIS Fundamental 4,0 248
RORAINOPOLIS Médio 0,8 51
RORAINOPOLIS Pré-Escola 0,6 39
SAO JOAO DA BALIZA Creche 0,0 0
SAO JOAO DA BALIZA Fundamental 5,2 88
SAO JOAO DA BALIZA Médio 1,4 23
SAO JOAO DA BALIZA Pré-Escola 0,5 9
SAO LUIZ Creche 0,0 0
SAO LUIZ Fundamental 4,2 83
SAO LUIZ Médio 1,4 29
SAO LUIZ Pré-Escola 1,1 23
  1. Calcule o porcentagem dos professores em cada nível de ensinamento, por município, em uma tabela, e o município com o maior porcentagem dos seus Professores alocado à nível Fundamental

educ_RO_long_por_mun <- educ_RO_long_mun_nivel %>%
  group_by(MUNIC) %>%
  mutate(Pct_Professores_por_Mun=100*Total_Professores/sum(Total_Professores,na.rm=T)) %>%
  select(-Media_Professores, -Total_Professores)

educ_RO_long_por_mun %>%
  kable(caption="% de Professores em cada Nível de Ensinamento, por Município",
        col.names=c("Município", "Nível", "% de Professores"),
        digits=1, format.args=list(big.mark=".", decimal.mark=","))
Table 9: % de Professores em cada Nível de Ensinamento, por Município
Município Nível % de Professores
AMAJARI Creche 1,3
AMAJARI Fundamental 76,7
AMAJARI Médio 11,9
AMAJARI Pré-Escola 10,1
ALTO ALEGRE Creche 1,2
ALTO ALEGRE Fundamental 62,5
ALTO ALEGRE Médio 18,3
ALTO ALEGRE Pré-Escola 18,0
BOA VISTA Creche 1,9
BOA VISTA Fundamental 65,3
BOA VISTA Médio 20,3
BOA VISTA Pré-Escola 12,4
PACARAIMA Creche 2,8
PACARAIMA Fundamental 71,1
PACARAIMA Médio 14,2
PACARAIMA Pré-Escola 11,9
BONFIM Creche 0,0
BONFIM Fundamental 76,0
BONFIM Médio 9,8
BONFIM Pré-Escola 14,2
CANTA Creche 1,3
CANTA Fundamental 65,0
CANTA Médio 18,5
CANTA Pré-Escola 15,2
NORMANDIA Creche 3,2
NORMANDIA Fundamental 67,5
NORMANDIA Médio 10,4
NORMANDIA Pré-Escola 18,9
UIRAMUTA Creche 0,0
UIRAMUTA Fundamental 75,8
UIRAMUTA Médio 7,8
UIRAMUTA Pré-Escola 16,4
CARACARAI Creche 5,9
CARACARAI Fundamental 71,8
CARACARAI Médio 10,3
CARACARAI Pré-Escola 12,1
IRACEMA Creche 13,5
IRACEMA Fundamental 60,1
IRACEMA Médio 15,5
IRACEMA Pré-Escola 10,8
MUCAJAI Creche 3,3
MUCAJAI Fundamental 61,9
MUCAJAI Médio 15,7
MUCAJAI Pré-Escola 19,1
CAROEBE Creche 2,4
CAROEBE Fundamental 65,5
CAROEBE Médio 8,9
CAROEBE Pré-Escola 23,2
RORAINOPOLIS Creche 1,2
RORAINOPOLIS Fundamental 72,5
RORAINOPOLIS Médio 14,9
RORAINOPOLIS Pré-Escola 11,4
SAO JOAO DA BALIZA Creche 0,0
SAO JOAO DA BALIZA Fundamental 73,3
SAO JOAO DA BALIZA Médio 19,2
SAO JOAO DA BALIZA Pré-Escola 7,5
SAO LUIZ Creche 0,0
SAO LUIZ Fundamental 61,5
SAO LUIZ Médio 21,5
SAO LUIZ Pré-Escola 17,0 

educ_RO_long_por_mun_maior_pct <- educ_RO_long_por_mun %>%
  filter(Nível_Professor=="Fundamental") %>%
  ungroup() %>%
  top_n(1,Pct_Professores_por_Mun) %>% 
  pull(MUNIC)

O município com o maior porcentagem dos seus Professores alocado à nível Fundamental é `r educ_RO_long_por_mun_maior_pct`.

O município com o maior porcentagem dos seus Professores alocado à nível Fundamental é AMAJARI.

  1. Calcule o porcentagem dos professores em cada município, por nível de ensinamento, em uma tabela, e o município com o maior porcentagem de Professores de Ensino Fundamental.

educ_RO_long_por_nivel <- educ_RO_long_mun_nivel %>%
  group_by(Nível_Professor) %>%
  mutate(Pct_Professores_por_Nivel=100*Total_Professores/sum(Total_Professores,na.rm=T)) %>%
  select(-Media_Professores, -Total_Professores)

educ_RO_long_por_nivel %>%
  kable(caption="% de Professores em cada Nível de Ensinamento, por Município",
        col.names=c("Município", "Nível", "% de Professores"),
        digits=1, format.args=list(big.mark=".", decimal.mark=","))
Table 10: % de Professores em cada Nível de Ensinamento, por Município
Município Nível % de Professores
AMAJARI Creche 1,3
AMAJARI Fundamental 2,7
AMAJARI Médio 1,6
AMAJARI Pré-Escola 1,7
ALTO ALEGRE Creche 2,6
ALTO ALEGRE Fundamental 4,5
ALTO ALEGRE Médio 5,1
ALTO ALEGRE Pré-Escola 6,4
BOA VISTA Creche 45,0
BOA VISTA Fundamental 50,5
BOA VISTA Médio 61,0
BOA VISTA Pré-Escola 47,2
PACARAIMA Creche 4,6
PACARAIMA Fundamental 3,9
PACARAIMA Médio 3,1
PACARAIMA Pré-Escola 3,2
BONFIM Creche 0,0
BONFIM Fundamental 3,8
BONFIM Médio 1,9
BONFIM Pré-Escola 3,4
CANTA Creche 2,6
CANTA Fundamental 4,3
CANTA Médio 4,8
CANTA Pré-Escola 5,0
NORMANDIA Creche 5,3
NORMANDIA Fundamental 3,7
NORMANDIA Médio 2,2
NORMANDIA Pré-Escola 5,1
UIRAMUTA Creche 0,0
UIRAMUTA Fundamental 3,6
UIRAMUTA Médio 1,4
UIRAMUTA Pré-Escola 3,9
CARACARAI Creche 13,2
CARACARAI Fundamental 5,4
CARACARAI Médio 3,0
CARACARAI Pré-Escola 4,4
IRACEMA Creche 13,2
IRACEMA Fundamental 2,0
IRACEMA Médio 2,0
IRACEMA Pré-Escola 1,7
MUCAJAI Creche 6,6
MUCAJAI Fundamental 4,1
MUCAJAI Médio 4,0
MUCAJAI Pré-Escola 6,1
CAROEBE Creche 2,6
CAROEBE Fundamental 2,4
CAROEBE Médio 1,3
CAROEBE Pré-Escola 4,2
RORAINOPOLIS Creche 2,6
RORAINOPOLIS Fundamental 5,4
RORAINOPOLIS Médio 4,3
RORAINOPOLIS Pré-Escola 4,2
SAO JOAO DA BALIZA Creche 0,0
SAO JOAO DA BALIZA Fundamental 1,9
SAO JOAO DA BALIZA Médio 2,0
SAO JOAO DA BALIZA Pré-Escola 1,0
SAO LUIZ Creche 0,0
SAO LUIZ Fundamental 1,8
SAO LUIZ Médio 2,5
SAO LUIZ Pré-Escola 2,5 

educ_RO_long_por_nivel_maior_pct <- educ_RO_long_por_nivel %>%
  filter(Nível_Professor=="Fundamental") %>%
  ungroup() %>%
  top_n(1,Pct_Professores_por_Nivel) %>% 
  pull(MUNIC)

O município com o maior porcentagem de todos os Professores de Ensino Fundamental é `r educ_RO_long_por_nivel_maior_pct`.

O município com o maior porcentagem de todos os Professores de Ensino Fundamental é BOA VISTA.

  1. Voltando para o seu banco de dados ‘largo’, gere uma amostra aleatória de duas escolas estaduais em cada município. Mostre os resultados numa tabela.

educ_RO %>% filter(DEP=="Estadual") %>% 
  group_by(CODMUNIC) %>%
  sample_n(2) %>%
  ungroup() %>%
  select(CODIGO_ESCOLA, MUNIC, LAB_INFO, PROFESS, FUNCION) %>%
  kable(caption="Duas escolas estaduais aleatórios de cada Município de RO",
        col.names=c("Código de Escola", "Município","Lab de Info", "Professores", "Funcionários"),
        digits=1, format.args=list(big.mark=".", decimal.mark=","))
Table 11: Duas escolas estaduais aleatórios de cada Município de RO
Código de Escola Município Lab de Info Professores Funcionários
25.602.673 AMAJARI 0 3 3
25.602.596 AMAJARI 0 1 1
25.384.645 ALTO ALEGRE 0 1 1
25.384.660 ALTO ALEGRE 0 3 3
25.384.725 BOA VISTA 0 10 10
25.384.755 BOA VISTA 1 43 76
25.384.768 PACARAIMA 0 1 1
25.384.716 PACARAIMA 0 1 1
25.602.558 BONFIM 0 3 3
25.385.098 BONFIM 0 13 18
25.384.838 CANTA 0 12 15
25.602.457 CANTA 0 2 3
25.602.630 NORMANDIA 0 1 1
25.385.093 NORMANDIA 0 1 1
25.384.858 UIRAMUTA 0 5 6
25.384.790 UIRAMUTA 0 17 25
25.385.073 CARACARAI 0 1 1
25.602.647 CARACARAI 0 4 7
25.602.481 IRACEMA 0 1 1
25.602.586 IRACEMA 0 1 1
25.602.559 MUCAJAI 0 1 1
25.384.935 MUCAJAI 0 1 1
25.384.960 CAROEBE 0 14 20
25.385.089 CAROEBE 0 1 1
25.385.015 RORAINOPOLIS 0 10 16
25.385.038 RORAINOPOLIS 0 5 5
25.602.417 SAO JOAO DA BALIZA 0 1 1
25.384.972 SAO JOAO DA BALIZA 0 1 2
25.602.437 SAO LUIZ 0 19 38
25.385.006 SAO LUIZ 0 1 1
  1. Agora, queremos gerar uma tabela com nomes dos municípios nas linhas e rede (Estadual, Municipal, Federal, Particular; variável DEP) nas colunas. Nas células, colocamos o número de escolas de cada rede em cada município. Há vários jeitos de realizar isso, mas vamos seguir os passos abaixo:
    1. Calcule o número de escolas por município e rede. Todas as redes existem em todos os município?
    2. Transforme as variáveis do município e rede em fatores.
    3. Use complete (de Tutorial 3) para criar uma tabela ‘completa’ com todas as combinações de município e rede possível, mesmo que não existe uma rede específica num município específico. Preenche os valores NA com ‘0’, porque já sabemos que não temos escolas nestes casos.
    4. Use uma função de pivot para virar o tibble e gerar o tamanho de tabela desejada (municípios nas linhas, redes nas colunas).

educ_RO %>% group_by(MUNIC, DEP) %>% tally() %>% 
  ungroup() %>% 
  mutate(MUNIC=factor(MUNIC),
         DEP=factor(DEP)) %>%
  complete(MUNIC, DEP, fill=list(n=0)) %>%
  pivot_wider(names_from=DEP, values_from=n) %>%
  kable(caption="Número de Escolas por Município e Rede")
Table 12: Número de Escolas por Município e Rede
MUNIC Estadual Federal Municipal Particular
ALTO ALEGRE 46 0 9 0
AMAJARI 33 0 9 0
BOA VISTA 101 2 27 19
BONFIM 22 0 14 0
CANTA 35 0 15 0
CARACARAI 42 0 17 0
CAROEBE 17 0 27 0
IRACEMA 43 0 2 0
MUCAJAI 38 0 13 0
NORMANDIA 59 0 2 0
PACARAIMA 39 0 4 0
RORAINOPOLIS 45 0 17 0
SAO JOAO DA BALIZA 10 0 7 0
SAO LUIZ 9 0 11 0
UIRAMUTA 49 0 6 0
  1. Para as tabelas que você produziu acima, volte para gerar tabelas estáticos bem formatados com kable(). Verifique que todas as tabelas têm um título, as colunas apropriadas, formatação de números, etc.