Ir para o conteúdo

Como cruzar tabelas no datalake

Organizamos os dados de forma que o cruzamento de tabelas de diferentes intituições e temas seja tão simples quanto qualquer outra consulta. Para isso, definimos uma metodologia padrão para tratamento dos dados, nomeação de colunas, tabelas e conjuntos.

Como funciona a metolodiga BD?

Alguma frase sobre .... Para saber mais, leia a documentação sobre tratamento e arquitetura de dados.

Informações de diferentes tabelas podem ser agregadas por meiode chaves identificadora. Uma chave identificadora é uma coluna cujo nome é único em todas as tabelas do data lake e é utilizada para identificar uma entidade.

Exemplo de chave identificadora

A coluna ano tem esse mesmo nome em todas as tabelas do data lake - ela sempre se refere a variável que tem como valor quaisquer anos do nosso calendário.

Quando vamos trabalhar com dados de população do IBGE, a coluna ano, junto com a coluna municipio, identificam unicamente cada linha da tabela:

  • Não existe mais de uma linha com o mesmo ano e município;

  • Não existe linha com valor nulo de ano ou municipio na tabela;

Teste você mesmo(a): as queries abaixo devem retornar vazio!

library("basedosdados")

# Busca alguma linha que possui ano e município repetido
query <- "SELECT ano, municipio, count(*) as total
FROM `basedosdados.br_ibge_populacao.municipios`
GROUP BY ano, municipio
WHERE total > 1"
read_sql(query=query)

# Busca linhas com ano ou municipio nulos
query <- "SELECT * FROM
`basedosdados.br_ibge_populacao.municipios`
WHERE ano IS NULL OR municipio IS NULL"
read_sql(query=query)

import basedadosdados as bd

# Busca alguma linha que possui ano e município repetido
query = """SELECT ano, municipio, count(*) as total
FROM `basedosdados.br_ibge_populacao.municipios`
GROUP BY ano, municipio
WHERE total > 1"""
bd.read_sql(query=query)

# Busca linhas com ano ou municipio nulos
query = """SELECT * FROM
`basedosdados.br_ibge_populacao.municipios`
WHERE ano IS NULL OR municipio IS NULL"""
bd.read_sql(query=query)

...

Cruzando tabelas com chaves identificadoras

A indicação de um conjunto de colunas como chave identificadora é feita direto nos metadados da tabela. Assim, você pode saber quais tabelas podem ser cruzadas comparando o conjunto de chaves identificadoras de cada uma.

Abaixo vamos fazer um exemplo de como cruzar as tabelas de população e PIB do IBGE para obter o PIB per capita de todos os municípios brasileiros.

Nas tabelas de população e PIB, a coluna ano e municipio são chaves identificadoras. Logo usaremos essas colunas na nossa função JOIN para determinar como cruzar as tabelas.

library("basedosdados")

set_billing_id("<YOUR_PROJECT_ID>")

query <- "SELECT
    pib.id_municipio,
    pop.ano,
    pib.PIB / pop.populacao as pib_per_capita
    FROM `basedosdados.br_ibge_pib.municipio` as pib
        JOIN `basedosdados.br_ibge_populacao.municipio` as pop
        ON pib.id_municipio = pop.id_municipio AND pib.ano = pop.ano"

# Você pode fazer o download no seu computador
dir <- tempdir()
data <- download(query, file.path(dir, "pib_per_capita.csv"))

# Ou carregar o resultado da query no seu ambiente de análise
data <- read_sql(query)

import basedosdados as bd

pib_per_capita = """SELECT
    pib.id_municipio ,
    pop.ano,
    pib.PIB / pop.populacao as pib_per_capita
FROM `basedosdados.br_ibge_pib.municipio` as pib
    INNER JOIN `basedosdados.br_ibge_populacao.municipio` as pop
    ON pib.id_municipio = pop.id_municipio AND pib.ano = pop.ano
"""

# Você pode fazer o download no seu computador
bd.download(query=pib_per_capita,
            savepath="where/to/save/file",
            billing_project_id=<YOUR_PROJECT_ID>)

# Ou carregar o resultado da query no pandas
df = bd.read_sql(pib_per_capita, billing_project_id=<YOUR_PROJECT_ID>)

Lista de chaves identificadoras

Chaves geográficas

  • Setor censitário: id_setor_censitario

  • Município: id_municipio (padrão), id_municipio_6, id_municipio_tse, id_municipio_rf, id_municipio_bcb

  • Área Mínima Comparável: id_AMC

  • Região imediata: id_regiao_imediata

  • Região intermediária: id_regiao_intermediaria

  • Microrregião: id_microrregiao

  • Mesorregião: id_mesorregiao

  • Unidade da federação (UF): sigla_uf (padrão), id_uf, uf

  • Região: regiao

Chaves temporais

  • ano, semestre, mes, semana, dia, hora

Chaves de pessoas físicas

  • cpf, pis, nis

Chaves de pessoas jurídicas

  • Empresa: cnpj

  • Escola: id_escola

Chaves em política

  • Candidato(a): id_candidato_bd

  • Partido: sigla_partido, partido