5  Importação e exportação de dados

Pré-requisitos: Capítulo 3 · Pacotes: readr, readxl, janitor, here; microdatasus e healthbR para obter dados do DATASUS

Objetivos de aprendizagem

Ao final deste capítulo, espera-se que o estudante seja capaz de reconhecer os formatos de arquivo mais comuns em dados de saúde; importar arquivos de texto e planilhas, controlando separador de colunas, separador decimal, codificação de caracteres, tipos de colunas e valores ausentes; padronizar os nomes das colunas; conferir se a importação deu certo; exportar dados e resultados; e obter microdados dos sistemas de informação do SUS diretamente no R, consultando os dicionários de dados.

Toda análise começa com a leitura dos dados. Parece a etapa mais simples, e muitas vezes é, mas é também onde surgem alguns dos problemas mais traiçoeiros: números que viram texto, acentos que se transformam em símbolos estranhos, códigos de município que perdem o zero à esquerda. Este capítulo mostra como importar dados com cuidado e como verificar se tudo chegou como deveria. Usaremos arquivos reais, preparados para o livro a partir dos microdados do SINASC de Rondônia de 2019 e das estimativas populacionais do Ministério da Saúde.

library(tidyverse)
library(here)

5.1 Dados em saúde e seus formatos

Antes de abrir um arquivo, vale saber que tipo de dado ele contém. Os sistemas de informação do SUS oferecem dois tipos principais. Os microdados têm um registro por evento: cada linha do SINASC é um nascimento, cada linha do SIM é um óbito, cada linha do SINAN é uma notificação. Os dados tabulados já vêm agregados, como uma tabela com o número de nascimentos por município e ano, do jeito que o TabNet produz. Microdados permitem qualquer cruzamento, mas são maiores e exigem mais preparo; dados tabulados são práticos, mas limitados às combinações que foram escolhidas na tabulação.

Quanto ao formato, os arquivos mais comuns são os de texto delimitado (CSV), as planilhas do Excel, os arquivos compactados do DATASUS (com extensão .dbc), os arquivos de outros programas estatísticos, como Stata e SPSS, e o formato próprio do R, o RDS.

Seja qual for o formato, há um documento que sempre deve acompanhar os dados: o dicionário de dados. Ele informa o significado de cada variável, os códigos de cada categoria e a forma de registrar a ausência de informação. Os dicionários do SINASC, do SIM e do SINAN estão disponíveis no sítio do DATASUS e são citados no Apêndice B.

5.2 Arquivos de texto delimitado com readr

Um arquivo de texto delimitado guarda uma tabela em texto simples, com uma linha por registro e um caractere separando as colunas. No padrão internacional, o separador é a vírgula e o decimal é o ponto. No Brasil, como a vírgula é o separador decimal, os arquivos costumam usar ponto e vírgula entre as colunas. Ambos recebem a extensão .csv.

O pacote readr, parte do tidyverse, tem uma função para cada caso. A função read_csv() lê o padrão internacional, e a função read_csv2() lê o padrão com ponto e vírgula e vírgula decimal. Para qualquer outro separador, existe read_delim(), em que o separador é informado no argumento delim.

Antes de importar, é útil espiar as primeiras linhas do arquivo, sem interpretá-las. A função read_lines() faz isso.

read_lines(here("dados", "sinasc_ro_2019.csv"), n_max = 3)
#> [1] "\"CODMUNRES\";\"MUNRESNOME\";\"DTNASC\";\"SEXO\";\"PESO\";\"IDADEMAE\";\"ESCMAE\";\"ESTCIVMAE\";\"RACACOR\";\"GESTACAO\";\"SEMAGESTAC\";\"GRAVIDEZ\";\"PARTO\";\"CONSULTAS\";\"APGAR1\";\"APGAR5\";\"QTDFILVIVO\";\"LOCNASC\""
#> [2] "110001;\"Alta Floresta D'Oeste\";\"19022019\";\"Masculino\";3685;19;\"8 a 11 anos\";5;\"Branca\";\"37 a 41 semanas\";39;\"\xdanica\";\"Ces\xe1reo\";4;9;10;0;1"                                                               
#> [3] "110001;\"Alta Floresta D'Oeste\";\"21022019\";\"Feminino\";3055;29;\"8 a 11 anos\";2;\"Branca\";\"37 a 41 semanas\";38;\"\xdanica\";\"Ces\xe1reo\";4;8;9;1;1"

Repare em duas coisas. As colunas estão separadas por ponto e vírgula, então a função certa é read_csv2(). E há um caractere estranho onde deveria haver um acento, em “Única”. Isso indica que o arquivo não está na codificação UTF-8, que o R usa por padrão, e sim em latin1 (ISO-8859-1), muito comum em arquivos gerados por sistemas brasileiros mais antigos. A codificação é informada pela função locale().

sinasc <- read_csv2(
  here("dados", "sinasc_ro_2019.csv"),
  locale = locale(encoding = "latin1")
)

Ao terminar a leitura, o readr informa quantas linhas e colunas foram lidas e qual tipo foi atribuído a cada coluna. Essa mensagem merece atenção. O readr adivinha o tipo de cada coluna olhando os primeiros valores, e a adivinhação nem sempre é a que queremos. Duas colunas preocupam aqui. A coluna CODMUNRES, com o código do município de residência, foi lida como número; isso funciona em Rondônia, mas em estados cujo código começa com zero, ou quando o código é comparado a um texto, causa problemas. A coluna DTNASC, com a data de nascimento no formato ddmmaaaa, também foi lida como número, e com isso as datas de dias 1 a 9 perdem o zero inicial (01022019 vira 1022019).

A solução é dizer ao readr o tipo de cada coluna problemática, com o argumento col_types. Códigos de identificação, mesmo que sejam formados só por algarismos, devem ser lidos como texto.

sinasc <- read_csv2(
  here("dados", "sinasc_ro_2019.csv"),
  locale = locale(encoding = "latin1"),
  col_types = cols(
    CODMUNRES = col_character(),
    DTNASC = col_character()
  )
)
sinasc
#> # A tibble: 27,028 × 18
#>    CODMUNRES MUNRESNOME     DTNASC SEXO   PESO IDADEMAE ESCMAE ESTCIVMAE RACACOR
#>    <chr>     <chr>          <chr>  <chr> <dbl>    <dbl> <chr>      <dbl> <chr>  
#>  1 110001    Alta Floresta… 19022… Masc…  3685       19 8 a 1…         5 Branca 
#>  2 110001    Alta Floresta… 21022… Femi…  3055       29 8 a 1…         2 Branca 
#>  3 110001    Alta Floresta… 25022… Femi…  3460       37 8 a 1…         9 Branca 
#>  4 110037    Alto Alegre d… 20032… Femi…  2982       30 12 an…         5 Parda  
#>  5 110001    Alta Floresta… 23032… Femi…  3310       30 8 a 1…         2 Parda  
#>  6 110001    Alta Floresta… 27032… Masc…  2740       33 1 a 3…         5 Branca 
#>  7 110050    Novo Horizont… 01042… Femi…  3158       37 8 a 1…         1 Branca 
#>  8 110001    Alta Floresta… 01042… Femi…  3192       27 12 an…         2 Parda  
#>  9 110001    Alta Floresta… 28022… Masc…  3570       20 8 a 1…         5 <NA>   
#> 10 110001    Alta Floresta… 11032… Femi…  3900       30 1 a 3…         2 Preta  
#> # ℹ 27,018 more rows
#> # ℹ 9 more variables: GESTACAO <chr>, SEMAGESTAC <dbl>, GRAVIDEZ <chr>,
#> #   PARTO <chr>, CONSULTAS <dbl>, APGAR1 <dbl>, APGAR5 <dbl>, QTDFILVIVO <dbl>,
#> #   LOCNASC <dbl>

Agora as duas colunas aparecem como <chr> e preservam seus zeros. A data ainda está como texto; sua conversão para o tipo data será feita no Capítulo 9.

Outros argumentos úteis de read_csv() e read_csv2() são na, que informa quais valores devem ser tratados como ausentes (por padrão, células vazias e o texto "NA"), skip, que pula linhas no início do arquivo, e n_max, que limita o número de linhas lidas. Veremos esses dois últimos em ação logo adiante.

Não confie cegamente na adivinhação de tipos

Depois de importar um arquivo, olhe sempre os tipos das colunas. Uma coluna numérica que aparece como texto (<chr>) costuma indicar vírgula decimal, um valor como “ignorado” no meio dos números ou um símbolo de milhar. Um código que aparece como número (<dbl>) pode ter perdido zeros à esquerda. A função problems(), aplicada ao objeto importado, lista as linhas que o readr não conseguiu interpretar.

5.3 Primeira inspeção dos dados

Com os dados importados, o primeiro passo é conferir se o que chegou corresponde ao esperado. Uma rotina mínima tem três perguntas. Quantos registros e quantas variáveis há? Os tipos das colunas fazem sentido? Os valores parecem plausíveis?

dim(sinasc)
#> [1] 27028    18
glimpse(sinasc)
#> Rows: 27,028
#> Columns: 18
#> $ CODMUNRES  <chr> "110001", "110001", "110001", "110037", "110001", "110001",…
#> $ MUNRESNOME <chr> "Alta Floresta D'Oeste", "Alta Floresta D'Oeste", "Alta Flo…
#> $ DTNASC     <chr> "19022019", "21022019", "25022019", "20032019", "23032019",…
#> $ SEXO       <chr> "Masculino", "Feminino", "Feminino", "Feminino", "Feminino"…
#> $ PESO       <dbl> 3685, 3055, 3460, 2982, 3310, 2740, 3158, 3192, 3570, 3900,…
#> $ IDADEMAE   <dbl> 19, 29, 37, 30, 30, 33, 37, 27, 20, 30, 31, 21, 21, 18, 31,…
#> $ ESCMAE     <chr> "8 a 11 anos", "8 a 11 anos", "8 a 11 anos", "12 anos ou ma…
#> $ ESTCIVMAE  <dbl> 5, 2, 9, 5, 2, 5, 1, 2, 5, 2, 5, 5, 5, 5, 1, 5, 2, 5, 5, 2,…
#> $ RACACOR    <chr> "Branca", "Branca", "Branca", "Parda", "Parda", "Branca", "…
#> $ GESTACAO   <chr> "37 a 41 semanas", "37 a 41 semanas", "37 a 41 semanas", "3…
#> $ SEMAGESTAC <dbl> 39, 38, 40, 38, 38, 38, 38, 39, 39, 39, 40, 38, 41, 39, 38,…
#> $ GRAVIDEZ   <chr> "Única", "Única", "Única", "Única", "Única", "Única", "Únic…
#> $ PARTO      <chr> "Cesáreo", "Cesáreo", "Cesáreo", "Cesáreo", "Cesáreo", "Ces…
#> $ CONSULTAS  <dbl> 4, 4, 4, 3, 4, 4, 4, 4, 3, 4, 4, 3, 4, 3, 4, 3, 4, 3, 4, 4,…
#> $ APGAR1     <dbl> 9, 8, 8, 9, 8, 9, 9, 9, 8, 9, 8, 9, 8, 8, 5, 9, 9, 9, 9, 9,…
#> $ APGAR5     <dbl> 10, 9, 10, 10, 10, 10, 10, 10, 9, 10, 9, 10, 9, 9, 7, 10, 1…
#> $ QTDFILVIVO <dbl> 0, 1, 2, 0, 1, 2, 1, 0, 0, 1, 1, 1, 0, 0, 1, 0, 2, 2, 2, 1,…
#> $ LOCNASC    <dbl> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,…

Foram lidos 27.028 registros de nascimentos e 18 variáveis. Os nomes das colunas seguem o padrão do DATASUS, em letras maiúsculas. Para facilitar a digitação, é comum padronizá-los em letras minúsculas com a função clean_names() do pacote janitor, que também remove acentos, espaços e símbolos dos nomes.

sinasc <- janitor::clean_names(sinasc)
names(sinasc)
#>  [1] "codmunres"  "munresnome" "dtnasc"     "sexo"       "peso"      
#>  [6] "idademae"   "escmae"     "estcivmae"  "racacor"    "gestacao"  
#> [11] "semagestac" "gravidez"   "parto"      "consultas"  "apgar1"    
#> [16] "apgar5"     "qtdfilvivo" "locnasc"

Por fim, um olhar sobre algumas variáveis ajuda a encontrar problemas logo no início.

summary(sinasc$peso)
#>    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
#>     258    2965    3270    3243    3575    5985
count(sinasc, parto)
#> # A tibble: 3 × 2
#>   parto       n
#>   <chr>   <int>
#> 1 Cesáreo 18036
#> 2 Vaginal  8943
#> 3 <NA>       49

O peso varia de valores muito baixos, compatíveis com recém-nascidos extremamente prematuros, até quase 6 kg, valor raro, mas possível. O tipo de parto tem três situações: cesáreo, vaginal e ausente (NA). Essas verificações serão sistematizadas no protocolo de exploração do Capítulo 12.

Saúde Pública em foco

Em Rondônia, em 2019, cerca de dois terços dos nascimentos ocorreram por cesariana. A Organização Mundial da Saúde observa que, no nível populacional, taxas de cesariana acima de 10% não se associam a reduções da mortalidade materna e neonatal (WORLD HEALTH ORGANIZATION, 2015). Esse é o tipo de achado que a simples contagem de uma variável já revela e que será aprofundado nos capítulos de descrição e de análise.

5.4 Planilhas eletrônicas com readxl

Muitos dados de saúde circulam em planilhas do Excel. O pacote readxl, instalado com o tidyverse mas não carregado automaticamente, lê arquivos .xls e .xlsx sem precisar do Excel instalado. A função excel_sheets() lista as abas de uma planilha, e read_excel() importa uma delas.

library(readxl)
excel_sheets(here("dados", "populacao_ro_2015_2024.xlsx"))
#> [1] "populacao"

populacao_anos <- read_excel(here("dados", "populacao_ro_2015_2024.xlsx"),
                             sheet = "populacao")
populacao_anos
#> # A tibble: 52 × 12
#>    cod_municipio municipio      `2015` `2016` `2017` `2018` `2019` `2020` `2021`
#>    <chr>         <chr>           <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>
#>  1 1100015       Alta Floresta…  24540  24396  24238  24068  23910  23752  23546
#>  2 1100379       Alto Alegre d…  12983  12927  12864  12790  12723  12658  12569
#>  3 1100403       Alto Paraíso    17696  17712  17718  17704  17697  17680  17640
#>  4 1100346       Alvorada D'Oe…  16223  15964  15699  15436  15187  14938  14657
#>  5 1100023       Ariquemes       98956 100316 101559 102718 103895 105044 105986
#>  6 1100452       Buritis         32969  32810  32606  32368  32152  31915  31633
#>  7 1100031       Cabixi           6293   6235   6186   6117   6059   5995   5922
#>  8 1100601       Cacaulândia      5347   5218   5090   4967   4854   4745   4620
#>  9 1100049       Cacoal          86910  88323  89662  90912  92203  93443  94502
#> 10 1100700       Campo Novo de…  11709  11412  11110  10805  10514  10241   9952
#> # ℹ 42 more rows
#> # ℹ 3 more variables: `2022` <dbl>, `2023` <dbl>, `2024` <dbl>

A planilha traz a população dos 52 municípios de Rondônia de 2015 a 2024, com um ano em cada coluna. Esse formato, com anos nas colunas, é muito comum em planilhas, mas não é o mais adequado para análise no R. A forma de reorganizá-lo é o assunto do Capítulo 8.

Os argumentos sheet, range e skip permitem escolher a aba, um intervalo de células (como "A1:D20") e o número de linhas a pular no início. Eles são especialmente úteis em planilhas preparadas para leitura humana, que costumam ter títulos, células mescladas, linhas de total e notas de rodapé. Quando possível, a melhor estratégia é pedir os dados em um formato mais simples. Quando não é, esses argumentos ajudam a isolar a parte da planilha que contém a tabela.

5.5 Tabelas exportadas pelo TabNet

O TabNet é a ferramenta do DATASUS para tabular dados dos sistemas de informação diretamente no navegador. As tabelas podem ser exportadas em CSV, mas o arquivo vem com linhas de título no começo e notas no final. Vamos espiar um arquivo nesse formato, com a população de Rondônia por município e sexo.

read_lines(here("dados", "tabnet_populacao_ro_2019.csv"),
           locale = locale(encoding = "latin1"))[1:7]
#> [1] "Estimativas populacionais por município, sexo e faixa etária"
#> [2] "População residente por Município e Sexo"                    
#> [3] "Unidade da Federação: Rondônia"                              
#> [4] "Período: 2019"                                               
#> [5] "\"Município\";\"Masculino\";\"Feminino\";\"Total\""          
#> [6] "\"110001 Alta Floresta D'Oeste\";12239;11671;23910"          
#> [7] "\"110002 Ariquemes\";52140;51755;103895"

A tabela propriamente dita começa na quinta linha, com os nomes das colunas. Antes disso há quatro linhas de título. No final do arquivo há uma linha de total e algumas notas. Com skip = 4, pulamos o título, e com n_max = 52, lemos apenas as 52 linhas dos municípios, deixando de fora a linha de total e as notas.

populacao_sexo <- read_csv2(
  here("dados", "tabnet_populacao_ro_2019.csv"),
  locale = locale(encoding = "latin1"),
  skip = 4,
  n_max = 52
)
populacao_sexo
#> # A tibble: 52 × 4
#>    Município                    Masculino Feminino  Total
#>    <chr>                            <dbl>    <dbl>  <dbl>
#>  1 110001 Alta Floresta D'Oeste     12239    11671  23910
#>  2 110002 Ariquemes                 52140    51755 103895
#>  3 110003 Cabixi                     3091     2968   6059
#>  4 110004 Cacoal                    45744    46459  92203
#>  5 110005 Cerejeiras                 8662     8622  17284
#>  6 110006 Colorado do Oeste          8881     8821  17702
#>  7 110007 Corumbiara                 4436     3976   8412
#>  8 110008 Costa Marques              7335     6646  13981
#>  9 110009 Espigão D'Oeste           16246    15764  32010
#> 10 110010 Guajará-Mirim             22176    21665  43841
#> # ℹ 42 more rows

A primeira coluna junta o código e o nome do município, um padrão típico do TabNet. Separá-la em duas colunas é um dos exercícios do Capítulo 8.

5.6 Outros formatos

Bases produzidas em outros programas estatísticos podem ser lidas com o pacote haven. A função read_dta() lê arquivos do Stata, e read_sav() lê arquivos do SPSS. Esses arquivos costumam ter variáveis com rótulos, e a função as_factor() converte essas variáveis em fatores do R, usando os rótulos como categorias.

O R também tem um formato próprio, o RDS. Um arquivo RDS guarda um único objeto exatamente como ele está na memória, com tipos, fatores e datas preservados. É o formato ideal para guardar dados já preparados, que serão usados em outros scripts. As funções write_rds() e read_rds(), do readr, gravam e leem esses arquivos.

write_rds(sinasc, here("dados", "processados", "sinasc_ro_2019.rds"))
sinasc <- read_rds(here("dados", "processados", "sinasc_ro_2019.rds"))

Por fim, os microdados do DATASUS são distribuídos em arquivos compactados com extensão .dbc, um formato próprio do sistema. Esses arquivos podem ser lidos com os pacotes apresentados na próxima seção, sem necessidade de conversão manual.

5.7 Obtendo dados dos sistemas de informação em saúde

Há três caminhos principais para obter dados do SUS. O primeiro é o TabNet, já comentado, adequado para tabelas agregadas. O segundo é o portal OpenDataSUS, que disponibiliza diversos conjuntos em CSV. O terceiro, e o mais flexível, é baixar os microdados diretamente no R, com pacotes desenvolvidos para isso. Dois deles são apresentados aqui.

O pacote microdatasus (SALDANHA; BASTOS; BARCELLOS, 2019) baixa os arquivos do servidor do DATASUS com a função fetch_datasus() e oferece funções de pré-processamento, como process_sinasc() e process_sim(), que convertem os códigos em categorias com rótulos, ajustam os tipos das variáveis e acrescentam informações sobre os municípios. O código abaixo baixa os nascimentos de mães residentes em Rondônia em 2019 e os processa. Foi assim que a base usada neste livro foi obtida.

# install.packages("microdatasus")
library(microdatasus)

sinasc_bruto <- fetch_datasus(
  year_start = 2019,
  year_end = 2019,
  uf = "RO",
  information_system = "SINASC"
)
sinasc_processado <- process_sinasc(sinasc_bruto)

O pacote healthbR é uma alternativa mais recente, que reúne em um só lugar o acesso ao SINASC, ao SIM, ao SINAN, ao SIH, ao Programa Nacional de Imunizações, a pesquisas como a PNS e a dados do IBGE. Cada sistema tem uma função própria, como sinasc_data(), sim_data() e sinan_data(), e as funções *_dictionary() mostram o dicionário de cada sistema no próprio R.

# install.packages("healthbR")
library(healthbR)

sinasc_ro <- sinasc_data(year = 2019, uf = "RO")
sinasc_dictionary()

O download depende da disponibilidade dos servidores do DATASUS, que às vezes ficam lentos ou fora do ar. Por isso, é boa prática baixar os dados uma vez, guardá-los na pasta dados/brutos/ do projeto e trabalhar a partir dessa cópia local. Os arquivos usados neste livro estão na pasta dados/ do projeto, e o Apêndice C descreve sua origem e seu conteúdo.

Uso responsável de microdados

Os microdados dos sistemas de informação do SUS são públicos e não contêm nome, endereço ou documentos das pessoas. Mesmo assim, combinações de variáveis podem, em municípios pequenos, permitir a identificação de alguém. O uso desses dados deve se limitar a análises agregadas, e qualquer tentativa de identificar indivíduos é eticamente inaceitável e contraria a Lei Geral de Proteção de Dados (Lei nº 13.709/2018).

5.8 Exportando dados e resultados

Exportar é o caminho inverso. As funções write_csv() e write_csv2() gravam um data frame em arquivo de texto. A primeira usa vírgula como separador; a segunda usa ponto e vírgula e vírgula decimal, o padrão que o Excel espera quando está configurado para o português.

partos <- count(sinasc, parto)
write_csv2(partos, here("resultados", "tabelas", "partos_ro_2019.csv"))

Uma regra de ouro merece ser repetida: os arquivos da pasta dados/brutos/ nunca são alterados. Toda transformação é feita por scripts, e os resultados são gravados em outras pastas. Assim, sempre é possível refazer o caminho dos dados originais até o resultado final.

5.9 Estudo de caso: importando e verificando o extrato do SINASC

Vamos reunir os passos deste capítulo em um script de importação, como o que faria parte do projeto organizado no Capítulo 1. O objetivo é ler o arquivo, padronizar os nomes, verificar se os dados estão completos e guardar uma cópia pronta para os próximos passos.

sinasc <- read_csv2(
  here("dados", "sinasc_ro_2019.csv"),
  locale = locale(encoding = "latin1"),
  col_types = cols(CODMUNRES = col_character(), DTNASC = col_character())
) |>
  janitor::clean_names()

O símbolo |>, que aparece no fim da leitura, é o operador pipe. Ele passa o resultado da função anterior para a seguinte, e será explicado em detalhe no próximo capítulo. Por enquanto, basta ler a expressão como “leia o arquivo e, em seguida, padronize os nomes”.

Agora, as verificações. Começamos pelo número de municípios de residência. Rondônia tem 52 municípios.

n_distinct(sinasc$codmunres)
#> [1] 53

Apareceram 53 códigos diferentes. Para descobrir qual é o código a mais, contamos os registros por código e nome e olhamos o menos frequente.

count(sinasc, codmunres, munresnome) |>
  arrange(n) |>
  head(3)
#> # A tibble: 3 × 3
#>   codmunres munresnome                  n
#>   <chr>     <chr>                   <int>
#> 1 110000    Município ignorado - RO     1
#> 2 110090    Castanheiras               32
#> 3 110146    Pimenteiras do Oeste       40

O código 110000 corresponde a “Município ignorado - RO”, usado quando se sabe que a mãe reside no estado, mas não em qual município. É um exemplo típico de categoria que precisa ser levada em conta em análises por município.

Em seguida, contamos os valores ausentes em cada variável. A função colSums() soma as colunas de uma tabela de TRUE e FALSE, o que resulta no número de ausentes por variável.

colSums(is.na(sinasc))
#>  codmunres munresnome     dtnasc       sexo       peso   idademae     escmae 
#>          0          0          0          4          0          0        312 
#>  estcivmae    racacor   gestacao semagestac   gravidez      parto  consultas 
#>        317        647       1232       1238         79         49          0 
#>     apgar1     apgar5 qtdfilvivo    locnasc 
#>         96        103       1573          0

A maioria das variáveis está bem preenchida. A idade gestacional em semanas (semagestac) tem cerca de 1.200 registros sem informação, o que deve ser levado em conta quando essa variável for analisada. A variável consultas, embora não tenha ausentes, usa o código 9 para “ignorado”, e esse código ainda precisará ser tratado.

Por fim, uma checagem simples de plausibilidade. A idade da mãe deve estar entre, aproximadamente, 10 e 55 anos.

range(sinasc$idademae, na.rm = TRUE)
#> [1] 11 53

Os valores estão dentro do esperado. Com a base verificada, o último passo seria gravá-la em formato RDS na pasta dados/processados/, com write_rds(), para ser usada nos próximos scripts.

5.10 Exercícios

Fixação

  1. Importe o arquivo sinasc_ro_2019.csv sem informar a codificação. Observe como aparecem as categorias com acento da variável GRAVIDEZ e explique o que aconteceu.

  2. Importe o mesmo arquivo com read_csv(), em vez de read_csv2(). Quantas colunas o R encontrou? Por quê?

  3. Leia a aba populacao da planilha populacao_ro_2015_2024.xlsx e responda: qual era a população de Porto Velho em 2024?

Aplicação

  1. Importe o arquivo tabnet_populacao_ro_2019.csv sem os argumentos skip e n_max e descreva o resultado. Em seguida, importe-o corretamente e verifique se a soma da coluna Total coincide com o valor informado na linha de total do arquivo original.

  2. Importe o arquivo populacao_ro_2019.csv, com a população por município, sexo e faixa etária. Verifique os tipos das colunas, confira se há 52 municípios e calcule a população total do estado.

Desafio

  1. Em seu computador, use o pacote microdatasus ou o healthbR para baixar os nascimentos de mães residentes em outro estado em 2019. Compare o número de registros e a proporção de partos cesáreos com os de Rondônia. Registre, em comentários no script, as dificuldades encontradas no download.

  2. Crie um arquivo CSV no padrão brasileiro com write_csv2() e abra-o no Excel ou em outro programa de planilhas. Depois, faça o mesmo com write_csv(). Explique as diferenças que aparecem na abertura e relacione-as à configuração regional do computador.

5.11 Síntese

Importar dados exige atenção a quatro detalhes: o separador de colunas, o separador decimal, a codificação de caracteres e o tipo de cada coluna. Arquivos brasileiros costumam usar ponto e vírgula, vírgula decimal e, muitas vezes, a codificação latin1, o que pede read_csv2() com locale(encoding = "latin1"). Códigos de identificação devem ser lidos como texto, por meio de col_types. Planilhas são lidas com readxl, e tabelas do TabNet exigem skip e n_max para descartar títulos e notas. Depois da importação, uma verificação rápida de dimensões, tipos, valores ausentes e plausibilidade evita surpresas mais adiante. Os pacotes microdatasus e healthbR permitem obter os microdados do DATASUS diretamente no R, e a regra de nunca alterar os dados brutos garante que toda a análise possa ser refeita.

Tabela 5.1: Funções apresentadas no capítulo.
Função Pacote Finalidade
read_lines() readr Espiar as primeiras linhas de um arquivo
read_csv(), read_csv2(), read_delim() readr Importar arquivos de texto delimitado
locale(), cols(), col_character() readr Codificação, separador decimal e tipos de colunas
problems() readr Listar problemas de leitura
excel_sheets(), read_excel() readxl Importar planilhas
read_dta(), read_sav(), as_factor() haven Arquivos do Stata e do SPSS
read_rds(), write_rds() readr Ler e gravar objetos do R
write_csv(), write_csv2() readr Exportar arquivos de texto delimitado
clean_names() janitor Padronizar nomes de colunas
here() here Caminhos a partir da raiz do projeto
fetch_datasus(), process_sinasc() microdatasus Baixar e pré-processar microdados do DATASUS
sinasc_data(), sim_data(), sinan_data() healthbR Baixar dados dos sistemas de informação
colSums(), n_distinct() base, dplyr Verificações rápidas

5.12 Para saber mais

O capítulo 7 do R para Ciência de Dados (WICKHAM; ÇETINKAYA-RUNDEL; GROLEMUND, 2023) trata da importação com readr, inclusive da leitura de vários arquivos de uma vez, e o capítulo 20 trata das planilhas. O capítulo 7 do Manual de R para Epidemiologistas (BATRA et al., 2021) apresenta a importação com o pacote rio, uma alternativa que usa uma única função para muitos formatos, e o capítulo 4 de Faria (FARIA, 2024) discute em detalhe a codificação de caracteres, tema que costuma confundir usuários brasileiros. O artigo de apresentação do microdatasus (SALDANHA; BASTOS; BARCELLOS, 2019) explica como os arquivos do DATASUS são organizados.

Obra Capítulo Seções de interesse
R para Ciência de Dados (WICKHAM; ÇETINKAYA-RUNDEL; GROLEMUND, 2023) 7. Importação de dados; 20. Planilhas Lendo dados de um arquivo; Controlando tipos de colunas; Exportando para um arquivo; Excel
Manual de R para Epidemiologistas (BATRA et al., 2021) 7. Importar e exportar O pacote here; Importar dados; Múltiplos arquivos; Exportar; Arquivos RDS
Introdução à Linguagem R (FARIA, 2024) 4. Importando e exportando dados com readr, readxl e haven Importando arquivos de texto com readr; Importando planilhas do Excel com readxl; Encoding de caracteres
Practical Statistics in Medicine with R (BOUGIOUKAS, 2025) 10. Data import, pre-processing, and transformation —