Elias, bom dia!

Fiz mais um exercício pra tentar medir o impacto da "simplificação" dos ceps...

O primeiro fato que percebo é que a consulta por cep, mesmo completo, é pouco precisa/acurada. A busca por logradouro é possível, mas talvez complicada pra implementar nessas bases...

Se você tiver paciência de seguir o código abaixo, o que eu queria mostrar é que quando você trunca o cep, zerando o último dígito, 99% dos valores retornados vão diferir até 2 km da consulta original, mas economizam 22% de consultas ao geocode().

Zerando os dois últimos dígitos, 97% dos dados variam até 2 km, mas economiza 90% das consultas.

E essa variação não é necessariamente erro, porque não temos as coordenadas "reais" pra avaliar...

No código eu não reconsultei os valores, mas tentei aproveitar sua base. Daí a presença dos NA's...

### <code r>

url0 <- "http://leg.ufpr.br/~elias/tmp/cep_curitiba_cwb_georef_longlat.txt"

df0  <- read.table(url0, head=T)

head(df0)

length(unique(df0$cep)) # 9183 ceps

length(unique(paste(df0$long, df0$lat))) # 6414 pares de coordenadas distintas

### Truncando "xxxxx-xxx" para "xxxxx-xx0"

### Desconsiderando o último dígito do cep

df1 <- df0

df1$cep2=trunc(df0$cep/10)*10

head(df1)

length(unique(df1$cep2)) # 7135 ceps (-2048 ou -22%)

### Pra não gastar minhas 2500 consultas :D, vou usar os dados já consultados!

df2 <- merge(df1, df0, all.x=T, sort=F, by.x="cep2", by.y="cep")

head(df2)

sum(complete.cases(df2)) # 9071! Com a consulta de geocode, provavelmente todos retornariam valor

### Valor aproximado de 1 grau dessa área (em km)

require(sp)

spDistsN1(matrix(c(-49,-50, -25,-26),2,2), matrix(c(-50,-25),1,2), longlat=TRUE)

df2$dist <- sqrt((df2[,3]-df2[,5])^2+(df2[,4]-df2[,6])^2)*105 ### distância aproximada em km!

hist(df2$dist)

range(df2$dist, na.rm=T)

table(cut(df2$dist, breaks=c(-1:5,20)))

# (-1,0]  (0,1]  (1,2]  (2,3]  (3,4]  (4,5] (5,20] 

#   7528   1132    362     24      2      0     23

sum(table(cut(df2$dist, breaks=c(-1:5,20)))[1:3])

### 99% dos dados (9022/9071) diferem até 2 km em relação a consulta original

sum(df2$dist>5, na.rm=T) ### 23 valores bem imprecisos

df2[which(df2$dist>5),]

### Onde estão ocorrendo problemas?

require(ggmap)

adr <- paste0("Curitiba, PR, Brazil, ", df2[which(df2$dist>5),2])

res <- geocode(adr, output="more")

res[c(1:4,10)]

cbind(df2[which(df2$dist>5),1:4],res[1:6])

### boa parte dos problemas referem-se aos ceps da cidade industrial

### você pode filtrar esses ceps e tratá-los diferenciados

### Truncando "xxxxx-xxx" para "xxxxx-x00"

df10 <- df0

df10$cep2=trunc(df0$cep/100)*100

head(df10)

length(unique(df10$cep2)) # 941 ceps (-8242 ou -90%)

df20 <- merge(df10, df0, all.x=T, sort=F, by.x="cep2", by.y="cep")

head(df20)

sum(complete.cases(df20)) # 8312! Com a consulta de geocode, provavelmente todos retornariam valor

df20$dist <- sqrt((df20[,3]-df20[,5])^2+(df20[,4]-df20[,6])^2)*105 ### distância aproximada em km!

hist(df20$dist)

range(df20$dist, na.rm=T)

table(cut(df20$dist, breaks=c(-1:5,20)))

# (-1,0]  (0,1]  (1,2]  (2,3]  (3,4]  (4,5] (5,20] 

#   1647   5403   1050    131     17      6     58 

sum(table(cut(df20$dist, breaks=c(-1:5,20)))[1:3])

### 97% dos dados (8100/8312) diferem até 2 km em relação a consulta completa

sum(df20$dist>5, na.rm=T) ### 23 valores bem imprecisos

df20[which(df20$dist>5),]

### Onde estão ocorrendo problemas?

require(ggmap)

adr1 <- paste0("Curitiba, PR, Brazil, ", df20[which(df20$dist>5),2])

res1 <- geocode(adr1, output="more")

res1[c(1:4,10)]

cbind(df20[which(df20$dist>5),1:4],res1[1:6])

### aumentam as localidades com problema, mas acho que ainda assim dá pra contornar

### </code>

Éder Comunello <comunello.eder@gmail.com>
Dourados, MS - [22 16.5'S, 54 49'W]

_______________________________________________
R-br mailing list
R-br@listas.c3sl.ufpr.br
https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça código mínimo reproduzível.