FNDE (Repasses)

import pandas as pd
from pathlib import Path
 
# Após baixar o CSV de liberações do portal do FNDE
# (ou exportar do SIGEF)
arquivo_csv = Path("liberacoes_fnde_2023.csv")
 
# Ler o CSV
df = pd.read_csv(
    arquivo_csv,
    sep=";",
    encoding="utf-8",
    dtype=str,
    decimal=",",
)
 
print(f"Total de registros: {len(df):,}")
print(f"Colunas: {list(df.columns)}")
print(df.head())

# Converter valores para numérico
# O campo de valor pode usar vírgula como separador decimal
df["VL_REPASSE"] = (
    df["VL_REPASSE"]
    .str.replace(".", "", regex=False)
    .str.replace(",", ".", regex=False)
    .astype(float)
)
 
# Filtrar apenas FUNDEB
df_fundeb = df[df["NO_PROGRAMA"].str.contains("FUNDEB", case=False, na=False)]
 
# Total repassado por UF
repasses_uf = (
    df_fundeb.groupby("SG_UF")["VL_REPASSE"]
    .sum()
    .sort_values(ascending=False)
)
 
print("Repasses FUNDEB por UF (R$):")
for uf, valor in repasses_uf.items():
    print(f"  {uf}: R$ {valor:,.2f}")
 
total = repasses_uf.sum()
print(f"\nTotal FUNDEB: R$ {total:,.2f}")

# Supondo que temos os dados de população do IBGE
df_pop = pd.read_csv(
    "populacao_municipios_ibge.csv",
    sep=";",
    dtype={"CO_MUNICIPIO": str},
)
 
# Agregar repasses por município
repasses_mun = (
    df_fundeb.groupby("CO_MUNICIPIO")["VL_REPASSE"]
    .sum()
    .reset_index()
)
 
# Cruzar com população
df_per_capita = repasses_mun.merge(
    df_pop[["CO_MUNICIPIO", "POPULACAO", "NO_MUNICIPIO"]],
    on="CO_MUNICIPIO",
    how="left",
)
 
df_per_capita["REPASSE_PER_CAPITA"] = (
    df_per_capita["VL_REPASSE"] / df_per_capita["POPULACAO"]
)
 
# Top 10 municípios com maior repasse per capita
top10 = df_per_capita.nlargest(10, "REPASSE_PER_CAPITA")
print("Top 10 municípios — FUNDEB per capita:")
for _, row in top10.iterrows():
    print(f"  {row['NO_MUNICIPIO']}: R$ {row['REPASSE_PER_CAPITA']:,.2f}/hab")

import glob
 
# Carregar dados de múltiplos anos
arquivos = sorted(glob.glob("liberacoes_fnde_*.csv"))
dfs = []
 
for arq in arquivos:
    df_ano = pd.read_csv(arq, sep=";", encoding="utf-8", dtype=str, decimal=",")
    dfs.append(df_ano)
 
df_todos = pd.concat(dfs, ignore_index=True)
 
# Converter valor
df_todos["VL_REPASSE"] = (
    df_todos["VL_REPASSE"]
    .str.replace(".", "", regex=False)
    .str.replace(",", ".", regex=False)
    .astype(float)
)
 
# Evolução por programa
evolucao = (
    df_todos.groupby(["NU_ANO", "NO_PROGRAMA"])["VL_REPASSE"]
    .sum()
    .unstack(fill_value=0)
)
 
print("Evolução dos repasses por programa (R$ bilhões):")
print((evolucao / 1e9).round(2).to_string())

# Filtrar PNAE
df_pnae = df[df["NO_PROGRAMA"].str.contains("PNAE|Alimentação", case=False, na=False)]
 
df_pnae["VL_REPASSE"] = (
    df_pnae["VL_REPASSE"]
    .str.replace(".", "", regex=False)
    .str.replace(",", ".", regex=False)
    .astype(float)
)
 
# Total repassado para merenda por UF
pnae_uf = (
    df_pnae.groupby("SG_UF")["VL_REPASSE"]
    .sum()
    .sort_values(ascending=False)
)
 
print("Repasses PNAE (Merenda Escolar) por UF:")
for uf, valor in pnae_uf.items():
    print(f"  {uf}: R$ {valor:,.2f}")

import pandas as pd
 
# 1. Carregar repasses FUNDEB
df_fundeb = pd.read_csv(
    "liberacoes_fnde_2023.csv",
    sep=";",
    encoding="utf-8",
    dtype=str,
    decimal=",",
)
 
df_fundeb["VL_REPASSE"] = (
    df_fundeb["VL_REPASSE"]
    .str.replace(".", "", regex=False)
    .str.replace(",", ".", regex=False)
    .astype(float)
)
 
# Filtrar FUNDEB e agregar por município
fundeb_mun = (
    df_fundeb[df_fundeb["NO_PROGRAMA"].str.contains("FUNDEB", case=False, na=False)]
    .groupby("CO_MUNICIPIO")["VL_REPASSE"]
    .sum()
    .reset_index()
)
 
# 2. Carregar dados de escolas (Censo Escolar)
df_escolas = pd.read_csv(
    "dados_censo_escolar/ESCOLAS.CSV",
    sep="|",
    encoding="latin-1",
    dtype=str,
    usecols=["CO_MUNICIPIO", "CO_ENTIDADE", "TP_DEPENDENCIA",
             "IN_INTERNET", "IN_BIBLIOTECA", "IN_LABORATORIO_INFORMATICA"],
)
 
# Filtrar escolas públicas (estadual + municipal)
df_publicas = df_escolas[df_escolas["TP_DEPENDENCIA"].isin(["2", "3"])]
 
# Calcular indicadores de infraestrutura por município
for col in ["IN_INTERNET", "IN_BIBLIOTECA", "IN_LABORATORIO_INFORMATICA"]:
    df_publicas[col] = pd.to_numeric(df_publicas[col], errors="coerce")
 
infra_mun = (
    df_publicas.groupby("CO_MUNICIPIO")
    .agg(
        qtd_escolas=("CO_ENTIDADE", "count"),
        pct_internet=("IN_INTERNET", "mean"),
        pct_biblioteca=("IN_BIBLIOTECA", "mean"),
    )
    .reset_index()
)
 
# 3. Cruzar FUNDEB com infraestrutura
df_analise = fundeb_mun.merge(infra_mun, on="CO_MUNICIPIO", how="inner")
df_analise["REPASSE_POR_ESCOLA"] = df_analise["VL_REPASSE"] / df_analise["qtd_escolas"]
 
# Correlação entre repasse por escola e infraestrutura
correlacao = df_analise[["REPASSE_POR_ESCOLA", "pct_internet", "pct_biblioteca"]].corr()
print("Correlação entre repasse por escola e infraestrutura:")
print(correlacao.round(3).to_string())