Eleitorado

https://cdn.tse.jus.br/estatistica/sead/odsele/perfil_eleitorado/perfil_eleitorado_2024.zip
https://cdn.tse.jus.br/estatistica/sead/odsele/perfil_eleitorado/perfil_eleitorado_secao_2024_SP.zip
https://cdn.tse.jus.br/estatistica/sead/odsele/perfil_eleitorado/perfil_eleitorado_secao_2024_RJ.zip
https://cdn.tse.jus.br/estatistica/sead/odsele/perfil_eleitorado/perfil_eleitorado_2022.zip

import requests
import zipfile
import pandas as pd
from io import BytesIO
from pathlib import Path
 
 
def baixar_perfil_eleitorado(
    ano: int,
    destino: Path = Path("./dados_tse"),
) -> pd.DataFrame:
    """
    Baixa e carrega dados do perfil do eleitorado (consolidado nacional).
 
    Args:
        ano: Ano de referência (ex: 2024, 2022)
        destino: Diretório para salvar os arquivos
 
    Returns:
        DataFrame com perfil do eleitorado
    """
    url = (
        f"https://cdn.tse.jus.br/estatistica/sead/odsele/"
        f"perfil_eleitorado/perfil_eleitorado_{ano}.zip"
    )
    print(f"Baixando perfil do eleitorado {ano}...")
 
    response = requests.get(url)
    response.raise_for_status()
 
    destino.mkdir(parents=True, exist_ok=True)
 
    with zipfile.ZipFile(BytesIO(response.content)) as zf:
        zf.extractall(destino)
        csvs = [f for f in zf.namelist() if f.endswith(".csv")]
 
    # Carregar o consolidado (ou concatenar múltiplos CSVs)
    arquivo_brasil = [f for f in csvs if "BRASIL" in f.upper()]
    if arquivo_brasil:
        caminho = destino / arquivo_brasil[0]
    else:
        caminho = destino / csvs[0]
 
    df = pd.read_csv(
        caminho,
        sep=";",
        encoding="latin-1",
        dtype=str,
    )
 
    print(f"Registros carregados: {len(df):,}")
    return df
 
 
# Baixar perfil do eleitorado de 2024
df_eleitorado = baixar_perfil_eleitorado(2024)
print(df_eleitorado.head())

def analise_demografica_uf(df: pd.DataFrame) -> pd.DataFrame:
    """
    Analisa a distribuição demográfica do eleitorado por UF.
 
    Args:
        df: DataFrame com perfil do eleitorado
 
    Returns:
        DataFrame com totais por UF e gênero
    """
    df["QT_ELEITORES_PERFIL"] = pd.to_numeric(
        df["QT_ELEITORES_PERFIL"], errors="coerce"
    )
 
    por_uf_genero = (
        df.groupby(["SG_UF", "DS_GENERO"])
        .agg(total_eleitores=("QT_ELEITORES_PERFIL", "sum"))
        .reset_index()
    )
 
    # Calcular total por UF
    total_uf = (
        por_uf_genero.groupby("SG_UF")["total_eleitores"].sum().reset_index()
    )
    total_uf.columns = ["SG_UF", "total_uf"]
 
    resultado = por_uf_genero.merge(total_uf, on="SG_UF")
    resultado["percentual"] = (
        resultado["total_eleitores"] / resultado["total_uf"] * 100
    ).round(2)
 
    return resultado.sort_values(["SG_UF", "DS_GENERO"])
 
 
demografico = analise_demografica_uf(df_eleitorado)
print("Distribuição do eleitorado por UF e gênero:")
print(demografico.head(20))

def perfil_faixa_etaria(df: pd.DataFrame, uf: str = None) -> pd.DataFrame:
    """
    Analisa a distribuição do eleitorado por faixa etária.
 
    Args:
        df: DataFrame com perfil do eleitorado
        uf: Filtrar por UF (opcional)
 
    Returns:
        DataFrame com eleitores por faixa etária
    """
    df["QT_ELEITORES_PERFIL"] = pd.to_numeric(
        df["QT_ELEITORES_PERFIL"], errors="coerce"
    )
 
    resultado = df.copy()
    if uf:
        resultado = resultado[resultado["SG_UF"] == uf.upper()]
 
    por_faixa = (
        resultado.groupby("DS_FAIXA_ETARIA")
        .agg(total_eleitores=("QT_ELEITORES_PERFIL", "sum"))
        .reset_index()
        .sort_values("total_eleitores", ascending=False)
    )
 
    total = por_faixa["total_eleitores"].sum()
    por_faixa["percentual"] = (por_faixa["total_eleitores"] / total * 100).round(2)
 
    return por_faixa
 
 
def perfil_escolaridade(df: pd.DataFrame, uf: str = None) -> pd.DataFrame:
    """
    Analisa a distribuição do eleitorado por grau de instrução.
 
    Args:
        df: DataFrame com perfil do eleitorado
        uf: Filtrar por UF (opcional)
 
    Returns:
        DataFrame com eleitores por grau de instrução
    """
    df["QT_ELEITORES_PERFIL"] = pd.to_numeric(
        df["QT_ELEITORES_PERFIL"], errors="coerce"
    )
 
    resultado = df.copy()
    if uf:
        resultado = resultado[resultado["SG_UF"] == uf.upper()]
 
    por_instrucao = (
        resultado.groupby("DS_GRAU_ESCOLARIDADE")
        .agg(total_eleitores=("QT_ELEITORES_PERFIL", "sum"))
        .reset_index()
        .sort_values("total_eleitores", ascending=False)
    )
 
    total = por_instrucao["total_eleitores"].sum()
    por_instrucao["percentual"] = (
        por_instrucao["total_eleitores"] / total * 100
    ).round(2)
 
    return por_instrucao
 
 
# Análise de São Paulo
print("Faixa etária — SP:")
print(perfil_faixa_etaria(df_eleitorado, "SP"))
 
print("\nEscolaridade — SP:")
print(perfil_escolaridade(df_eleitorado, "SP"))

def baixar_perfil_secao(
    ano: int,
    uf: str,
    destino: Path = Path("./dados_tse"),
) -> pd.DataFrame:
    """
    Baixa e carrega perfil do eleitorado por seção eleitoral.
 
    Args:
        ano: Ano de referência
        uf: Sigla da UF
        destino: Diretório para salvar
 
    Returns:
        DataFrame com perfil por seção
    """
    url = (
        f"https://cdn.tse.jus.br/estatistica/sead/odsele/"
        f"perfil_eleitorado/perfil_eleitorado_secao_{ano}_{uf.upper()}.zip"
    )
    print(f"Baixando perfil por seção — {ano} — {uf.upper()}...")
 
    response = requests.get(url)
    response.raise_for_status()
 
    destino.mkdir(parents=True, exist_ok=True)
 
    with zipfile.ZipFile(BytesIO(response.content)) as zf:
        zf.extractall(destino)
        csvs = [f for f in zf.namelist() if f.endswith(".csv")]
 
    df = pd.read_csv(
        destino / csvs[0],
        sep=";",
        encoding="latin-1",
        dtype=str,
    )
 
    print(f"Registros por seção carregados: {len(df):,}")
    return df
 
 
# Perfil por seção em São Paulo
df_secao_sp = baixar_perfil_secao(2024, "SP")
print(df_secao_sp.head())

import pandas as pd
 
# 1. Carregar perfil do eleitorado por seção (SP)
df_perfil = pd.read_csv(
    "dados_tse/perfil_eleitorado_secao_2022_SP.csv",
    sep=";",
    encoding="latin-1",
    dtype=str,
)
 
# 2. Agregar perfil: calcular % de jovens (16-24) por seção
df_perfil["QT_ELEITORES_PERFIL"] = pd.to_numeric(
    df_perfil["QT_ELEITORES_PERFIL"], errors="coerce"
)
 
# Total por seção
total_secao = (
    df_perfil.groupby(["CD_MUNICIPIO", "NR_ZONA", "NR_SECAO"])
    .agg(total=("QT_ELEITORES_PERFIL", "sum"))
    .reset_index()
)
 
# Jovens (16-24) por seção
jovens = df_perfil[
    df_perfil["DS_FAIXA_ETARIA"].isin(["16 anos", "17 anos", "18 a 20 anos", "21 a 24 anos"])
]
jovens_secao = (
    jovens.groupby(["CD_MUNICIPIO", "NR_ZONA", "NR_SECAO"])
    .agg(total_jovens=("QT_ELEITORES_PERFIL", "sum"))
    .reset_index()
)
 
perfil_secao = pd.merge(total_secao, jovens_secao, on=["CD_MUNICIPIO", "NR_ZONA", "NR_SECAO"])
perfil_secao["pct_jovens"] = (perfil_secao["total_jovens"] / perfil_secao["total"] * 100).round(2)
 
# 3. Carregar votação por seção (SP)
df_votos = pd.read_csv(
    "dados_tse/votacao_secao_2022_SP.csv",
    sep=";",
    encoding="latin-1",
    dtype=str,
)
df_votos["QT_VOTOS_NOMINAIS"] = pd.to_numeric(
    df_votos["QT_VOTOS_NOMINAIS"], errors="coerce"
)
 
# Filtrar votação para presidente, 1o turno
votos_pres = df_votos[
    (df_votos["DS_CARGO"] == "PRESIDENTE") & (df_votos["NR_TURNO"] == "1")
]
 
# Calcular % de votos por candidato por seção
votos_secao = votos_pres.pivot_table(
    index=["CD_MUNICIPIO", "NR_ZONA", "NR_SECAO"],
    columns="NR_CANDIDATO",
    values="QT_VOTOS_NOMINAIS",
    aggfunc="sum",
    fill_value=0,
)
total_votos_secao = votos_secao.sum(axis=1)
 
for col in votos_secao.columns:
    votos_secao[f"pct_{col}"] = (votos_secao[col] / total_votos_secao * 100).round(2)
 
votos_secao = votos_secao.reset_index()
 
# 4. Cruzar perfil com votação
analise = pd.merge(
    perfil_secao,
    votos_secao,
    on=["CD_MUNICIPIO", "NR_ZONA", "NR_SECAO"],
    how="inner",
)
 
# 5. Correlação entre % de jovens e votação
print("Correlação entre % jovens e % votos por candidato:")
for col in [c for c in analise.columns if c.startswith("pct_") and c != "pct_jovens"]:
    corr = analise["pct_jovens"].corr(analise[col])
    print(f"  Candidato {col.replace('pct_', '')}: {corr:.4f}")