Justiça em Números

import pandas as pd
 
# Os dados do Justiça em Números podem ser obtidos em CSV no portal do CNJ
# ou via Base dos Dados (basedosdados.org)
#
# Após download do CSV disponível em:
# https://www.cnj.jus.br/pesquisas-judiciarias/justica-em-numeros/
 
# Exemplo: leitura de dados previamente baixados
# df = pd.read_csv("justica_em_numeros_2023.csv", sep=";", encoding="utf-8")
 
# Exemplo com dados hipotéticos para demonstração
dados = {
    "tribunal": ["TJSP", "TJRJ", "TJMG", "TJRS", "TJPR"],
    "ano": [2023, 2023, 2023, 2023, 2023],
    "casos_novos": [7_500_000, 3_200_000, 2_800_000, 1_900_000, 1_600_000],
    "casos_pendentes": [28_000_000, 13_500_000, 10_200_000, 6_800_000, 5_100_000],
    "casos_baixados": [7_200_000, 3_100_000, 2_700_000, 1_800_000, 1_550_000],
    "magistrados": [2_600, 850, 1_200, 800, 700],
    "despesa_total_mi": [18_500, 8_200, 6_900, 4_800, 3_600],
}
 
df = pd.DataFrame(dados)
 
# Calcular indicadores
df["taxa_congestionamento"] = (
    df["casos_pendentes"] / (df["casos_novos"] + df["casos_pendentes"]) * 100
)
df["produtividade_magistrado"] = df["casos_baixados"] / df["magistrados"]
df["atendimento_demanda"] = df["casos_baixados"] / df["casos_novos"] * 100
 
print("Indicadores de desempenho dos tribunais (2023):")
print(
    df[
        [
            "tribunal",
            "taxa_congestionamento",
            "produtividade_magistrado",
            "atendimento_demanda",
        ]
    ].to_string(index=False)
)

import basedosdados as bd
 
# Consultar dados do Justiça em Números via BigQuery
# Requer configuração de projeto Google Cloud
# Documentação: https://basedosdados.github.io/mais/
 
query = """
SELECT
    ano,
    sigla_tribunal,
    casos_novos,
    casos_pendentes,
    casos_baixados,
    magistrados
FROM `basedosdados.br_cnj_justica_numeros.tribunal`
WHERE ano >= 2018
ORDER BY ano DESC, casos_novos DESC
LIMIT 20
"""
 
df = bd.read_sql(query, billing_project_id="SEU_PROJETO_GCP")
print(df.head(20))

import pandas as pd
 
# Exemplo de análise de evolução temporal (dados hipotéticos)
dados_historicos = {
    "tribunal": ["TJSP"] * 5 + ["TJRJ"] * 5,
    "ano": [2019, 2020, 2021, 2022, 2023] * 2,
    "taxa_congestionamento": [
        78.5, 79.2, 77.8, 76.5, 75.3,  # TJSP
        80.1, 81.5, 79.9, 78.2, 77.0,  # TJRJ
    ],
    "casos_novos_mi": [
        7.1, 6.2, 6.8, 7.3, 7.5,  # TJSP
        2.9, 2.5, 2.7, 3.0, 3.2,  # TJRJ
    ],
}
 
df = pd.DataFrame(dados_historicos)
 
# Variação da taxa de congestionamento
for tribunal in df["tribunal"].unique():
    dados_t = df[df["tribunal"] == tribunal].sort_values("ano")
    variacao = dados_t["taxa_congestionamento"].iloc[-1] - dados_t["taxa_congestionamento"].iloc[0]
    print(f"{tribunal}: variação de {variacao:+.1f} p.p. na taxa de congestionamento (2019-2023)")

import pandas as pd
 
# Dados hipotéticos para demonstração
despesas_judiciario = {
    "uf": ["SP", "RJ", "MG", "RS", "PR"],
    "tribunal": ["TJSP", "TJRJ", "TJMG", "TJRS", "TJPR"],
    "despesa_total_bi": [18.5, 8.2, 6.9, 4.8, 3.6],
}
 
orcamento_estados = {
    "uf": ["SP", "RJ", "MG", "RS", "PR"],
    "orcamento_total_bi": [280, 95, 110, 65, 55],
}
 
df_jud = pd.DataFrame(despesas_judiciario)
df_orc = pd.DataFrame(orcamento_estados)
 
df = pd.merge(df_jud, df_orc, on="uf")
df["pct_orcamento"] = df["despesa_total_bi"] / df["orcamento_total_bi"] * 100
 
print("Participação do judiciário no orçamento estadual:")
print(df[["uf", "tribunal", "despesa_total_bi", "orcamento_total_bi", "pct_orcamento"]].to_string(index=False))