SIM — Sistema de Informações sobre Mortalidade

pip install pysus

ftp://ftp.datasus.gov.br/dissemin/publicos/SIM/CID10/DORES/DO{UF}{AAAA}.dbc

from pysus.online_data.SIM import download
import pandas as pd
 
# Baixar dados de mortalidade de São Paulo, 2022
dados = download(states=["SP"], years=[2022])
 
# Converter para DataFrame
df = dados.to_dataframe()
 
print(f"Total de óbitos registrados: {len(df):,}")
print(f"Colunas disponíveis: {list(df.columns)}")
print(df.head())

from pysus.online_data.SIM import download
import pandas as pd
 
# Baixar dados de mortalidade de Minas Gerais, 2022
dados = download(states=["MG"], years=[2022])
df = dados.to_dataframe()
 
# Top 10 causas de morte (causa básica - CID-10)
top_causas = (
    df.groupby("CAUSABAS")
    .size()
    .reset_index(name="total_obitos")
    .sort_values("total_obitos", ascending=False)
    .head(10)
)
 
print("Top 10 causas de morte em MG (2022):")
print(top_causas)

from pysus.online_data.SIM import download
import pandas as pd
 
# Baixar dados do Rio de Janeiro
dados = download(states=["RJ"], years=[2022])
df = dados.to_dataframe()
 
# Converter campos
df["IDADE"] = pd.to_numeric(df["IDADE"], errors="coerce")
df["SEXO"] = df["SEXO"].map({"1": "Masculino", "2": "Feminino", "0": "Ignorado"})
 
# Criar faixas etárias a partir do campo IDADE
# O campo IDADE usa codificação especial: 4xx = anos, 3xx = meses, 2xx = dias
df["idade_anos"] = df["IDADE"].apply(
    lambda x: x - 400 if pd.notna(x) and x >= 400 else None
)
 
# Distribuição por sexo
obitos_sexo = df["SEXO"].value_counts()
print("Óbitos por sexo:")
print(obitos_sexo)
 
# Distribuição por faixa etária
bins = [0, 1, 5, 15, 30, 45, 60, 75, 120]
labels = ["<1", "1-4", "5-14", "15-29", "30-44", "45-59", "60-74", "75+"]
df["faixa_etaria"] = pd.cut(df["idade_anos"], bins=bins, labels=labels, right=False)
 
obitos_idade = df["faixa_etaria"].value_counts().sort_index()
print("\nÓbitos por faixa etária:")
print(obitos_idade)

from pysus.online_data.SIM import download
import pandas as pd
 
# Baixar dados de todo o Brasil (pode ser demorado)
dados = download(states=["SP"], years=[2022])
df = dados.to_dataframe()
 
# Causas externas: CID-10 capítulo XX (V01-Y98)
df["causa_externa"] = df["CAUSABAS"].str.match(r"^[VWX Y]")
 
externas = df[df["causa_externa"] == True]
print(f"Óbitos por causas externas: {len(externas):,}")
 
# Subcategorias de causas externas
categorias = {
    "Acidentes de transporte": r"^V",
    "Quedas": r"^W0[0-9]|^W1[0-9]",
    "Afogamento": r"^W6[5-9]|^W7[0-4]",
    "Agressões (homicídios)": r"^X8[5-9]|^X9|^Y0",
    "Lesões autoprovocadas (suicídio)": r"^X[67]",
}
 
for nome, padrao in categorias.items():
    total = externas["CAUSABAS"].str.match(padrao).sum()
    print(f"  {nome}: {total:,}")

from pysus.online_data.SIM import download as download_sim
from pysus.online_data.SINASC import download as download_sinasc
import pandas as pd
 
# Baixar óbitos e nascimentos de SP, 2022
obitos = download_sim(states=["SP"], years=[2022]).to_dataframe()
nascimentos = download_sinasc(states=["SP"], years=[2022]).to_dataframe()
 
# Filtrar óbitos infantis (menores de 1 ano)
# Código de idade < 400 indica menos de 1 ano
obitos["IDADE"] = pd.to_numeric(obitos["IDADE"], errors="coerce")
obitos_infantis = obitos[obitos["IDADE"] < 400]
 
# Contar por município
obitos_mun = (
    obitos_infantis.groupby("CODMUNRES")
    .size()
    .reset_index(name="obitos_infantis")
)
nasc_mun = (
    nascimentos.groupby("CODMUNRES")
    .size()
    .reset_index(name="nascidos_vivos")
)
 
# Calcular taxa de mortalidade infantil (por 1.000 nascidos vivos)
mortalidade = obitos_mun.merge(nasc_mun, on="CODMUNRES", how="inner")
mortalidade["tmi"] = (
    mortalidade["obitos_infantis"] / mortalidade["nascidos_vivos"] * 1000
)
 
print("Taxa de Mortalidade Infantil por município (SP, 2022):")
print(mortalidade.sort_values("tmi", ascending=False).head(10))