SIOP — Sistema Integrado de Planejamento e Orçamento

https://www.siop.planejamento.gov.br/siop/

import pandas as pd
 
 
def carregar_loa(caminho_arquivo: str):
    """
    Carrega e processa um arquivo da LOA exportado do SIOP.
 
    O arquivo deve ser um CSV ou XLSX exportado da consulta de LOA
    no painel do SIOP.
 
    Args:
        caminho_arquivo: Caminho para o arquivo CSV ou XLSX
 
    Returns:
        DataFrame com os dados da LOA
    """
    if caminho_arquivo.endswith(".csv"):
        df = pd.read_csv(caminho_arquivo, encoding="latin-1", sep=";", decimal=",")
    elif caminho_arquivo.endswith(".xlsx"):
        df = pd.read_excel(caminho_arquivo)
    else:
        raise ValueError("Formato não suportado. Use CSV ou XLSX.")
 
    return df
 
 
# Exemplo: carregar LOA 2024
df_loa = carregar_loa("loa_2024.csv")
print(f"Registros: {len(df_loa)}")
print(f"Colunas: {list(df_loa.columns)}")
print(df_loa.head())

def analisar_por_funcao(df: pd.DataFrame, coluna_funcao: str = "Função",
                         coluna_valor: str = "Dotação Atual"):
    """
    Agrupa a LOA por função orçamentária e calcula totais.
 
    Args:
        df: DataFrame da LOA
        coluna_funcao: Nome da coluna de função
        coluna_valor: Nome da coluna de valor
 
    Returns:
        DataFrame resumido por função
    """
    resumo = (
        df.groupby(coluna_funcao)[coluna_valor]
        .sum()
        .sort_values(ascending=False)
        .reset_index()
    )
    resumo["percentual"] = (resumo[coluna_valor] / resumo[coluna_valor].sum() * 100).round(2)
    return resumo
 
 
# Exemplo: distribuição do orçamento por função
resumo_funcao = analisar_por_funcao(df_loa)
print("Distribuição do orçamento por função:")
print(resumo_funcao.head(10).to_string(index=False))

def carregar_emendas(caminho_arquivo: str):
    """
    Carrega dados de emendas parlamentares exportados do SIOP.
 
    Args:
        caminho_arquivo: Caminho para o arquivo CSV ou XLSX
 
    Returns:
        DataFrame com emendas parlamentares
    """
    if caminho_arquivo.endswith(".csv"):
        df = pd.read_csv(caminho_arquivo, encoding="latin-1", sep=";", decimal=",")
    else:
        df = pd.read_excel(caminho_arquivo)
 
    return df
 
 
def resumo_emendas(df: pd.DataFrame, coluna_autor: str = "Autor da Emenda",
                    coluna_valor: str = "Valor Aprovado"):
    """
    Gera resumo de emendas por parlamentar.
 
    Args:
        df: DataFrame de emendas
        coluna_autor: Nome da coluna com o autor
        coluna_valor: Nome da coluna com o valor
 
    Returns:
        DataFrame com total de emendas por autor
    """
    resumo = (
        df.groupby(coluna_autor)
        .agg(
            total_emendas=(coluna_valor, "count"),
            valor_total=(coluna_valor, "sum"),
        )
        .sort_values("valor_total", ascending=False)
        .reset_index()
    )
    return resumo
 
 
# Exemplo: resumo de emendas por parlamentar
df_emendas = carregar_emendas("emendas_2024.csv")
resumo = resumo_emendas(df_emendas)
print("Top 10 autores de emendas:")
print(resumo.head(10).to_string(index=False))

def analisar_creditos_adicionais(
    df_loa: pd.DataFrame,
    coluna_orgao: str = "Órgão",
    coluna_dotacao_inicial: str = "Dotação Inicial",
    coluna_dotacao_atual: str = "Dotação Atual",
):
    """
    Analisa o impacto dos créditos adicionais sobre a dotação inicial.
 
    Args:
        df_loa: DataFrame com dados da LOA (incluindo dotação atualizada)
        coluna_orgao: Coluna com o nome do órgão
        coluna_dotacao_inicial: Coluna com dotação inicial (LOA aprovada)
        coluna_dotacao_atual: Coluna com dotação atualizada (após créditos)
 
    Returns:
        DataFrame com variação por órgão
    """
    resumo = (
        df_loa.groupby(coluna_orgao)
        .agg(
            dotacao_inicial=(coluna_dotacao_inicial, "sum"),
            dotacao_atual=(coluna_dotacao_atual, "sum"),
        )
        .reset_index()
    )
 
    resumo["creditos_adicionais"] = resumo["dotacao_atual"] - resumo["dotacao_inicial"]
    resumo["variacao_%"] = (
        (resumo["creditos_adicionais"] / resumo["dotacao_inicial"]) * 100
    ).round(2)
 
    return resumo.sort_values("creditos_adicionais", ascending=False)
 
 
# Exemplo: impacto dos créditos adicionais por órgão
variacao = analisar_creditos_adicionais(df_loa)
print("Variação por créditos adicionais:")
print(variacao.head(10).to_string(index=False))

import pandas as pd
 
# Supondo que os arquivos foram baixados do SIOP e do Tesouro Transparente
df_loa = pd.read_csv("loa_2024.csv", encoding="latin-1", sep=";", decimal=",")
df_execucao = pd.read_csv("execucao_2024.csv", encoding="latin-1", sep=";", decimal=",")
 
# Padronizar nomes de colunas para o cruzamento
df_loa_resumo = (
    df_loa.groupby("Código Ação")
    .agg(dotacao_loa=("Dotação Inicial", "sum"))
    .reset_index()
)
 
df_exec_resumo = (
    df_execucao.groupby("Código Ação")
    .agg(
        empenhado=("Empenhado", "sum"),
        pago=("Pago", "sum"),
    )
    .reset_index()
)
 
# Cruzar LOA com execução
comparativo = pd.merge(df_loa_resumo, df_exec_resumo, on="Código Ação", how="outer")
comparativo["taxa_execucao_%"] = (
    comparativo["pago"] / comparativo["dotacao_loa"] * 100
).round(2)
 
# Ações com menor taxa de execução
baixa_execucao = comparativo.sort_values("taxa_execucao_%").head(20)
print("Ações com menor taxa de execução:")
print(baixa_execucao.to_string(index=False))