RAIS — Relação Anual de Informações Sociais

ftp://ftp.mtps.gov.br/pdet/microdados/RAIS/

RAIS/
├── AAAA/
│   ├── RAIS_VINC_PUB_CENTRO_OESTE.txt
│   ├── RAIS_VINC_PUB_MG_ES_RJ.txt
│   ├── RAIS_VINC_PUB_NORDESTE.txt
│   ├── RAIS_VINC_PUB_NORTE.txt
│   ├── RAIS_VINC_PUB_SP.txt
│   └── RAIS_VINC_PUB_SUL.txt
└── Layouts/
    └── Layout_Microdados_RAIS.xls

import basedosdados as bd
 
# Média salarial por UF (vínculos ativos em dezembro)
query = """
SELECT
    sigla_uf,
    COUNT(*) AS total_vinculos,
    AVG(valor_remuneracao_media) AS salario_medio
FROM `basedosdados.br_me_rais.microdados_vinculos`
WHERE ano = 2022
  AND vinculo_ativo_3112 = 1
GROUP BY sigla_uf
ORDER BY salario_medio DESC
"""
 
df = bd.read_sql(query, billing_project_id="seu-projeto-gcp")
print(df.head(10))

import pandas as pd
 
# Ler microdados da RAIS (arquivo grande — usar chunks)
arquivo = "RAIS_VINC_PUB_SP.txt"
 
df = pd.read_csv(
    arquivo,
    sep=";",
    encoding="latin-1",
    dtype=str,
    low_memory=False,
    decimal=","
)
 
print(f"Total de vínculos (SP): {len(df):,}")
print(f"Colunas: {list(df.columns[:10])}...")
 
# Distribuição por grau de instrução
instrucao_map = {
    "1": "Analfabeto",
    "2": "Fundamental incompleto",
    "3": "Fundamental incompleto",
    "4": "Fundamental completo",
    "5": "Fundamental completo",
    "6": "Médio incompleto",
    "7": "Médio completo",
    "8": "Superior incompleto",
    "9": "Superior completo",
    "10": "Mestrado",
    "11": "Doutorado",
}
 
contagem = df["Grau Instrução após 2005"].map(instrucao_map).value_counts()
print("\nDistribuição por escolaridade:")
print(contagem)