2. Análise do perfil das famílias acolhedoras

Nesta análise faremos um apanhados das variáveis principais relacionadas às características das famílias acolhedoras que estão aptas ou acolhendo no momento.

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

df_dados_gerais = pd.read_csv('../data/familia_acolhedora/dados_gerais_tratado.csv')

df_dados_gerais.head()

	IBGE	NU_IDENTIFICADOR	municipio	uf	data_implementacao_unidade	Latitude	Longitude	natureza_unidade	custo_manutencao	servico_regulamentado	...	coordenador_saf_situacao	capaci_equipe_tec_saf_presencial	capaci_equipe_tec_saf_ead	capaci_equipe_tec_saf_nao_faz	capaci_equipe_tec_saf_presencial_qtd	capaci_equipe_tec_saf_ead_qtd	IBGE7	nome_da_uf	Regiao	Município
0	110011	1,10011E+12	JARU	RO	29/03/2023	-10.439	-62.466	Governamental	NaN	Sim, por lei	...	Exerce concomitantemente a função de coordenad...	Não	Não	Não	NaN	NaN	1100114	Rondonia	Região Norte	Jaru
1	110012	1,10012E+12	JI-PARANA	RO	02/01/2022	-10.876.486.067.028.500	-619.596.290.588.379	Governamental	NaN	Sim, por lei	...	Exerce exclusivamente a função de coordenador(...	Sim	Sim	Não	3.0	4.0	1100122	Rondonia	Região Norte	Ji-Paraná
2	110020	1,1002E+12	PORTO VELHO	RO	13/12/2017	-915.359.258.390.788	-643.068.141.967.022	Governamental	NaN	Sim, por lei	...	Exerce exclusivamente a função de coordenador(...	Sim	Sim	Não	5.0	5.0	1100205	Rondonia	Região Norte	Porto Velho
3	120040	1,2004E+12	RIO BRANCO	AC	17/05/2013	-9.948.852.227.687.540	-6.785.414.814.949.030	Governamental	NaN	Sim, por lei	...	Exerce exclusivamente a função de coordenador(...	Não	Não	Sim	NaN	NaN	1200401	Acre	Região Norte	Rio Branco
4	130170	1,3017E+12	HUMAITA	AM	28/12/2020	-7.519.639.784.496.380	-63.031.353.950.500.400	Governamental	NaN	Sim, por lei	...	Exerce exclusivamente a função de coordenador(...	Não	Não	Sim	NaN	NaN	1301704	Amazonas	Região Norte	Humaitá

5 rows × 174 columns

df_dados_gerais.columns.tolist()

['IBGE',
 'NU_IDENTIFICADOR',
 'municipio',
 'uf',
 'data_implementacao_unidade',
 'Latitude',
 'Longitude',
 'natureza_unidade',
 'custo_manutencao',
 'servico_regulamentado',
 'ano_implementacao_servico',
 'subsidio_valor_mensal',
 'subsidio_itens_manutencao',
 'subsidio_mobiliario_transporte',
 'subsidio_isencao_imposto_taxa',
 'subsidio_outros',
 'subsidio_nao_repassa',
 'subsidio_outros_quais',
 'fam_aceita_vinculo_irmaos',
 'qtd_criancas_acolhidas',
 'qtd_criancas_acolhidas_12meses',
 'qtd_masc_0_2',
 'qtd_masc_3_5',
 'qtd_masc_6_11',
 'qtd_masc_12_13',
 'qtd_masc_14_15',
 'qtd_masc_16_17',
 'qtd_masc_acima_18',
 'qtd_masc_total',
 'qtd_fem_0_2',
 'qtd_fem_3_5',
 'qtd_fem_6_11',
 'qtd_fem_12_13',
 'qtd_fem_14_15',
 'qtd_fem_16_17',
 'qtd_fem_acima_18',
 'qtd_refugiados_imigrantes',
 'qtd_venezuelanos',
 'qtd_criancas_tempo_servico_menos_1mes',
 'qtd_criancas_tempo_servico_1_3meses',
 'qtd_criancas_tempo_servico_4_6meses',
 'qtd_criancas_tempo_servico_7_12meses',
 'qtd_criancas_tempo_servico_13_18meses',
 'qtd_criancas_tempo_servico_19_24meses',
 'qtd_criancas_tempo_servico_25_48meses',
 'qtd_criancas_tempo_servico_49_72meses',
 'qtd_criancas_tempo_mais_72meses',
 'qtd_criancas_deficiencia',
 'qtd_criancas_transt_sofri_psiquico',
 'qtd_criancas_necessidade_especial',
 'qtd_adoles_socioeducativo',
 'qtd_criancas_traj_de_rua',
 'qtd_criancas_indigenas',
 'qtd_criancas_outros_povos_trad',
 'qtd_criancas_dependencia_drogas',
 'qtd_criancas_gestantes',
 'qtd_criancas_pretas',
 'qtd_criancas_pardas',
 'qtd_criancas_brancas',
 'qtd_criancas_amarelas',
 'qtd_criancas_raca_indigenas',
 'qtd_motivo_entrega_voluntaria_adocao',
 'qtd_motivo_orfandade',
 'qtd_motivo_abandono',
 'qtd_motivo_pais_usuarios',
 'qtd_motivo_pais_com_deficiencia',
 'qtd_motivo_pais_transt_sofri_psiquicos',
 'qtd_motivo_pais_ausentes_doenca',
 'qtd_motivo_pais_prisao_ou_internacao',
 'qtd_motivo_violencia_domestica_fisica',
 'qtd_motivo_violencia_domestica_psicologica',
 'qtd_motivo_abuso_sex_intrafamiliar',
 'qtd_motivo_exploracao_sex',
 'qtd_motivo_conflito_familiar',
 'qtd_motivo_exploracao_trabalho',
 'qtd_motivo_pais_cond_especif_saude',
 'qtd_motivo_pais_s_condicoes_depend_quim',
 'qtd_motivo_ameaca_morte',
 'qtd_motivo_situacao_rua',
 'qtd_motivo_negligencia_familia',
 'qtd_motivo_fam_situacao_rua',
 'qtd_motivo_fam_moradia_insalubre',
 'qtd_motivo_fam_carencia_rec_materiais',
 'qtd_oriundos_pbf',
 'qtd_oriundos_fam_menos_1sm',
 'divulgacao_outdoors_busdoors',
 'divulgacao_materiais_grande_circ',
 'divulgacao_radio_tv_impressa',
 'divulgacao_eventos_palestras',
 'divulgacao_redes_sociais',
 'divulgacao_articulacao_liderancas',
 'divulgacao_outros',
 'divulgacao_nao_faz',
 'divulgacao_outros_quais',
 'ch_capacitacao_inicial',
 'selecao_fam_reunioes',
 'selecao_fam_analise_doc',
 'selecao_fam_entrevistas',
 'selecao_fam_visitas_domiciliares',
 'selecao_fam_outros',
 'selecao_fam_nao_faz',
 'selecao_fam_outros_quais',
 'capac_ini_conti_fam_encontros_grupos',
 'capac_ini_conti_fam_encontros_indivi',
 'capac_ini_conti_fam_paletras',
 'capac_ini_conti_fam_rodas_conversa',
 'capac_ini_conti_fam_outros',
 'capac_ini_conti_fam_nao_faz',
 'capac_ini_conti_fam_outros_quais',
 'acompanhamento_fam_aprox_supervi',
 'acompanhamento_fam_visitas_domicil',
 'acompanhamento_fam_aten_psicoss',
 'acompanhamento_fam_contato_tel',
 'acompanhamento_fam_outros',
 'acompanhamento_fam_outros_quais',
 'ativi_sistematicas_atend_psicosso_indivi',
 'ativi_sistematicas_escuta_qualific',
 'ativi_sistematicas_acompanh_escolar',
 'ativi_sistematicas_acompanh_saude',
 'ativi_sistematicas_encaminhc_docs',
 'ativi_sistematicas_encaminhc_qualif_prof',
 'ativi_sistematicas_identifi_fam_nat_exten',
 'ativi_sistematicas_viabili_encon_fam_ori',
 'ativi_sistematicas_constr_plano_acomp_fam_ori',
 'ativi_sistematicas_atend_psicosso_indiv_fam_ori',
 'ativi_sistematicas_reunioes_fam_ori',
 'ativi_sistematicas_entrevis_fam_ori',
 'ativi_sistematicas_visi_domic_fam_ori',
 'ativi_sistematicas_genograma_ecomapa',
 'ativi_sistematicas_relat_trimes_judic',
 'ativi_sistematicas_estudo_caso',
 'ativi_sistematicas_encaminhc_rede',
 'ativi_sistematicas_discuss_casos_rede',
 'ativi_sistematicas_outros',
 'ativi_sistematicas_nao_faz',
 'ativi_sistematicas_outros_quais',
 'retorno_fam_ori_fam_ado_judic_informa_decisoes',
 'retorno_fam_ori_fam_ado_judic_nao_informa_decisoes',
 'retorno_fam_ori_fam_ado_tempo_prepar_suficiente',
 'retorno_fam_ori_fam_ado_tempo_prepar_insuficiente',
 'freq_acompanh_fam_acolhedora',
 'qtd_fam_processo_habilitacao',
 'qtd_fam_aptas_ou_acolhendo',
 'num_atual_fam_suficiente',
 'imovel_sede_saf',
 'espaco_fisico_sala_atendimento',
 'espaco_fisico_espaco_reunioes',
 'espaco_fisico_sala_equip_tec',
 'espaco_fisico_sala_coord_adm',
 'espaco_fisico_area_recepcao',
 'espaco_fisico_copa',
 'equipamentos_veiculo_exclusivo',
 'equipamentos_veiculo_compartilhado',
 'equipamentos_acervo_bibliog',
 'equipamentos_mater_pedago',
 'equipamentos_tel_fixo',
 'equipamentos_cel',
 'equipamentos_impressora',
 'equipamentos_de_som',
 'equipamentos_proj_imagens',
 'equipamentos_bebedouro',
 'equipamentos_comput_internet',
 'equipamentos_qtd_comput_internet',
 'equipe_tec_exclusiva_saf',
 'coordenador_saf_situacao',
 'capaci_equipe_tec_saf_presencial',
 'capaci_equipe_tec_saf_ead',
 'capaci_equipe_tec_saf_nao_faz',
 'capaci_equipe_tec_saf_presencial_qtd',
 'capaci_equipe_tec_saf_ead_qtd',
 'IBGE7',
 'nome_da_uf',
 'Regiao',
 'Município']

2.1. Variável ‘fam_aceita_vinculo_irmaos’

Essa variável refere-se a se há famílias acolhedoras que aceitam acolher grupo de crianças/adolescentes com grupo de irmãos/vínculos afetivos.

freq_aceita_irmaos = df_dados_gerais['fam_aceita_vinculo_irmaos'].value_counts(dropna=True)

# Plotando o gráfico de barras
plt.figure(figsize=(8, 5))
ax = sns.barplot(x=freq_aceita_irmaos.index, y=freq_aceita_irmaos.values, color='skyblue')

# Adicionando as quantidades dentro das barras
for i, v in enumerate(freq_aceita_irmaos.values):
    ax.text(i, v - 0.1, str(v), color='black', ha='center', va='center') 
    
plt.title(f'A família acolhedora aceita irmãos?')
plt.xlabel('Resposta')
plt.ylabel('Contagem')
plt.xticks(rotation=45)

plt.show()

2.2. Variáveis relacionadas à quantidade de família acolhedora - em processo e aptas/acolhendo

Aqui utilizaremos duas variáveis: a ‘qtd_fam_aptas_ou_acolhendo’ que refere-se à quantidade de famílhas aptas ou que estão acolhendo no momento e a ‘qtd_fam_processo_habilitacao’ que refere-se à quantidade de famílias em processo de habilitação.

df_dados_gerais['qtd_fam_aptas_ou_acolhendo'].apply(type).unique()

array([<class 'int'>], dtype=object)

df_qtd_fam = df_dados_gerais.groupby(['uf', 'Regiao'])['qtd_fam_aptas_ou_acolhendo'].sum().reset_index()

df_qtd_fam.sort_values(by='qtd_fam_aptas_ou_acolhendo', ascending=False)

	uf	Regiao	qtd_fam_aptas_ou_acolhendo
16	PR	Região Sul	817
9	MG	Região Sudeste	522
21	SC	Região Sul	432
22	SP	Região Sudeste	410
17	RJ	Região Sudeste	200
20	RS	Região Sul	178
10	MS	Região Centro Oeste	81
3	BA	Região Nordeste	75
13	PB	Região Nordeste	61
1	AM	Região Norte	51
4	CE	Região Nordeste	50
6	ES	Região Sudeste	50
5	DF	Região Centro Oeste	45
12	PA	Região Norte	34
14	PE	Região Nordeste	34
8	MA	Região Nordeste	31
18	RN	Região Nordeste	24
11	MT	Região Centro Oeste	24
15	PI	Região Nordeste	20
23	TO	Região Norte	18
19	RO	Região Norte	13
7	GO	Região Centro Oeste	9
0	AC	Região Norte	4
2	AP	Região Norte	1

# Define cores para cada região
cores_regiao = {
    'Região Norte': 'blue', 'Região Nordeste': 'green', 'Região Centro Oeste': 'orange',
    'Região Sudeste': 'red', 'Região Sul': 'purple'
}

# Cria o gráfico de barras para a quantidade de famílias aptas/acolhendo por UF
plt.figure(figsize=(12, 8))
for regiao, cor in cores_regiao.items():
    subset = df_qtd_fam[df_qtd_fam['Regiao'] == regiao]
    plt.bar(subset['uf'], subset['qtd_fam_aptas_ou_acolhendo'], label=regiao, color=cor)

# Configurações do gráfico
plt.title('Quantidade de famílias aptas/que estão acolhendo por UF')
plt.xlabel('UF')
plt.ylabel('Quantidade de famílias')
plt.xticks(rotation=45)
plt.legend(title='Região')
plt.tight_layout()
plt.show()

df_qntd_fam = df_dados_gerais.groupby('uf')[['qtd_fam_processo_habilitacao', 'qtd_fam_aptas_ou_acolhendo']].sum().reset_index()

# Reorganizando o DataFrame para que as colunas 'qtd_fam_processo_habilitacao' e 'qtd_fam_aptas_ou_acolhendo'
# fiquem em uma única coluna para facilitar a plotagem
df_agrupado_melted = df_qntd_fam.melt(id_vars='uf', value_vars=['qtd_fam_processo_habilitacao', 'qtd_fam_aptas_ou_acolhendo'], 
                                      var_name='Categoria', value_name='Quantidade')

# Plotando o gráfico de barras
plt.figure(figsize=(10, 6))
sns.barplot(x='uf', y='Quantidade', hue='Categoria', data=df_agrupado_melted, palette='Set2')

# Adicionando título e rótulos
plt.title('Comparação entre Famílias em Processo de Habilitação e Famílias Aptas/Acolhendo por UF')
plt.xlabel('UF')
plt.ylabel('Quantidade de Famílias')

# Exibindo o gráfico
plt.show()

df_dados_gerais['num_atual_fam_suficiente'].value_counts()

num_atual_fam_suficiente
Não                  299
Sim                  265
Não sabe informar     56
Name: count, dtype: int64

df_agrupado_suficiente = df_dados_gerais.groupby(['uf', 'num_atual_fam_suficiente']).size().reset_index(name='contagem')

# Plotando o gráfico de barras
plt.figure(figsize=(10, 6))
sns.barplot(x='uf', y='contagem', hue='num_atual_fam_suficiente', data=df_agrupado_suficiente, palette='Set1')

# Adicionando título e rótulos
plt.title('Distribuição de Famílias com Suficiência Atual por UF')
plt.xlabel('UF')
plt.ylabel('Contagem')

# Exibindo o gráfico
plt.show()

2.3. Variáveis relacionadas ao perfil dos responsáveis familiares cadastrados

Aqui utilizou-se a base de dados referente às informações do responsável familiar que cadastrou a família para a SFA. Isso quer dizer que foi uma pessoa escolhida na família para se tornar a responsável pelo cadastro, mas não necessariamente reflete o perfil característico da família acolhedora.

df_resp_familiar = pd.read_csv('../data/familia_acolhedora/resp_familiar_tratado.csv')

df_resp_familiar.head()

	IBGE	NU_IDENTIFICADOR	rf_sexo	rf_escolaridade	rf_profissao	rf_vinculo	Nome_UF	Código Município Completo	Nome_Município
0	291270	2,9127E+12	Feminino	Médio Completo	Profissional de nível médio	Outro vínculo não permanente	Bahia	291270	Ibirapitanga
1	311910	3,1191E+12	Feminino	Fundamental Completo	Sem formação profissional	Voluntária(o)	Minas Gerais	311910	Corinto
2	330350	3,3035E+12	Feminino	Médio Completo	Profissional de nível médio	Servidor(a) Estatutário(a)	Rio de Janeiro	330350	Nova Iguaçu
3	351040	3,5104E+12	Feminino	Superior Completo	Profissional de nível médio	Voluntária(o)	São Paulo	351040	Capivari
4	353440	3,5344E+12	Feminino	Especialização	Advogada(o)	Sem Vínculo	São Paulo	353440	Osasco

# Definir a ordem personalizada para a coluna 'rf_escolaridade'
ordem_escolaridade = [
    'Sem Escolaridade', 'Fundamental Incompleto', 'Fundamental Completo',
    'Médio Incompleto', 'Médio Completo', 'Superior Incompleto',
    'Superior Completo', 'Especialização', 'Mestrado', 'Doutorado'
]

# Criar a tabela de contingência e ordenar as colunas conforme a ordem definida
escolaridade_por_uf = pd.crosstab(df_resp_familiar['Nome_UF'], df_resp_familiar['rf_escolaridade'])[ordem_escolaridade]

# Criar o heatmap com a nova ordem
plt.figure(figsize=(18, 10))
sns.heatmap(escolaridade_por_uf, annot=True, fmt="d", cmap='YlGnBu', linewidths=0.5)
plt.title('Mapa de Calor da Escolaridade por UF (Ordenado)', fontsize=16)
plt.xlabel('Escolaridade', fontsize=14)
plt.ylabel('UF', fontsize=14)
plt.xticks(rotation=45, fontsize=12)
plt.yticks(fontsize=12)
plt.show()

# Configurar o estilo do Seaborn
sns.set(style="whitegrid")

# Ordenar o dataframe por Nome_UF em ordem alfabética
df = df_resp_familiar.sort_values(by="Nome_UF")

# Definir a paleta de cores manualmente
palette = {"Masculino": "skyblue", "Feminino": "lightcoral"}

# Criar o FacetGrid para o gráfico de sexo
g_sexo = sns.FacetGrid(df, col="Nome_UF", col_wrap=4, height=4, sharey=False, legend_out=True)
g_sexo.map_dataframe(
    sns.countplot,
    x="rf_sexo",
    hue="rf_sexo",
    palette=palette
)

# Ajustar os rótulos do eixo X e título
g_sexo.set_xticklabels(rotation=45, ha="right")
g_sexo.set_axis_labels("Sexo", "Quantidade")

# Criar a legenda manualmente fora do grid
handles = [plt.Line2D([0], [0], color="skyblue", lw=4, label="Masculino"),
           plt.Line2D([0], [0], color="lightcoral", lw=4, label="Feminino")]
plt.legend(handles=handles, title="Sexo", loc='upper right', bbox_to_anchor=(1.15, 1))

# Remover "Nome_UF = ..." e exibir apenas o nome do estado
for ax in g_sexo.axes.flat:
    titulo = ax.get_title().split('=')[1].strip()
    ax.set_title(titulo)

# Ajustar o layout e exibir o gráfico
plt.subplots_adjust(top=0.9, hspace=0.4, right=0.85)
g_sexo.fig.suptitle("Distribuição de Sexo por UF", fontsize=16)
plt.show()