A ciência de dados encontra a política. Desvendando o Congresso…

A ciência de dados encontra a política. Desvendando o Congresso...

Em primeiro lugar, precisamos de dados.

Baixei dados de todas as leis votadas e uma vez que cada membro do Congresso votou de 2023 a 2024 até 18 de maio. Todos os dados estão disponíveis no C Brasilianoportal de dados abertos do ongress. Criei portanto dois dataframes pandas diferentes, um com todas as leis votadas e outro com uma vez que cada parlamentar votou em cada votação.

votacoes = pd.concat([pd.read_csv('votacoes-2023.csv', header=0, sep=';'),  pd.read_csv('votacoes-2024.csv', header=0, sep=';')])
votacoes_votos_dep = pd.concat([pd.read_csv('votacoesVotos-2023.csv', sep=';', quoting=1) , pd.read_csv('votacoesVotos-2024.csv', sep=';', on_bad_lines='warn', quoting=1, encoding='utf-8')])

Para o votações dataframe, selecionei unicamente as entradas com idOrgao de 180, o que significa que foram votados na principal câmara do Congresso. Portanto, temos os dados dos votos da maioria dos congressistas. Portanto usei esta a lista dos votações_Ids para filtrar o votacoes_votos_dep quadro de dados.

plen = votacoes[votacoes['idOrgao'] == 180]
votacoes_ids = plen['id'].unique()
votacoes_votos_dep = votacoes_votos_dep[votacoes_votos_dep['idVotacao'].isin(votacoes_ids)]

Agora, no votacoes_votos_dep, cada voto é uma traço com o nome do parlamentar e o ID da sessão de votação para identificar a quem e a que se refere o voto. Portanto, criei uma tábua dinâmica para que cada traço represente um parlamentar e cada pilar se refira a uma votação, codificando Sim uma vez que 1 e Não uma vez que 0 e descartando qualquer votação onde mais de Sua visita nos ajuda a continuar oferecendo o melhor para você! deputados não votaram.

votacoes_votos_dep['voto_numerico'] = votacoes_votos_dep['voto'].map({'Sim': 1, 'Não':0})
votes_pivot = votacoes_votos_dep.pivot_table(índice='deputado_nome', columns='idVotacao', values='voto_numerico').dropna(axis=1, thresh=280)

Antes de calcular a matriz de similaridade, preenchi todos os NAs restantes com 0,5 para não interferir no posicionamento do parlamentar. Por término, calculamos a similaridade entre os vetores de cada deputado usando similaridade de cosseno e armazenamos em um dataframe.

from sklearn.metrics.pairwise import cosine_similarity
similarity_matrix = cosine_similarity(votes_pivot)
similarity_df = pd.DataFrame(similarity_matrix, índice=votes_pivot.índice, columns=votes_pivot.índice)
Matriz de Similaridade – Imagem do Responsável

Agora, use as informações sobre as semelhanças de votação entre os parlamentares para erigir uma rede usando Networkx. Um nó representará cada membro.

import networkx as nx

names = similarity_df.columns
# Create the graph as before
G = nx.Graph()
for i, name in enumerate(names):
G.add_node(name)

Portanto, as arestas que conectam dois nós representam uma semelhança de pelo menos 75% do comportamento de voto dos dois congressistas. Outrossim, para abordar o indumento de que alguns congressistas têm dezenas de pares com altos graus de similaridade, selecionei unicamente os primeiros 25 congressistas com maior similaridade para receberem uma vantagem.

threshold = 0.75
for i in range(len(similarity_matrix)):
for j in Sua visita nos ajuda a continuar oferecendo o melhor para você! + 1, len(similarity_matrix)):
if similarity_matrix[i][j] > threshold:
# G.add_edge(names[i], names[j], weight=similarity_matrix[i][j])
counter[names[i]].append((names[j], similarity_matrix[i][j]))
for source, target in counter.items():
selected_targets = sorted(target, key=lambda x: x[1], reverse=True)[:26]
for target, weight in selected_targets:
G.add_edge(source, target, weight=weight)

Para visualizar a rede, é necessário deliberar a posição de cada nó no projecto. Decidi usar o layout de mola, que usa as bordas uma vez que molas que mantêm os nós próximos enquanto tentamos separá-los. Somar uma semente permite a reprodutibilidade, pois é um processo aleatório.

pos = nx.spring_layout(G, k=0.1,  iterations=50, seed=29)

Finalmente, plotamos a rede usando uma figura Go e adicionamos individualmente as arestas e nós com base em sua posição.


# Create Edges
edge_x = []
edge_y = []
for edge in G.edges():
x0, y0 = pos[edge[0]]
x1, y1 = pos[edge[1]]
edge_x.extend([x0, x1, None])
edge_y.extend([y0, y1, None])

# Add edges as a scatter plot
edge_trace = go.Scatter(x=edge_x, y=edge_y, line=dict(width=0.5, color='#888'), hoverinfo='none', mode='lines')
# Create Nodes
node_x = []
node_y = []
for node in G.nodes():
x, y = pos[node]
node_x.append(x)
node_y.append(y)

# Add nodes as a scatter plot
node_trace = go.Scatter(x=node_x, y=node_y, mode='markers+text', hoverinfo='text', marker=dict(showscale=True, colorscale='YlGnBu', size=10, color=[], line_width=2))

# Add text to the nodes
node_trace.text = list(G.nodes())

# Create a figure
fig = go.Figure(data=[edge_trace, node_trace],
layout=go.Layout(showlegend=False, hovermode='closest', margin=dict(b=0,l=0,r=0,t=0), xaxis=dict(showgrid=False, zeroline=False, showticklabels=False), yaxis=dict(showgrid=False, zeroline=False, showticklabels=False)))

fig.show()

Sua visita nos ajuda a continuar oferecendo o melhor para você! pc hv pu pe pf pg pv pi pj pk pw pm pn po px pq pr ps gn bk">Resultado:

Imagem do responsável

Muito, é um bom início. Podem ser observados diferentes grupos de congressistas, o que sugere que tomada com precisão o alinhamento político e as alianças no Congresso. Mas está uma bagunça e é impossível discernir realmente o que está acontecendo.

Para melhorar a visualização, fiz o nome brotar unicamente quando você passa o mouse sobre o nó. Outrossim, colori os nós de harmonia com os partidos políticos e coligações disponíveis no site do Congresso e dimensionei-os com base em quantas arestas eles estão conectados.

Imagem do responsável

É muito melhor. Temos três clusters, com alguns nós entre eles e alguns maiores em cada um. Outrossim, em cada cluster, há uma maioria de uma cor específica. Muito, vamos dissecá-lo.

Tags:

Crédito: Natividade Original

Adriano Pina

Adriano Pina

Análise de Sistemas | SEO e Google Ads | Fundador da Loja Script PHP Aqui & Marca Shoslh de tecnologia

Especialista em transformar ideias em soluções digitais e acelerar o crescimento online.

Deixe um comentário

Tem perguntas? Nos envia sua mensagem 24/7!

(17) 99100-0874

Endereço & Contato

Centro, Interior de São Paulo
E-mail: [email protected]

Links Úteis
BAIXAR APP | SCRIPT PHP AQUI
Certificados
0
    0
    Seu carrinho
    Seu carrinho está vazio

    Usamos cookies para garantir que oferecemos a melhor experiência em nosso site. 

       

    X

    Clique em um de nossos representantes abaixo para conversar no WhatsApp ou envie um email para: 📧 [email protected]

    Precisa de ajuda fale conosco?