Distribuição Racial do Brasil

demography

data science

tidyverse

ggplot2

visualizando a distribuição racial brasileira com ggplot2

Published

June 29, 2025

Introdução

O objetivo dessa ánalise é investigar a distribuição racial do Brasil em nível municipal utilizando dados do Sistema IBGE de Recuperação Automática - SIDRA, facilmente acessíveis no R utilizando o pacote sidrar.

Dados

Pacotes e Importação

Código

library(pacman)
pacman :: p_load (sidrar, geobr, tidyverse, janitor, sf, 
                  knitr, kableExtra, ggtext, showtext, DT, patchwork)

df <- 
  get_sidra(x = "9605", # número da tabela no Sidra 
            period = "2022", # ano de interesse 
            geo = "City") %>% # divisão administrativa
  clean_names() %>% 
  rename('code_muni' = 'municipio_codigo') # já renomeando para o join

shape <- geobr::read_municipality() # shapefile dos municípios

df_shape <- shape %>% 
  left_join(df %>% mutate(code_muni = as.numeric(code_muni)), 
             by = "code_muni") # une dfs pela coluna code_muni

Limpeza e Ánalise

Código

df_shape %>% 
  select(cor_ou_raca)

Simple feature collection with 33390 features and 1 field
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: -73.99045 ymin: -33.75208 xmax: -28.83609 ymax: 5.271841
Geodetic CRS:  SIRGAS 2000
First 10 features:
   cor_ou_raca                           geom
1        Total MULTIPOLYGON (((-62.2462 -1...
2       Branca MULTIPOLYGON (((-62.2462 -1...
3        Preta MULTIPOLYGON (((-62.2462 -1...
4      Amarela MULTIPOLYGON (((-62.2462 -1...
5        Parda MULTIPOLYGON (((-62.2462 -1...
6     Indígena MULTIPOLYGON (((-62.2462 -1...
7        Total MULTIPOLYGON (((-63.13712 -...
8       Branca MULTIPOLYGON (((-63.13712 -...
9        Preta MULTIPOLYGON (((-63.13712 -...
10     Amarela MULTIPOLYGON (((-63.13712 -...

O IBGE apresenta cinco classificações de cor/raça: Branca, Preta, Amarela, Parda, e Índigena. Para facilitar o entedimento dos dados, irei utilizar o pacote DT (que permite usar a biblioteca DataTables do Java no R) para criar uma tabela interativa com o percentual da população do munícipio pertecente a cada raça.

Código

# Calcular percentuais por município
tabela_percentuais <- df_shape %>%
  filter(cor_ou_raca != "Total") %>%  
  # Remove geometria
  st_drop_geometry() %>%
  # Seleciona apenas as colunas necessárias
  select(municipio, cor_ou_raca, valor) %>%
  # Remove valores NA
  filter(!is.na(valor), !is.na(cor_ou_raca)) %>%
  # Agrupa por município e calcula total e percentual
  group_by(municipio) %>%
  mutate(
    total_pop = sum(valor, na.rm = TRUE),
    percentual = round((valor / total_pop) * 100, 2)
  ) %>%
  ungroup() %>%
  # Pivota para ter uma coluna por raça
  select(municipio, cor_ou_raca, percentual) %>%
  pivot_wider(
    names_from = cor_ou_raca,
    values_from = percentual,
    values_fill = 0
  ) %>%
  # Ordena
  arrange(municipio)

tabela_percentuais %>%
  datatable(
     filter = 'top',
     options = list(
      pageLength = 20,
      scrollX = TRUE,
      dom = 'Bfrtip'
  ))

Visualizações

Visualizações me mapas cloropéticos facilitam o entendimento dos dados e nos ajudam a ver a realidade como um todo. O pacote geobr, utilizado anteriormente para criar o data frame shape, permite acesso fácil às geometrias do Brasil do maior ao menor nível administrativo. No caso dessa ánalise, é utilizado o shapefile de munícipios, vide:

Código

df_shape %>% 
  ggplot() +
  geom_sf()

Ademais, é possível produzir mapas cloropéticos que mostram a distribuição racial da população brasileira.

Código

font_add_google("Roboto", "roboto")
showtext_auto()
showtext_opts(dpi = 300)

brancos <- df_shape %>%
  # Filtrar apenas população branca e remover geometria primeiro
  st_drop_geometry() %>%
  filter(cor_ou_raca == "Branca") %>%
  # Calcular dados por município
  group_by(code_muni) %>%
  summarise(
    municipio = first(municipio),
    pop_branca = sum(valor, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  # Juntar com dados totais para calcular percentual
  left_join(
    df_shape %>%
      st_drop_geometry() %>%
      filter(cor_ou_raca != "Total") %>%
      group_by(code_muni) %>%
      summarise(pop_total = sum(valor, na.rm = TRUE), .groups = "drop"),
    by = "code_muni"
  ) %>%
  mutate(
    perc_branca = round((pop_branca / pop_total) * 100, 1)
  )

# Preparar geometrias separadamente
geometrias <- shape %>%
  # Corrigir geometrias inválidas
  st_make_valid() %>%
  select(code_muni, geom) # lidando com geometrias autointersectantes

# Juntar dados com geometrias
brancos <- geometrias %>%
  left_join(brancos, by = "code_muni")

p_brancos <- brancos %>% 
  ggplot() +
  
  # Camada dos municípios com gradiente de cor
  geom_sf(
    aes(fill = perc_branca),
    color = "transparent",
    size = 0.05
  ) +
  
  # Escala de
  scale_fill_gradient(
    name = "Pop. Branca por Munícipio",
    high = "#2C3E50",
    low = "#4CA1AF",
    na.value = "grey90",
    labels = function(x) paste0(x, "%"),
     guide = guide_colourbar(
      title.position = "bottom",
      title.hjust = 0.5,
      barwidth = unit(5, "cm"),
      barheight = unit(0.5, "cm")
    )
  ) +
  
  # Tema 
  theme_void() +
  theme(
    legend.position = "bottom",
    legend.margin = margin(b = 10), 
    plot.caption = element_text(
      size = 10, 
      color = "grey20",
      hjust = 0.5,
      family = "roboto")) +
  
  # Labs 
    labs(
    caption = "Fonte: IBGE/SIDRA | anabodevan.github.io")

p_brancos

Com a base dos dados e do gráfico pronto, basta substituir algumas variáveis para replicar os gráficos para outras raças

Código

pretos <- df_shape %>%
  # Filtrar apenas população preta e remover geometria primeiro
  st_drop_geometry() %>%
  filter(cor_ou_raca == "Preta") %>%
  # Calcular dados por município
  group_by(code_muni) %>%
  summarise(
    municipio = first(municipio),
    pop_preta = sum(valor, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  # Juntar com dados totais para calcular percentual
  left_join(
    df_shape %>%
      st_drop_geometry() %>%
      filter(cor_ou_raca != "Total") %>%
      group_by(code_muni) %>%
      summarise(pop_total = sum(valor, na.rm = TRUE), .groups = "drop"),
    by = "code_muni"
  ) %>%
  mutate(
    perc_preta = round((pop_preta / pop_total) * 100, 1)
  )

# Juntar dados com geometrias
pretos <- geometrias %>%
  left_join(pretos, by = "code_muni")

p_pretos <- pretos %>% 
  ggplot() +
  
  # Camada dos municípios com gradiente de cor
  geom_sf(
    aes(fill = perc_preta),
    color = "transparent",
    size = 0.05
  ) +
  
  # Escala de
  scale_fill_gradient(
    name = "Pop. Preta por Munícipio",
    low  = "#904e95",
    high = "#e96443",
    na.value = "grey90",
    labels = function(x) paste0(x, "%"),
    breaks = c(10, 30, 50),
    guide = guide_colourbar(
      title.position = "bottom",
      title.hjust = 0.5,
      barwidth = unit(5, "cm"),
      barheight = unit(0.5, "cm")
    )
  ) +
  
  # Tema 
  theme_void() +
  theme(
    legend.position = "bottom",
    legend.margin = margin(b = 20), 
    plot.caption = element_text(
      size = 10, 
      color = "grey20",
      hjust = 0.5,
      family = "roboto")) +
  
  # Labs 
    labs(
    caption = "Fonte: IBGE/SIDRA | anabodevan.github.io")

p_pretos

Código

pardos <- df_shape %>%
  # Filtrar apenas população preta e remover geometria primeiro
  st_drop_geometry() %>%
  filter(cor_ou_raca == "Parda") %>%
  # Calcular dados por município
  group_by(code_muni) %>%
  summarise(
    municipio = first(municipio),
    pop_parda = sum(valor, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  # Juntar com dados totais para calcular percentual
  left_join(
    df_shape %>%
      st_drop_geometry() %>%
      filter(cor_ou_raca != "Total") %>%
      group_by(code_muni) %>%
      summarise(pop_total = sum(valor, na.rm = TRUE), .groups = "drop"),
    by = "code_muni"
  ) %>%
  mutate(
    perc_parda = round((pop_parda / pop_total) * 100, 1)
  )

# Juntar dados com geometrias
pardos <- geometrias %>%
  left_join(pardos, by = "code_muni")

p_pardos <- pardos %>% 
  ggplot() +
  
  # Camada dos municípios com gradiente de cor
  geom_sf(
    aes(fill = perc_parda),
    color = "transparent",
    size = 0.05
  ) +
  
  # Escala de
  scale_fill_gradient(
    name = "Pop. Parda por Munícipio",
    low  = "#FFB75E",
    high = "#fd746c",
    na.value = "grey90",
    labels = function(x) paste0(x, "%"),
     guide = guide_colourbar(
      title.position = "bottom",
      title.hjust = 0.5,
      barwidth = unit(5, "cm"),
      barheight = unit(0.5, "cm")
    )
  ) +
  
  # Tema 
  theme_void() +
  theme(
    legend.position = "bottom",
    legend.margin = margin(b = 10), 
    plot.caption = element_text(
      size = 10, 
      color = "grey20",
      hjust = 0.5,
      family = "roboto")) +
  
  # Labs 
    labs(
    caption = "Fonte: IBGE/SIDRA | anabodevan.github.io")

p_pardos

Código

indigenas <- df_shape %>%
  # Filtrar apenas população preta e remover geometria primeiro
  st_drop_geometry() %>%
  filter(cor_ou_raca == "Indígena") %>%
  # Calcular dados por município
  group_by(code_muni) %>%
  summarise(
    municipio = first(municipio),
    pop_indigena = sum(valor, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  # Juntar com dados totais para calcular percentual
  left_join(
    df_shape %>%
      st_drop_geometry() %>%
      filter(cor_ou_raca != "Total") %>%
      group_by(code_muni) %>%
      summarise(pop_total = sum(valor, na.rm = TRUE), .groups = "drop"),
    by = "code_muni"
  ) %>%
  mutate(
    perc_indigena = round((pop_indigena / pop_total) * 100, 1)
  )

# Juntar dados com geometrias
indigenas <- geometrias %>%
  left_join(indigenas, by = "code_muni")

p_indigenas <- indigenas %>% 
  ggplot() +
  
  # Camada dos municípios com gradiente de cor
  geom_sf(
    aes(fill = perc_indigena),
    color = "transparent",
    size = 0.05
  ) +
  
  # Escala de
  scale_fill_gradient(
    name = "Pop. Indígena por Munícipio",
    high  = "#135058",
    low = "#F1F2B5",
    na.value = "grey90",
    labels = function(x) paste0(x, "%"),
     guide = guide_colourbar(
      title.position = "bottom",
      title.hjust = 0.5,
      barwidth = unit(5, "cm"),
      barheight = unit(0.5, "cm")
    )
  ) +
  
  # Tema 
  theme_void() +
  theme(
    legend.position = "bottom",
    legend.margin = margin(b = 10), 
    plot.caption = element_text(
      size = 10, 
      color = "grey20",
      hjust = 0.5,
      family = "roboto")) +
  
  # Labs 
    labs(
    caption = "Fonte: IBGE/SIDRA | anabodevan.github.io")

p_indigenas

Código

amarelos <- df_shape %>%
  # Filtrar apenas população preta e remover geometria primeiro
  st_drop_geometry() %>%
  filter(cor_ou_raca == "Amarela") %>%
  # Calcular dados por município
  group_by(code_muni) %>%
  summarise(
    municipio = first(municipio),
    pop_amarela = sum(valor, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  # Juntar com dados totais para calcular percentual
  left_join(
    df_shape %>%
      st_drop_geometry() %>%
      filter(cor_ou_raca != "Total") %>%
      group_by(code_muni) %>%
      summarise(pop_total = sum(valor, na.rm = TRUE), .groups = "drop"),
    by = "code_muni"
  ) %>%
  mutate(
    perc_amarela = round((pop_amarela / pop_total) * 100, 1)
  )

# Juntar dados com geometrias
amarelos <- geometrias %>%
  left_join(amarelos, by = "code_muni")

p_amarelos <- amarelos %>% 
  ggplot() +
  
  # Camada dos municípios com gradiente de cor
  geom_sf(
    aes(fill = perc_amarela),
    color = "transparent",
    size = 0.05
  ) +
  
  # Escala de
  scale_fill_gradient(
    name = "Pop. Amarela por Munícipio",
    high  = "#e65100",
    low =  "#FFF59D",
    na.value = "grey90",
    labels = function(x) paste0(x, "%"),
     guide = guide_colourbar(
      title.position = "bottom",
      title.hjust = 0.5,
      barwidth = unit(5, "cm"),
      barheight = unit(0.5, "cm")
    )
  ) +
  
  # Tema 
  theme_void() +
  theme(
    legend.position = "bottom",
    legend.margin = margin(b = 10), 
    plot.caption = element_text(
      size = 10, 
      color = "grey20",
      hjust = 0.5,
      family = "roboto")) +
  
  # Labs 
    labs(
    caption = "Fonte: IBGE/SIDRA | anabodevan.github.io")

p_amarelos

Código

ggsave("mapa1.png", plot = p_brancos, width = 8, height = 6, dpi = 300, bg = "white")
ggsave("mapa2.png", plot = p_pretos, width = 8, height = 6, dpi = 300, bg = "white")
ggsave("mapa3.png", plot = p_pardos, width = 8, height = 6, dpi = 300, bg = "white")
ggsave("mapa4.png", plot = p_indigenas, width = 8, height = 6, dpi = 300, bg = "white")
ggsave("mapa5.png", plot = p_amarelos, width = 8, height = 6, dpi = 300, bg = "white")