Oi Éder,
Eu havia ignorado essa opção "output=more"... Não cheguei a ver quantos
níveis de acurácia há agora. Você sabe: Na antiga eram oito:
c("País", "U. F.", "Município", "Cidade", "CEP",
"Rua", "Cruzamento", "Endereço")
Quando você fala em considerar apenas os primeiros dígitos, é possível
ver que isso diminui a acurácia apenas notando que dos 9183 CEPs
georeferenciados temos 6414 coordenadas únicas. Não sei o que essas
quase três mil repetições são...
Tentando a sua sugestão (usar primeiros 5 digitos), obtemos apenas dois
endereços com os 30 primeiros CEPs, enquanto que com os 8 dígitos temos
16 coordenadas diferentes. Mas isso é porque esses CEPs estão ordenados,
e os CEPs iniciando 80010 estão no início e vários deles apontam para a
central de distribuição dos correios. Ou seja, quanto aos dados públicos
do DATASUS, ao nível de CEP, não dá para fazer mais que isso... Os dados
completos, com nome de logradouro e número não são públicos, são mais
informativos.
Falando sobre o georeferenciamento de todos os endereços de Curitiba, os
meio milhão de endereços são referentes a cada domicílio. Como muitos
estão em condomínios, pode-se conseguir uma drástica redução. Além
disso, uma coisa que pode-se levar em conta é que os números das ruas de
Curitiba são e metros a partir do início da rua e se é a direita ou
esquerda da rua. O número 310 indica um endereço 310 metros a partir do
incício da rua à direita enquanto que 311 indica à esquerda. Geralmente
a ruas "nascem" do centro e vão para os extremos. Um algoritmo pensando
nessa estrutura pode ajudar a diminuir também o número de consultas.
Elias
On 04/05/15 21:53, Éder Comunello wrote:
Elias, boa tarde!
Fiz uns testes com o georreferenciamento por cep, usando
ggmap::geocode(). Na verdade, dá pra fazer uma avaliação da acurácia
pelos campos type e loctype retornados quando se utiliza a opção
"output=more". Pelo que pude entender, endereços "precisos/acurados"
são retornados com a indicação "street_address" em type e as demais
formas são aproximações. No entanto, códigos "postal_code" são
melhores que "postal_code_prefix".
### <code r>
require("ggmap")
# geocodeQueryCheck()
adr1 <- c('Rua Toshinobo Katayama, 178, Dourados, MS, Brazil,
79806-030', ### endereço completo
'Rua Toshinobo Katayama, 171, Dourados, MS', ### endereço
completo
'Dourados, MS, 79806-029', ### não
cadastrado, prefixo válido
'Dourados, MS, 79899-333', ### cep inexistente
'Dourados, MS, 79806', ### apenas prefixo
'Dourados, MS, 79806030', ### cep correto
'Dourados, MS, 79823460', ### cep correto
'Dourados, MS, 79804970') ### cep
correto, zona rural
res1 <- geocode(adr1, output="more")
res1[c(1:4, 10)]
# lon lat type loctype postal_code
# 1 -54.80372 -22.23004 street_address rooftop <NA>
# 2 -54.80460 -22.22413 street_address range_interpolated <NA>
# 3 -54.80027 -22.22395 postal_code_prefix approximate <NA>
# 4 -54.79138 -22.22623 bus_station approximate <NA>
# 5 -54.80027 -22.22395 postal_code_prefix approximate <NA>
# 6 -54.80409 -22.22820 postal_code approximate 79806-030
# 7 -54.83732 -22.21741 postal_code approximate 79823-460
# 8 -54.80988 -22.21471 postal_code_prefix approximate <NA>
### </code>
Testando apenas os primeiros 30 ceps do arquivo que você disponibilizou...
### <code r>
url0 <-
"http://leg.ufpr.br/~elias/tmp/cep_curitiba_cwb_georef_longlat.txt
<http://leg.ufpr.br/%7Eelias/tmp/cep_curitiba_cwb_georef_longlat.txt>"
tmp0 <- read.table(url0, head=T, nrows=30)
adr2 <- paste0("Curitiba, PR, Brazil, ", tmp0[,1])
res2 <- geocode(adr2, output="more")
cbind(tmp0, res2[c(1:4,10)])
table(res2$type)
# route postal_code_prefix postal_code
# 2 14 14
### </code>
Nesse pequeno teste, 16 consultas retornaram resultados muito
imprecisos (route , postal_code_prefix) e os demais são poucos
precisos (postal_code).
Desse modo, acredito que não há grande vantagem em consultar todos os
ceps e o número de consultas poderia ser diminuído consideravelmente
se eles fossem 'generalizados" . A opção mais radical seria fazer a
consulta pelos prefixos (primeiros 5 dígitos) e outras mais brandas
seriam algo do tipo:
df <- read.table(url0, head=T, nrows=1000)
df$cep2 <- round(df$cep/100)*100
un <- unique(df$cep2); length(un) # 135
Nesse caso seriam 135 consultas ao invés das 1000 iniciais, o que
facilitaria bem a tarefa. Logicamente, haveria uma perda ainda maior
de precisão/acurácia. Resta saber se a perda é tolerável/aceitável.
A descrição dos códigos está em
<https://developers.google.com/maps/documentation/geocoding/?csw=1>.
--
In God we trust, all others bring data.
– William Edwards Deming (1900-1993)
_______________________________________________
R-br mailing list
[email protected]
https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça código
mínimo reproduzível.
