lgelape/vereadores_jovens_2020.R

## vereadores_jovens_2020.R
### Pacotes
library(eleicoesmun2020)
library(electionsBR)
library(dplyr)
library(stringr)
library(lubridate)
library(stringi)
library(tidyr)

### Funcoes gerais

# Fazer o arredondamento de .5 corretamente
round2 = function(x, n) {
  posneg = sign(x)
  z = abs(x)*10^n
  z = z + 0.5 + sqrt(.Machine$double.eps)
  z = trunc(z)
  z = z/10^n
  z*posneg
}

# Arredondar para duas casas decimais
arredondar2 <- function(x){round2(x, 2)}

###################################################################################################

##### CADEIRAS

### Pegar numero de cadeiras para ver se batem e temos todos os eleitos
cadeiras_2012 <- seats_local(2012) %>%
  filter(DESCRICAO_ELEICAO == "ELEIÇÃO MUNICIPAL 2012") %>%
  group_by(DESCRICAO_CARGO) %>%
  summarise(cadeiras = sum(QTDE_VAGAS)) %>%
  ungroup()
cadeiras_2016 <- seats_local(2016) %>%
  filter(DESCRICAO_ELEICAO == "Eleições Municipais 2016") %>%
  group_by(DESCRICAO_CARGO) %>%
  summarise(cadeiras = sum(QTDE_VAGAS)) %>%
  ungroup()
cadeiras_2020 <- seats_local(2020) %>%
  group_by(DESCRICAO_CARGO) %>%
  summarise(cadeiras = sum(QTDE_VAGAS)) %>%
  ungroup()

###################################################################################################

##### ELEITORADO

# Abre a lista com os bancos de eleitorado por municipio
load("eleitorado_2000_2016_mun.RData")

# Salva cada banco de eleitorado em eleicoes municipais num objeto, incluindo a informacao ANO_ELEICAO
eleitorado2012 <- bancos_eleitorado[[7]] %>%
  mutate(ANO_ELEICAO = "2012") %>%
  mutate(FAIXA_ELEITORADO = case_when(ELEITORADO <= 10000 ~ "ate 10.000",
                                      ELEITORADO > 10000 & ELEITORADO <= 50000 ~ "entre 10.001-50.000",
                                      ELEITORADO > 50000 & ELEITORADO <= 200000 ~ "entre 50.000-200.000",
                                      ELEITORADO > 200000 ~ "Mais que 200.000"))
eleitorado2016 <- bancos_eleitorado[[9]] %>%
  mutate(ANO_ELEICAO = "2016") %>%
  mutate(FAIXA_ELEITORADO = case_when(ELEITORADO <= 10000 ~ "ate 10.000",
                                      ELEITORADO > 10000 & ELEITORADO <= 50000 ~ "entre 10.001-50.000",
                                      ELEITORADO > 50000 & ELEITORADO <= 200000 ~ "entre 50.000-200.000",
                                      ELEITORADO > 200000 ~ "Mais que 200.000"))
# Remove o objeto com todos os eleitorados
rm(bancos_eleitorado)

eleitorado2020 <- voter_profile(2020)
eleitorado2020 <- eleitorado2020 %>%
  mutate(CD_MUNICIPIO = str_pad(CD_MUNICIPIO, 5,  side = "left", pad = "0")) %>%
  rename(SIGLA_UE = CD_MUNICIPIO) %>%
  group_by(SIGLA_UE) %>%
  summarise(ELEITORADO = sum(QT_ELEITORES_PERFIL)) %>%
  ungroup() %>%
  mutate(FAIXA_ELEITORADO = case_when(ELEITORADO <= 10000 ~ "ate 10.000",
                                      ELEITORADO > 10000 & ELEITORADO <= 50000 ~ "entre 10.001-50.000",
                                      ELEITORADO > 50000 & ELEITORADO <= 200000 ~ "entre 50.000-200.000",
                                      ELEITORADO > 200000 ~ "Mais que 200.000"))

###################################################################################################

##### CANDIDATOS

### 2012

# Falta o prefeito eleito em 2012 em Bom Jesus de Goias (SIGLA_UE == 92690)
# Tem todos os vereadores
candidatos2012 <- candidate_local(2012) %>%
  filter(DESCRICAO_ELEICAO == "ELEIÇÃO MUNICIPAL 2012") %>%
  select(SIGLA_UF, SIGLA_UE, CODIGO_CARGO, CPF_CANDIDATO, SEQUENCIAL_CANDIDATO, SIGLA_PARTIDO,
         COMPOSICAO_LEGENDA, NOME_COLIGACAO, CODIGO_OCUPACAO, DESCRICAO_SEXO, DESCRICAO_GRAU_INSTRUCAO,
         DESC_SIT_TOT_TURNO, DATA_NASCIMENTO) %>%
  mutate(DESC_SIT_TOT_TURNO = ifelse(DESC_SIT_TOT_TURNO == "ELEITO POR MÉDIA", "ELEITO", DESC_SIT_TOT_TURNO),
         DESC_SIT_TOT_TURNO = ifelse(DESC_SIT_TOT_TURNO == "ELEITO POR QP", "ELEITO", DESC_SIT_TOT_TURNO)) %>%
  mutate(DATA_NASCIMENTO = str_replace_all(DATA_NASCIMENTO, "/", ""),
         DATA_NASCIMENTO = dmy(DATA_NASCIMENTO),
         IDADE = interval(DATA_NASCIMENTO, dmy(07102012))/years(1),
         IDADE = ifelse(IDADE > 110, NA, IDADE)) %>%
  mutate(IDADE_CATEGORIA = case_when(IDADE >= 17 & IDADE < 30 ~ "Até 29",
                                     IDADE >= 30 & IDADE < 40 ~ "30-39",
                                     IDADE >= 40 & IDADE < 50 ~ "40-49",
                                     IDADE >= 50 & IDADE < 60 ~ "50-59",
                                     IDADE >= 60 ~ "60+"))

candidatos2012 <- candidatos2012 %>%
  left_join(eleitorado2012)

### 2016

candidatos2016 <- candidate_local(2016) %>%
  filter(DESCRICAO_ELEICAO == "Eleições Municipais 2016") %>%
  select(SIGLA_UF, SIGLA_UE, CODIGO_CARGO, CPF_CANDIDATO, SEQUENCIAL_CANDIDATO, SIGLA_PARTIDO,
         COMPOSICAO_LEGENDA, NOME_COLIGACAO, CODIGO_OCUPACAO, DESCRICAO_SEXO, DESCRICAO_GRAU_INSTRUCAO,
         DESC_SIT_TOT_TURNO, DATA_NASCIMENTO) %>%
  mutate(DESC_SIT_TOT_TURNO = ifelse(DESC_SIT_TOT_TURNO == "ELEITO POR MÉDIA", "ELEITO", DESC_SIT_TOT_TURNO),
         DESC_SIT_TOT_TURNO = ifelse(DESC_SIT_TOT_TURNO == "ELEITO POR QP", "ELEITO", DESC_SIT_TOT_TURNO)) %>%
  mutate(DATA_NASCIMENTO = str_replace_all(DATA_NASCIMENTO, "/", ""),
         DATA_NASCIMENTO = dmy(DATA_NASCIMENTO),
         IDADE = interval(DATA_NASCIMENTO, dmy(02102016))/years(1),
         IDADE = ifelse(IDADE > 110, NA, IDADE)) %>%
  mutate(IDADE_CATEGORIA = case_when(IDADE >= 17 & IDADE < 30 ~ "Até 29",
                                     IDADE >= 30 & IDADE < 40 ~ "30-39",
                                     IDADE >= 40 & IDADE < 50 ~ "40-49",
                                     IDADE >= 50 & IDADE < 60 ~ "50-59",
                                     IDADE >= 60 ~ "60+"))

candidatos2016 <- candidatos2016 %>%
  left_join(eleitorado2016)

### 2020

#Abre os dados de candidatos
candidatos2020 <- read.csv2("consulta_cand_2020_BRASIL_27112020.csv",
                             stringsAsFactors = F, fileEncoding = "latin1") %>%
   mutate(SG_UE = str_pad(SG_UE, 5,  side = "left", pad = "0")) %>%
  # Uniformiza nomes de variaveis
   rename(DATA_GERACAO = DT_GERACAO, HORA_GERACAO = HH_GERACAO, NUM_TURNO = NR_TURNO, DESCRICAO_ELEICAO = DS_ELEICAO,
          DESCRICAO_ELEICAO = DS_ELEICAO, SIGLA_UF = SG_UF, SIGLA_UE = SG_UE, DESCRICAO_UE = NM_UE,
          CODIGO_CARGO = CD_CARGO, DESCRICAO_CARGO = DS_CARGO, SEQUENCIAL_CANDIDATO = SQ_CANDIDATO,
          CPF_CANDIDATO = NR_CPF_CANDIDATO, COD_SITUACAO_CANDIDATURA = CD_SITUACAO_CANDIDATURA,
          DESC_SITUACAO_CANDIDATURA = DS_SITUACAO_CANDIDATURA, SIGLA_PARTIDO = SG_PARTIDO,
          COMPOSICAO_LEGENDA = DS_COMPOSICAO_COLIGACAO, DATA_NASCIMENTO = DT_NASCIMENTO,
          IDADE_DATA_POSSE = NR_IDADE_DATA_POSSE, NUM_TITULO_ELEITORAL = NR_TITULO_ELEITORAL_CANDIDATO,
          DESCRICAO_SEXO = DS_GENERO, DESCRICAO_GRAU_INSTRUCAO = DS_GRAU_INSTRUCAO,
          DESCRICAO_ESTADO_CIVIL = DS_ESTADO_CIVIL, DESCRICAO_COR_RACA = DS_COR_RACA,
          CODIGO_OCUPACAO = CD_OCUPACAO, DESCRICAO_OCUPACAO = DS_OCUPACAO, DESC_SIT_TOT_TURNO = DS_SIT_TOT_TURNO) %>%
   select(SIGLA_UF, SIGLA_UE, CODIGO_CARGO, CPF_CANDIDATO, SEQUENCIAL_CANDIDATO, DATA_NASCIMENTO,  DS_DETALHE_SITUACAO_CAND,
          DESCRICAO_COR_RACA, SIGLA_PARTIDO, DESCRICAO_SEXO, DESCRICAO_GRAU_INSTRUCAO, DESC_SIT_TOT_TURNO) %>%
   mutate(DESC_SIT_TOT_TURNO = ifelse(DESC_SIT_TOT_TURNO == "ELEITO POR MÉDIA", "ELEITO", DESC_SIT_TOT_TURNO),
          DESC_SIT_TOT_TURNO = ifelse(DESC_SIT_TOT_TURNO == "ELEITO POR QP", "ELEITO", DESC_SIT_TOT_TURNO)) %>%
   mutate(DATA_NASCIMENTO = str_replace_all(DATA_NASCIMENTO, "/", ""),
          DATA_NASCIMENTO = dmy(DATA_NASCIMENTO),
          IDADE = interval(DATA_NASCIMENTO, dmy(15112020))/years(1),
          IDADE = ifelse(IDADE > 110, NA, IDADE)) %>%
   mutate(CPF_CANDIDATO = as.character(CPF_CANDIDATO),
          CODIGO_CARGO = as.character(CODIGO_CARGO),
          CODIGO_OCUPACAO = as.character(CODIGO_OCUPACAO),
          SEQUENCIAL_CANDIDATO = as.character(SEQUENCIAL_CANDIDATO)) %>%
   mutate(IDADE_CATEGORIA = case_when(IDADE >= 17 & IDADE < 30 ~ "Até 29",
                                      IDADE >= 30 & IDADE < 40 ~ "30-39",
                                      IDADE >= 40 & IDADE < 50 ~ "40-49",
                                      IDADE >= 50 & IDADE < 60 ~ "50-59",
                                      IDADE >= 60 ~ "60+"))

# Une os bancos de candidatos, eleitorado e apuracao
candidatos2020 <- candidatos2020 %>%
  left_join(eleitorado2020)

###################################################################################################

# Identifica as capitais
capitais <- select(candidatos2020, SIGLA_UF, SIGLA_UE)  %>%
  mutate(CAPITAL = ifelse(SIGLA_UE %in% c("00035", "01392", "02550", "04278", "06050", "73440",
                                          "12190", "13897", "16250", "17612", "19399", "20516", "25313", "27855", "31054", "38490",
                                          "41238", "57053", "60011", "71072",
                                          "90514", "90670", "93734",
                                          "75353", "81051", "88013"), T, F)) %>%
  select(SIGLA_UE, CAPITAL) %>%
  distinct()

candidatos2012 <- left_join(candidatos2012, capitais)
candidatos2016 <- left_join(candidatos2016, capitais)
candidatos2020 <- left_join(candidatos2020, capitais)

###################################################################################################

##### RESULTADOS

vereadores_apuracao <- eleicoesmun2020::download_uf(estado = "todos", cargo = "vereador", verbose = TRUE)
prefeitos_apuracao <- eleicoesmun2020::download_uf(estado = "todos", cargo = "prefeito", verbose = TRUE)

apuracao2020 <- bind_rows(prefeitos_apuracao, vereadores_apuracao) %>%
  select(uf, cargo, raiz_cdabr, cand_sqcand, cand_n, cand_cc, cand_e, cand_st, cand_dvt, cand_vap) %>%
  rename(SIGLA_UF = uf, DESCRICAO_CARGO = cargo, SIGLA_UE = raiz_cdabr, SEQUENCIAL_CANDIDATO = cand_sqcand,
         NUMERO_CANDIDATO = cand_n, ELEITO = cand_e, RESULTADO = cand_st,
         DESC_SITUACAO_CANDIDATURA = cand_dvt, VOTOS = cand_vap) %>%
  mutate(VOTOS = as.numeric(VOTOS))

candidatos2020 <- left_join(candidatos2020, apuracao2020)

###################################################################################################

##### BANCOS DE ANALISE

# Funcao para filtrar vereadores eleitos
filtrar_vereadores_eleitos <- function(banco, partido){

  banco <- banco %>%
    filter(SIGLA_PARTIDO == partido,
           DESC_SIT_TOT_TURNO == "ELEITO",
           CODIGO_CARGO == 13)

}

# Funcao para filtrar candidaturas deferidas
filtrar_vereadores_candidaturas <- function(banco, partido){

  banco <- banco %>%
    filter(DS_DETALHE_SITUACAO_CAND != "RENÚNCIA" | DS_DETALHE_SITUACAO_CAND != "CANCELADO" |
             DS_DETALHE_SITUACAO_CAND != "CASSADO" | DS_DETALHE_SITUACAO_CAND != "FALECIDO" |
             DS_DETALHE_SITUACAO_CAND != "INDEFERIDO" | DS_DETALHE_SITUACAO_CAND != "PEDIDO NÃO CONHECIDO",
           CODIGO_CARGO == 13,
           SIGLA_PARTIDO == partido)

}

# ELEITOS PELO PT (2012-2020)
eleitos_PT <- list()
eleitos_PT[["2012"]] <- filtrar_vereadores_eleitos(candidatos2012, "PT")
eleitos_PT[["2016"]] <- filtrar_vereadores_eleitos(candidatos2016, "PT")
eleitos_PT[["2020"]] <- filtrar_vereadores_eleitos(candidatos2020, "PT")

# ELEITOS
eleitos_2020 <- list()
partidos <- sort(unique(candidatos2020$SIGLA_PARTIDO))

for(partido in partidos){

  eleitos_2020[[partido]]    <- filtrar_vereadores_eleitos(candidatos2020, partido)
  print(partido)

}

# CANDIDATOS
candidatos_2020 <- list()
for(partido in partidos){

  candidatos_2020[[partido]] <- filtrar_vereadores_candidaturas(candidatos2020, partido)
  print(partido)

}

###################################################################################################

### TOTAL DE ELEITOS
candidatos2020 %>%
  filter(CODIGO_CARGO == 13,
         DESC_SIT_TOT_TURNO == "ELEITO") %>%
  summarise(numero = n())

###################################################################################################

##### IDADE

# Funcao para gerar tabela com o percentual de candidatos em cada faixa etaria
tabela_idade <- function(banco, variavel){

  banco <- banco %>%
    group_by(IDADE_CATEGORIA) %>%
    summarise(numero = n()) %>%
    ungroup() %>%
    mutate(percentual = arredondar2(100*(numero/sum(numero)))) %>%
    select(-numero)

  names(banco) <- c("IDADE_CATEGORIA", variavel)

  return(banco)

}

idade_partido <- list()
idade_2020 <- tibble(IDADE_CATEGORIA = c("Até 29", "30-39", "40-49", "50-59", "60+"))
for(partido in partidos){

  idade_partido[[partido]] <- tabela_idade(eleitos_2020[[partido]], partido)
  idade_2020 <- left_join(idade_2020, idade_partido[[partido]])
  print(partido)

}

### PROPORCAO DE ELEITOS JOVENS
idade_geral_2020 <- candidatos2020 %>%
  filter(CODIGO_CARGO == 13,
         DESC_SIT_TOT_TURNO == "ELEITO") %>%
  group_by(IDADE_CATEGORIA) %>%
  summarise(numero = n()) %>%
  ungroup() %>%
  mutate(percentual = arredondar2(100*(numero/sum(numero)))) %>%
  select(-numero)  %>%
  rename(`2020` = percentual)

idade_geral_2016 <- candidatos2016 %>%
  filter(CODIGO_CARGO == 13,
         DESC_SIT_TOT_TURNO == "ELEITO") %>%
  group_by(IDADE_CATEGORIA) %>%
  summarise(numero = n()) %>%
  ungroup() %>%
  mutate(percentual = arredondar2(100*(numero/sum(numero)))) %>%
  select(-numero) %>%
  rename(`2016` = percentual)

idade_geral_2012 <- candidatos2012 %>%
  filter(CODIGO_CARGO == 13,
         DESC_SIT_TOT_TURNO == "ELEITO") %>%
  group_by(IDADE_CATEGORIA) %>%
  summarise(numero = n()) %>%
  ungroup() %>%
  mutate(percentual = arredondar2(100*(numero/sum(numero)))) %>%
  select(-numero) %>%
  rename(`2012` = percentual)

idade_geral <- left_join(idade_geral_2012, idade_geral_2016) %>%
  left_join(idade_geral_2020) %>%
  filter(!is.na(IDADE_CATEGORIA))

###################################################################################################

### PERCENTUAL DE JOVENS NOVO, PSOL, REDE E PSL
idade_2020 %>%
  pivot_longer(cols = 2:34, names_to = "partido") %>%
  filter(IDADE_CATEGORIA == "Até 29") %>%
  filter(partido %in% c("NOVO", "REDE", "PSOL", "PSL")) %>%
  select(-IDADE_CATEGORIA) %>%
  arrange(desc(value))

# MEDIA DOS DEMAIS
idade_2020 %>%
  pivot_longer(cols = 2:34, names_to = "partido") %>%
  filter(IDADE_CATEGORIA == "Até 29") %>%
  filter(!partido %in% c("NOVO", "REDE", "PSOL", "PSL")) %>%
  summarise(value = mean(value, na.rm = T))

###################################################################################################

## TOTAL DE ELEITOS DE NOVO, PSOL E REDE - E PERCENTUAL EM RELACAO AO TOTAL DE CANDIDATURAS
candidatos2020 %>%
  filter(CODIGO_CARGO == 13,
         DESC_SIT_TOT_TURNO == "ELEITO") %>%
  filter(IDADE_CATEGORIA == "Até 29") %>%
  group_by(SIGLA_PARTIDO) %>%
  summarise(numero = n()) %>%
  ungroup() %>%
  filter(SIGLA_PARTIDO %in% c("NOVO", "REDE", "PSOL"))

candidatos2020 %>%
  filter(CODIGO_CARGO == 13,
         DESC_SIT_TOT_TURNO == "ELEITO") %>%
  group_by(SIGLA_PARTIDO) %>%
  summarise(numero = n()) %>%
  ungroup() %>%
  mutate(percentual = arredondar2(100*(numero/sum(numero)))) %>%
  filter(SIGLA_PARTIDO %in% c("NOVO", "REDE", "PSOL"))

###################################################################################################

## VOTOS NOMINAIS EM MUNICIPIOS COM 200 MIL HABITANTES OU MAIS

### VOTACAO DE NOVO, REDE E PSOL EM CADA FAIXA DE ELEITORADO
candidatos2020 %>%
  filter(CODIGO_CARGO == 13) %>%
  group_by(SIGLA_PARTIDO, FAIXA_ELEITORADO) %>%
  summarise(VOTACAO = sum(VOTOS, na.rm = T)) %>%
  ungroup() %>%
  group_by(SIGLA_PARTIDO) %>%
  mutate(percentual = arredondar2(100*(VOTACAO/sum(VOTACAO)))) %>%
  ungroup() %>%
  filter(SIGLA_PARTIDO %in% c("NOVO", "REDE", "PSOL"))

eleitorado2020 %>%
  group_by(FAIXA_ELEITORADO) %>%
  summarise(ELEITORES = sum(ELEITORADO, na.rm = T)) %>%
  ungroup() %>%
  mutate(percentual = arredondar2(100*(ELEITORES/sum(ELEITORES))))

###################################################################################################

### SEXO E RACA DOS VEREADORES JOVENS DE NOVO, PSOL E REDE

eleitos_2020[["PSOL"]] %>%
  group_by(DESCRICAO_SEXO, DESCRICAO_COR_RACA, IDADE_CATEGORIA) %>%
  summarise(numero = n()) %>%
  ungroup() %>%
  group_by(IDADE_CATEGORIA) %>%
  mutate(total_faixa = sum(numero)) %>%
  ungroup() %>%
  mutate(percentual = arredondar2(100*(numero/total_faixa))) %>%
  filter(IDADE_CATEGORIA == "Até 29")

eleitos_2020[["NOVO"]] %>%
  group_by(DESCRICAO_SEXO, DESCRICAO_COR_RACA, IDADE_CATEGORIA) %>%
  summarise(numero = n()) %>%
  ungroup() %>%
  group_by(IDADE_CATEGORIA) %>%
  mutate(total_faixa = sum(numero)) %>%
  ungroup() %>%
  mutate(percentual = arredondar2(100*(numero/total_faixa))) %>%
  filter(IDADE_CATEGORIA == "Até 29")

eleitos_2020[["REDE"]] %>%
  group_by(DESCRICAO_SEXO, DESCRICAO_COR_RACA, IDADE_CATEGORIA) %>%
  summarise(numero = n()) %>%
  ungroup() %>%
  group_by(IDADE_CATEGORIA) %>%
  mutate(total_faixa = sum(numero)) %>%
  ungroup() %>%
  mutate(percentual = arredondar2(100*(numero/total_faixa))) %>%
  filter(IDADE_CATEGORIA == "Até 29")

###################################################################################################

### FAIXA ETARIA DOS ELEITOS PELO PT (2012-2020)
idade_pt2012 <- tabela_idade(eleitos_PT[["2012"]], "2012")
idade_pt2016 <- tabela_idade(eleitos_PT[["2016"]], "2016")
idade_pt2020 <- tabela_idade(eleitos_PT[["2020"]], "2020")
idade_pt <- left_join(idade_pt2012, idade_pt2016) %>%
  left_join(idade_pt2020)

###################################################################################################

##### IDADE E ELEITORADO

# Funcao para gerar tabela de faixa de idade e eleitorado
tabela_idade_eleitorado <- function(banco, variavel){

  banco <- banco %>%
    group_by(FAIXA_ELEITORADO, IDADE_CATEGORIA) %>%
    summarise(numero = n()) %>%
    ungroup() %>%
    group_by(FAIXA_ELEITORADO) %>%
    mutate(total_faixa = sum(numero)) %>%
    ungroup() %>%
    mutate(percentual = arredondar2(100*(numero/total_faixa))) %>%
    select(-c(numero, total_faixa))

  names(banco) <- c("FAIXA_ELEITORADO", "IDADE_CATEGORIA", variavel)

  return(banco)

}

### PT: FAIXA ETARIA DOS ELEITOS EM CIDADES COM MAIS DE 200 MIL ELEITORES
idade_pt2012 <- tabela_idade_eleitorado(eleitos_PT[["2012"]], "2012")
idade_pt2016 <- tabela_idade_eleitorado(eleitos_PT[["2016"]], "2016")
idade_pt2020 <- tabela_idade_eleitorado(eleitos_PT[["2020"]], "2020")
idade_eleitorado_pt <- left_join(idade_pt2012, idade_pt2016) %>%
  left_join(idade_pt2020) %>%
  filter(FAIXA_ELEITORADO == "Mais que 200.000")

###################################################################################################

### IDADE E CAPITAIS

# Funcao
tabela_idade_capitais <- function(banco, variavel){

  banco <- banco %>%
    group_by(CAPITAL, IDADE_CATEGORIA) %>%
    summarise(numero = n()) %>%
    ungroup() %>%
    group_by(CAPITAL) %>%
    mutate(total_faixa = sum(numero)) %>%
    ungroup() %>%
    mutate(percentual = arredondar2(100*(numero/total_faixa))) %>%
    select(-c(numero, total_faixa))

  names(banco) <- c("CAPITAL", "IDADE_CATEGORIA", variavel)

  return(banco)

}

# PT: FAIXA ETARIA DE VEREADORES CAPITAIS
idade_capitais_pt2012 <- tabela_idade_capitais(eleitos_PT[["2012"]], "2012")
idade_capitais_pt2016 <- tabela_idade_capitais(eleitos_PT[["2016"]], "2016")
idade_capitais_pt2020 <- tabela_idade_capitais(eleitos_PT[["2020"]], "2020")
idade_capitais_pt <- left_join(idade_capitais_pt2012, idade_capitais_pt2016) %>%
  left_join(idade_capitais_pt2020) %>%
  arrange(IDADE_CATEGORIA) %>%
  filter(IDADE_CATEGORIA == "Até 29")

###################################################################################################

# PT: PERCENTUAL DE MULHERES ELEITAS ATÉ 29 ANOS
eleitos_2020[["PT"]] %>%
  group_by(IDADE_CATEGORIA, DESCRICAO_SEXO) %>%
  summarise(numero = n()) %>%
  ungroup() %>%
  group_by(IDADE_CATEGORIA) %>%
  mutate(total_faixa = sum(numero)) %>%
  ungroup() %>%
  mutate(percentual = arredondar2(100*(numero/total_faixa)))

# PT: MULHERES JOVENS NOS MUNICIPIOS COM MAIS DE 200 MIL ELEITORES
eleitos_2020[["PT"]] %>%
  group_by(FAIXA_ELEITORADO, DESCRICAO_SEXO, IDADE_CATEGORIA) %>%
  summarise(numero = n()) %>%
  ungroup() %>%
  group_by(FAIXA_ELEITORADO, IDADE_CATEGORIA) %>%
  mutate(total_faixa = sum(numero)) %>%
  ungroup() %>%
  mutate(percentual = arredondar2(100*(numero/total_faixa))) %>%
  filter(IDADE_CATEGORIA == "Até 29",
         FAIXA_ELEITORADO == "Mais que 200.000")

# PT: SEXI E RACA EM MUNICIPIOS COM MAIS DE 200 MIL ELEITORES
eleitos_2020[["PT"]] %>%
  group_by(FAIXA_ELEITORADO, DESCRICAO_SEXO, DESCRICAO_COR_RACA, IDADE_CATEGORIA) %>%
  summarise(numero = n()) %>%
  ungroup() %>%
  group_by(FAIXA_ELEITORADO, IDADE_CATEGORIA) %>%
  mutate(total_faixa = sum(numero)) %>%
  ungroup() %>%
  mutate(percentual = arredondar2(100*(numero/total_faixa))) %>%
  filter(IDADE_CATEGORIA == "Até 29",
         FAIXA_ELEITORADO == "Mais que 200.000")
	### Pacotes
	library(eleicoesmun2020)
	library(electionsBR)
	library(dplyr)
	library(stringr)
	library(lubridate)
	library(stringi)
	library(tidyr)

	### Funcoes gerais

	# Fazer o arredondamento de .5 corretamente
	round2 = function(x, n) {
	posneg = sign(x)
	z = abs(x)*10^n
	z = z + 0.5 + sqrt(.Machine$double.eps)
	z = trunc(z)
	z = z/10^n
	z*posneg
	}

	# Arredondar para duas casas decimais
	arredondar2 <- function(x){round2(x, 2)}

	###################################################################################################

	##### CADEIRAS

	### Pegar numero de cadeiras para ver se batem e temos todos os eleitos
	cadeiras_2012 <- seats_local(2012) %>%
	filter(DESCRICAO_ELEICAO == "ELEIÇÃO MUNICIPAL 2012") %>%
	group_by(DESCRICAO_CARGO) %>%
	summarise(cadeiras = sum(QTDE_VAGAS)) %>%
	ungroup()
	cadeiras_2016 <- seats_local(2016) %>%
	filter(DESCRICAO_ELEICAO == "Eleições Municipais 2016") %>%
	group_by(DESCRICAO_CARGO) %>%
	summarise(cadeiras = sum(QTDE_VAGAS)) %>%
	ungroup()
	cadeiras_2020 <- seats_local(2020) %>%
	group_by(DESCRICAO_CARGO) %>%
	summarise(cadeiras = sum(QTDE_VAGAS)) %>%
	ungroup()

	###################################################################################################

	##### ELEITORADO

	# Abre a lista com os bancos de eleitorado por municipio
	load("eleitorado_2000_2016_mun.RData")

	# Salva cada banco de eleitorado em eleicoes municipais num objeto, incluindo a informacao ANO_ELEICAO
	eleitorado2012 <- bancos_eleitorado[[7]] %>%
	mutate(ANO_ELEICAO = "2012") %>%
	mutate(FAIXA_ELEITORADO = case_when(ELEITORADO <= 10000 ~ "ate 10.000",
	ELEITORADO > 10000 & ELEITORADO <= 50000 ~ "entre 10.001-50.000",
	ELEITORADO > 50000 & ELEITORADO <= 200000 ~ "entre 50.000-200.000",
	ELEITORADO > 200000 ~ "Mais que 200.000"))
	eleitorado2016 <- bancos_eleitorado[[9]] %>%
	mutate(ANO_ELEICAO = "2016") %>%
	mutate(FAIXA_ELEITORADO = case_when(ELEITORADO <= 10000 ~ "ate 10.000",
	ELEITORADO > 10000 & ELEITORADO <= 50000 ~ "entre 10.001-50.000",
	ELEITORADO > 50000 & ELEITORADO <= 200000 ~ "entre 50.000-200.000",
	ELEITORADO > 200000 ~ "Mais que 200.000"))
	# Remove o objeto com todos os eleitorados
	rm(bancos_eleitorado)

	eleitorado2020 <- voter_profile(2020)
	eleitorado2020 <- eleitorado2020 %>%
	mutate(CD_MUNICIPIO = str_pad(CD_MUNICIPIO, 5, side = "left", pad = "0")) %>%
	rename(SIGLA_UE = CD_MUNICIPIO) %>%
	group_by(SIGLA_UE) %>%
	summarise(ELEITORADO = sum(QT_ELEITORES_PERFIL)) %>%
	ungroup() %>%
	mutate(FAIXA_ELEITORADO = case_when(ELEITORADO <= 10000 ~ "ate 10.000",
	ELEITORADO > 10000 & ELEITORADO <= 50000 ~ "entre 10.001-50.000",
	ELEITORADO > 50000 & ELEITORADO <= 200000 ~ "entre 50.000-200.000",
	ELEITORADO > 200000 ~ "Mais que 200.000"))

	###################################################################################################

	##### CANDIDATOS

	### 2012

	# Falta o prefeito eleito em 2012 em Bom Jesus de Goias (SIGLA_UE == 92690)
	# Tem todos os vereadores
	candidatos2012 <- candidate_local(2012) %>%
	filter(DESCRICAO_ELEICAO == "ELEIÇÃO MUNICIPAL 2012") %>%
	select(SIGLA_UF, SIGLA_UE, CODIGO_CARGO, CPF_CANDIDATO, SEQUENCIAL_CANDIDATO, SIGLA_PARTIDO,
	COMPOSICAO_LEGENDA, NOME_COLIGACAO, CODIGO_OCUPACAO, DESCRICAO_SEXO, DESCRICAO_GRAU_INSTRUCAO,
	DESC_SIT_TOT_TURNO, DATA_NASCIMENTO) %>%
	mutate(DESC_SIT_TOT_TURNO = ifelse(DESC_SIT_TOT_TURNO == "ELEITO POR MÉDIA", "ELEITO", DESC_SIT_TOT_TURNO),
	DESC_SIT_TOT_TURNO = ifelse(DESC_SIT_TOT_TURNO == "ELEITO POR QP", "ELEITO", DESC_SIT_TOT_TURNO)) %>%
	mutate(DATA_NASCIMENTO = str_replace_all(DATA_NASCIMENTO, "/", ""),
	DATA_NASCIMENTO = dmy(DATA_NASCIMENTO),
	IDADE = interval(DATA_NASCIMENTO, dmy(07102012))/years(1),
	IDADE = ifelse(IDADE > 110, NA, IDADE)) %>%
	mutate(IDADE_CATEGORIA = case_when(IDADE >= 17 & IDADE < 30 ~ "Até 29",
	IDADE >= 30 & IDADE < 40 ~ "30-39",
	IDADE >= 40 & IDADE < 50 ~ "40-49",
	IDADE >= 50 & IDADE < 60 ~ "50-59",
	IDADE >= 60 ~ "60+"))

	candidatos2012 <- candidatos2012 %>%
	left_join(eleitorado2012)

	### 2016

	candidatos2016 <- candidate_local(2016) %>%
	filter(DESCRICAO_ELEICAO == "Eleições Municipais 2016") %>%
	select(SIGLA_UF, SIGLA_UE, CODIGO_CARGO, CPF_CANDIDATO, SEQUENCIAL_CANDIDATO, SIGLA_PARTIDO,
	COMPOSICAO_LEGENDA, NOME_COLIGACAO, CODIGO_OCUPACAO, DESCRICAO_SEXO, DESCRICAO_GRAU_INSTRUCAO,
	DESC_SIT_TOT_TURNO, DATA_NASCIMENTO) %>%
	mutate(DESC_SIT_TOT_TURNO = ifelse(DESC_SIT_TOT_TURNO == "ELEITO POR MÉDIA", "ELEITO", DESC_SIT_TOT_TURNO),
	DESC_SIT_TOT_TURNO = ifelse(DESC_SIT_TOT_TURNO == "ELEITO POR QP", "ELEITO", DESC_SIT_TOT_TURNO)) %>%
	mutate(DATA_NASCIMENTO = str_replace_all(DATA_NASCIMENTO, "/", ""),
	DATA_NASCIMENTO = dmy(DATA_NASCIMENTO),
	IDADE = interval(DATA_NASCIMENTO, dmy(02102016))/years(1),
	IDADE = ifelse(IDADE > 110, NA, IDADE)) %>%
	mutate(IDADE_CATEGORIA = case_when(IDADE >= 17 & IDADE < 30 ~ "Até 29",
	IDADE >= 30 & IDADE < 40 ~ "30-39",
	IDADE >= 40 & IDADE < 50 ~ "40-49",
	IDADE >= 50 & IDADE < 60 ~ "50-59",
	IDADE >= 60 ~ "60+"))

	candidatos2016 <- candidatos2016 %>%
	left_join(eleitorado2016)

	### 2020

	#Abre os dados de candidatos
	candidatos2020 <- read.csv2("consulta_cand_2020_BRASIL_27112020.csv",
	stringsAsFactors = F, fileEncoding = "latin1") %>%
	mutate(SG_UE = str_pad(SG_UE, 5, side = "left", pad = "0")) %>%
	# Uniformiza nomes de variaveis
	rename(DATA_GERACAO = DT_GERACAO, HORA_GERACAO = HH_GERACAO, NUM_TURNO = NR_TURNO, DESCRICAO_ELEICAO = DS_ELEICAO,
	DESCRICAO_ELEICAO = DS_ELEICAO, SIGLA_UF = SG_UF, SIGLA_UE = SG_UE, DESCRICAO_UE = NM_UE,
	CODIGO_CARGO = CD_CARGO, DESCRICAO_CARGO = DS_CARGO, SEQUENCIAL_CANDIDATO = SQ_CANDIDATO,
	CPF_CANDIDATO = NR_CPF_CANDIDATO, COD_SITUACAO_CANDIDATURA = CD_SITUACAO_CANDIDATURA,
	DESC_SITUACAO_CANDIDATURA = DS_SITUACAO_CANDIDATURA, SIGLA_PARTIDO = SG_PARTIDO,
	COMPOSICAO_LEGENDA = DS_COMPOSICAO_COLIGACAO, DATA_NASCIMENTO = DT_NASCIMENTO,
	IDADE_DATA_POSSE = NR_IDADE_DATA_POSSE, NUM_TITULO_ELEITORAL = NR_TITULO_ELEITORAL_CANDIDATO,
	DESCRICAO_SEXO = DS_GENERO, DESCRICAO_GRAU_INSTRUCAO = DS_GRAU_INSTRUCAO,
	DESCRICAO_ESTADO_CIVIL = DS_ESTADO_CIVIL, DESCRICAO_COR_RACA = DS_COR_RACA,
	CODIGO_OCUPACAO = CD_OCUPACAO, DESCRICAO_OCUPACAO = DS_OCUPACAO, DESC_SIT_TOT_TURNO = DS_SIT_TOT_TURNO) %>%
	select(SIGLA_UF, SIGLA_UE, CODIGO_CARGO, CPF_CANDIDATO, SEQUENCIAL_CANDIDATO, DATA_NASCIMENTO, DS_DETALHE_SITUACAO_CAND,
	DESCRICAO_COR_RACA, SIGLA_PARTIDO, DESCRICAO_SEXO, DESCRICAO_GRAU_INSTRUCAO, DESC_SIT_TOT_TURNO) %>%
	mutate(DESC_SIT_TOT_TURNO = ifelse(DESC_SIT_TOT_TURNO == "ELEITO POR MÉDIA", "ELEITO", DESC_SIT_TOT_TURNO),
	DESC_SIT_TOT_TURNO = ifelse(DESC_SIT_TOT_TURNO == "ELEITO POR QP", "ELEITO", DESC_SIT_TOT_TURNO)) %>%
	mutate(DATA_NASCIMENTO = str_replace_all(DATA_NASCIMENTO, "/", ""),
	DATA_NASCIMENTO = dmy(DATA_NASCIMENTO),
	IDADE = interval(DATA_NASCIMENTO, dmy(15112020))/years(1),
	IDADE = ifelse(IDADE > 110, NA, IDADE)) %>%
	mutate(CPF_CANDIDATO = as.character(CPF_CANDIDATO),
	CODIGO_CARGO = as.character(CODIGO_CARGO),
	CODIGO_OCUPACAO = as.character(CODIGO_OCUPACAO),
	SEQUENCIAL_CANDIDATO = as.character(SEQUENCIAL_CANDIDATO)) %>%
	mutate(IDADE_CATEGORIA = case_when(IDADE >= 17 & IDADE < 30 ~ "Até 29",
	IDADE >= 30 & IDADE < 40 ~ "30-39",
	IDADE >= 40 & IDADE < 50 ~ "40-49",
	IDADE >= 50 & IDADE < 60 ~ "50-59",
	IDADE >= 60 ~ "60+"))

	# Une os bancos de candidatos, eleitorado e apuracao
	candidatos2020 <- candidatos2020 %>%
	left_join(eleitorado2020)

	###################################################################################################

	# Identifica as capitais
	capitais <- select(candidatos2020, SIGLA_UF, SIGLA_UE) %>%
	mutate(CAPITAL = ifelse(SIGLA_UE %in% c("00035", "01392", "02550", "04278", "06050", "73440",
	"12190", "13897", "16250", "17612", "19399", "20516", "25313", "27855", "31054", "38490",
	"41238", "57053", "60011", "71072",
	"90514", "90670", "93734",
	"75353", "81051", "88013"), T, F)) %>%
	select(SIGLA_UE, CAPITAL) %>%
	distinct()

	candidatos2012 <- left_join(candidatos2012, capitais)
	candidatos2016 <- left_join(candidatos2016, capitais)
	candidatos2020 <- left_join(candidatos2020, capitais)

	###################################################################################################

	##### RESULTADOS

	vereadores_apuracao <- eleicoesmun2020::download_uf(estado = "todos", cargo = "vereador", verbose = TRUE)
	prefeitos_apuracao <- eleicoesmun2020::download_uf(estado = "todos", cargo = "prefeito", verbose = TRUE)

	apuracao2020 <- bind_rows(prefeitos_apuracao, vereadores_apuracao) %>%
	select(uf, cargo, raiz_cdabr, cand_sqcand, cand_n, cand_cc, cand_e, cand_st, cand_dvt, cand_vap) %>%
	rename(SIGLA_UF = uf, DESCRICAO_CARGO = cargo, SIGLA_UE = raiz_cdabr, SEQUENCIAL_CANDIDATO = cand_sqcand,
	NUMERO_CANDIDATO = cand_n, ELEITO = cand_e, RESULTADO = cand_st,
	DESC_SITUACAO_CANDIDATURA = cand_dvt, VOTOS = cand_vap) %>%
	mutate(VOTOS = as.numeric(VOTOS))

	candidatos2020 <- left_join(candidatos2020, apuracao2020)

	###################################################################################################

	##### BANCOS DE ANALISE

	# Funcao para filtrar vereadores eleitos
	filtrar_vereadores_eleitos <- function(banco, partido){

	banco <- banco %>%
	filter(SIGLA_PARTIDO == partido,
	DESC_SIT_TOT_TURNO == "ELEITO",
	CODIGO_CARGO == 13)

	}

	# Funcao para filtrar candidaturas deferidas
	filtrar_vereadores_candidaturas <- function(banco, partido){

	banco <- banco %>%
	filter(DS_DETALHE_SITUACAO_CAND != "RENÚNCIA" \| DS_DETALHE_SITUACAO_CAND != "CANCELADO" \|
	DS_DETALHE_SITUACAO_CAND != "CASSADO" \| DS_DETALHE_SITUACAO_CAND != "FALECIDO" \|
	DS_DETALHE_SITUACAO_CAND != "INDEFERIDO" \| DS_DETALHE_SITUACAO_CAND != "PEDIDO NÃO CONHECIDO",
	CODIGO_CARGO == 13,
	SIGLA_PARTIDO == partido)

	}

	# ELEITOS PELO PT (2012-2020)
	eleitos_PT <- list()
	eleitos_PT[["2012"]] <- filtrar_vereadores_eleitos(candidatos2012, "PT")
	eleitos_PT[["2016"]] <- filtrar_vereadores_eleitos(candidatos2016, "PT")
	eleitos_PT[["2020"]] <- filtrar_vereadores_eleitos(candidatos2020, "PT")

	# ELEITOS
	eleitos_2020 <- list()
	partidos <- sort(unique(candidatos2020$SIGLA_PARTIDO))

	for(partido in partidos){

	eleitos_2020[[partido]] <- filtrar_vereadores_eleitos(candidatos2020, partido)
	print(partido)

	}

	# CANDIDATOS
	candidatos_2020 <- list()
	for(partido in partidos){

	candidatos_2020[[partido]] <- filtrar_vereadores_candidaturas(candidatos2020, partido)
	print(partido)

	}

	###################################################################################################

	### TOTAL DE ELEITOS
	candidatos2020 %>%
	filter(CODIGO_CARGO == 13,
	DESC_SIT_TOT_TURNO == "ELEITO") %>%
	summarise(numero = n())

	###################################################################################################

	##### IDADE

	# Funcao para gerar tabela com o percentual de candidatos em cada faixa etaria
	tabela_idade <- function(banco, variavel){

	banco <- banco %>%
	group_by(IDADE_CATEGORIA) %>%
	summarise(numero = n()) %>%
	ungroup() %>%
	mutate(percentual = arredondar2(100*(numero/sum(numero)))) %>%
	select(-numero)

	names(banco) <- c("IDADE_CATEGORIA", variavel)

	return(banco)

	}

	idade_partido <- list()
	idade_2020 <- tibble(IDADE_CATEGORIA = c("Até 29", "30-39", "40-49", "50-59", "60+"))
	for(partido in partidos){

	idade_partido[[partido]] <- tabela_idade(eleitos_2020[[partido]], partido)
	idade_2020 <- left_join(idade_2020, idade_partido[[partido]])
	print(partido)

	}

	### PROPORCAO DE ELEITOS JOVENS
	idade_geral_2020 <- candidatos2020 %>%
	filter(CODIGO_CARGO == 13,
	DESC_SIT_TOT_TURNO == "ELEITO") %>%
	group_by(IDADE_CATEGORIA) %>%
	summarise(numero = n()) %>%
	ungroup() %>%
	mutate(percentual = arredondar2(100*(numero/sum(numero)))) %>%
	select(-numero) %>%
	rename(`2020` = percentual)

	idade_geral_2016 <- candidatos2016 %>%
	filter(CODIGO_CARGO == 13,
	DESC_SIT_TOT_TURNO == "ELEITO") %>%
	group_by(IDADE_CATEGORIA) %>%
	summarise(numero = n()) %>%
	ungroup() %>%
	mutate(percentual = arredondar2(100*(numero/sum(numero)))) %>%
	select(-numero) %>%
	rename(`2016` = percentual)

	idade_geral_2012 <- candidatos2012 %>%
	filter(CODIGO_CARGO == 13,
	DESC_SIT_TOT_TURNO == "ELEITO") %>%
	group_by(IDADE_CATEGORIA) %>%
	summarise(numero = n()) %>%
	ungroup() %>%
	mutate(percentual = arredondar2(100*(numero/sum(numero)))) %>%
	select(-numero) %>%
	rename(`2012` = percentual)

	idade_geral <- left_join(idade_geral_2012, idade_geral_2016) %>%
	left_join(idade_geral_2020) %>%
	filter(!is.na(IDADE_CATEGORIA))

	###################################################################################################

	### PERCENTUAL DE JOVENS NOVO, PSOL, REDE E PSL
	idade_2020 %>%
	pivot_longer(cols = 2:34, names_to = "partido") %>%
	filter(IDADE_CATEGORIA == "Até 29") %>%
	filter(partido %in% c("NOVO", "REDE", "PSOL", "PSL")) %>%
	select(-IDADE_CATEGORIA) %>%
	arrange(desc(value))

	# MEDIA DOS DEMAIS
	idade_2020 %>%
	pivot_longer(cols = 2:34, names_to = "partido") %>%
	filter(IDADE_CATEGORIA == "Até 29") %>%
	filter(!partido %in% c("NOVO", "REDE", "PSOL", "PSL")) %>%
	summarise(value = mean(value, na.rm = T))

	###################################################################################################

	## TOTAL DE ELEITOS DE NOVO, PSOL E REDE - E PERCENTUAL EM RELACAO AO TOTAL DE CANDIDATURAS
	candidatos2020 %>%
	filter(CODIGO_CARGO == 13,
	DESC_SIT_TOT_TURNO == "ELEITO") %>%
	filter(IDADE_CATEGORIA == "Até 29") %>%
	group_by(SIGLA_PARTIDO) %>%
	summarise(numero = n()) %>%
	ungroup() %>%
	filter(SIGLA_PARTIDO %in% c("NOVO", "REDE", "PSOL"))

	candidatos2020 %>%
	filter(CODIGO_CARGO == 13,
	DESC_SIT_TOT_TURNO == "ELEITO") %>%
	group_by(SIGLA_PARTIDO) %>%
	summarise(numero = n()) %>%
	ungroup() %>%
	mutate(percentual = arredondar2(100*(numero/sum(numero)))) %>%
	filter(SIGLA_PARTIDO %in% c("NOVO", "REDE", "PSOL"))

	###################################################################################################

	## VOTOS NOMINAIS EM MUNICIPIOS COM 200 MIL HABITANTES OU MAIS

	### VOTACAO DE NOVO, REDE E PSOL EM CADA FAIXA DE ELEITORADO
	candidatos2020 %>%
	filter(CODIGO_CARGO == 13) %>%
	group_by(SIGLA_PARTIDO, FAIXA_ELEITORADO) %>%
	summarise(VOTACAO = sum(VOTOS, na.rm = T)) %>%
	ungroup() %>%
	group_by(SIGLA_PARTIDO) %>%
	mutate(percentual = arredondar2(100*(VOTACAO/sum(VOTACAO)))) %>%
	ungroup() %>%
	filter(SIGLA_PARTIDO %in% c("NOVO", "REDE", "PSOL"))

	eleitorado2020 %>%
	group_by(FAIXA_ELEITORADO) %>%
	summarise(ELEITORES = sum(ELEITORADO, na.rm = T)) %>%
	ungroup() %>%
	mutate(percentual = arredondar2(100*(ELEITORES/sum(ELEITORES))))

	###################################################################################################

	### SEXO E RACA DOS VEREADORES JOVENS DE NOVO, PSOL E REDE

	eleitos_2020[["PSOL"]] %>%
	group_by(DESCRICAO_SEXO, DESCRICAO_COR_RACA, IDADE_CATEGORIA) %>%
	summarise(numero = n()) %>%
	ungroup() %>%
	group_by(IDADE_CATEGORIA) %>%
	mutate(total_faixa = sum(numero)) %>%
	ungroup() %>%
	mutate(percentual = arredondar2(100*(numero/total_faixa))) %>%
	filter(IDADE_CATEGORIA == "Até 29")

	eleitos_2020[["NOVO"]] %>%
	group_by(DESCRICAO_SEXO, DESCRICAO_COR_RACA, IDADE_CATEGORIA) %>%
	summarise(numero = n()) %>%
	ungroup() %>%
	group_by(IDADE_CATEGORIA) %>%
	mutate(total_faixa = sum(numero)) %>%
	ungroup() %>%
	mutate(percentual = arredondar2(100*(numero/total_faixa))) %>%
	filter(IDADE_CATEGORIA == "Até 29")

	eleitos_2020[["REDE"]] %>%
	group_by(DESCRICAO_SEXO, DESCRICAO_COR_RACA, IDADE_CATEGORIA) %>%
	summarise(numero = n()) %>%
	ungroup() %>%
	group_by(IDADE_CATEGORIA) %>%
	mutate(total_faixa = sum(numero)) %>%
	ungroup() %>%
	mutate(percentual = arredondar2(100*(numero/total_faixa))) %>%
	filter(IDADE_CATEGORIA == "Até 29")

	###################################################################################################

	### FAIXA ETARIA DOS ELEITOS PELO PT (2012-2020)
	idade_pt2012 <- tabela_idade(eleitos_PT[["2012"]], "2012")
	idade_pt2016 <- tabela_idade(eleitos_PT[["2016"]], "2016")
	idade_pt2020 <- tabela_idade(eleitos_PT[["2020"]], "2020")
	idade_pt <- left_join(idade_pt2012, idade_pt2016) %>%
	left_join(idade_pt2020)

	###################################################################################################

	##### IDADE E ELEITORADO

	# Funcao para gerar tabela de faixa de idade e eleitorado
	tabela_idade_eleitorado <- function(banco, variavel){

	banco <- banco %>%
	group_by(FAIXA_ELEITORADO, IDADE_CATEGORIA) %>%
	summarise(numero = n()) %>%
	ungroup() %>%
	group_by(FAIXA_ELEITORADO) %>%
	mutate(total_faixa = sum(numero)) %>%
	ungroup() %>%
	mutate(percentual = arredondar2(100*(numero/total_faixa))) %>%
	select(-c(numero, total_faixa))

	names(banco) <- c("FAIXA_ELEITORADO", "IDADE_CATEGORIA", variavel)

	return(banco)

	}

	### PT: FAIXA ETARIA DOS ELEITOS EM CIDADES COM MAIS DE 200 MIL ELEITORES
	idade_pt2012 <- tabela_idade_eleitorado(eleitos_PT[["2012"]], "2012")
	idade_pt2016 <- tabela_idade_eleitorado(eleitos_PT[["2016"]], "2016")
	idade_pt2020 <- tabela_idade_eleitorado(eleitos_PT[["2020"]], "2020")
	idade_eleitorado_pt <- left_join(idade_pt2012, idade_pt2016) %>%
	left_join(idade_pt2020) %>%
	filter(FAIXA_ELEITORADO == "Mais que 200.000")

	###################################################################################################

	### IDADE E CAPITAIS

	# Funcao
	tabela_idade_capitais <- function(banco, variavel){

	banco <- banco %>%
	group_by(CAPITAL, IDADE_CATEGORIA) %>%
	summarise(numero = n()) %>%
	ungroup() %>%
	group_by(CAPITAL) %>%
	mutate(total_faixa = sum(numero)) %>%
	ungroup() %>%
	mutate(percentual = arredondar2(100*(numero/total_faixa))) %>%
	select(-c(numero, total_faixa))

	names(banco) <- c("CAPITAL", "IDADE_CATEGORIA", variavel)

	return(banco)

	}

	# PT: FAIXA ETARIA DE VEREADORES CAPITAIS
	idade_capitais_pt2012 <- tabela_idade_capitais(eleitos_PT[["2012"]], "2012")
	idade_capitais_pt2016 <- tabela_idade_capitais(eleitos_PT[["2016"]], "2016")
	idade_capitais_pt2020 <- tabela_idade_capitais(eleitos_PT[["2020"]], "2020")
	idade_capitais_pt <- left_join(idade_capitais_pt2012, idade_capitais_pt2016) %>%
	left_join(idade_capitais_pt2020) %>%
	arrange(IDADE_CATEGORIA) %>%
	filter(IDADE_CATEGORIA == "Até 29")

	###################################################################################################

	# PT: PERCENTUAL DE MULHERES ELEITAS ATÉ 29 ANOS
	eleitos_2020[["PT"]] %>%
	group_by(IDADE_CATEGORIA, DESCRICAO_SEXO) %>%
	summarise(numero = n()) %>%
	ungroup() %>%
	group_by(IDADE_CATEGORIA) %>%
	mutate(total_faixa = sum(numero)) %>%
	ungroup() %>%
	mutate(percentual = arredondar2(100*(numero/total_faixa)))

	# PT: MULHERES JOVENS NOS MUNICIPIOS COM MAIS DE 200 MIL ELEITORES
	eleitos_2020[["PT"]] %>%
	group_by(FAIXA_ELEITORADO, DESCRICAO_SEXO, IDADE_CATEGORIA) %>%
	summarise(numero = n()) %>%
	ungroup() %>%
	group_by(FAIXA_ELEITORADO, IDADE_CATEGORIA) %>%
	mutate(total_faixa = sum(numero)) %>%
	ungroup() %>%
	mutate(percentual = arredondar2(100*(numero/total_faixa))) %>%
	filter(IDADE_CATEGORIA == "Até 29",
	FAIXA_ELEITORADO == "Mais que 200.000")

	# PT: SEXI E RACA EM MUNICIPIOS COM MAIS DE 200 MIL ELEITORES
	eleitos_2020[["PT"]] %>%
	group_by(FAIXA_ELEITORADO, DESCRICAO_SEXO, DESCRICAO_COR_RACA, IDADE_CATEGORIA) %>%
	summarise(numero = n()) %>%
	ungroup() %>%
	group_by(FAIXA_ELEITORADO, IDADE_CATEGORIA) %>%
	mutate(total_faixa = sum(numero)) %>%
	ungroup() %>%
	mutate(percentual = arredondar2(100*(numero/total_faixa))) %>%
	filter(IDADE_CATEGORIA == "Até 29",
	FAIXA_ELEITORADO == "Mais que 200.000")