Eleição de Governador SP (2022)

Assim, com o objetivo de gerar algumas problemáticas no projeto, solicitei ao ChatGPT que me fizesse perguntas sobre os dados da eleição de 2022 para o governo de São Paulo, e foram feitos os seguintes posicionamentos:

1 - Qual foi o número total de eleitores que foram votar em São Paulo nas eleições estaduais para governador de 2022?

2 - Quantos candidatos concorreram ao cargo de governador em São Paulo?

3 - Qual foi a porcentagem de votos válidos recebidos pelo candidato eleito?

4 - Qual foi a porcentagem de abstenção nas eleições estaduais de São Paulo para governador?

5 - Quantos votos nulos e brancos foram registrados em São Paulo na eleição?

6 - Quais foram as principais cidades em São Paulo onde o candidato eleito obteve maior votação?

7 - Qual foi a diferença de votos entre o primeiro e o segundo colocado na eleição para governador em São Paulo? 

1. Pacotes

Bom, primeiramente vamos selecionar as cores para cada um dos candidatos e colocar dentro de um objeto. Além disso, também teremos os pacotes utilizados na análise:

cores <- c('TARCISIO GOMES DE FREITAS' = '#4047ad',

           'FERNANDO HADDAD' = '#802d34',

           'RODRIGO GARCIA' = '#17330e',

           'VOTO BRANCO' = '#242222',

           'VOTO NULO' = '#141414',

           'OUTROS' = '#333030')

#Pacotes

library("tidyverse")

library("geobr")

library("readxl")

library("abjutils")

library('stringr')

2. Coleta

Primeiro baixamos o csv dos dados brutos no site do portal de dados abertos do TSE: dados.

Depois usaremos a função read.csv2 para realizar a leitura dos dados, importante utilizar o argumento fileEncoding devido a acentuação contida no nome dos munícipios e dos candidatos.

E depois realizaremos alguns filtros para selecionar apenas os dados referentes ao primeiro turno e a votação para governador.

3. Tratamento

## coleta de dados

dados_votacao_sp <- read.csv2("~/Consultas/Outros/eleicao/votacao_secao_2022_SP.csv", 

                              fileEncoding = "latin1")

Agora que estamos com os dados brutos vamos começar a realizar as primeiras tratativas. Assim, primeiro pegaremos apenas os dados referentes ao primeiro turno e apenas para o cargo de governador. O código a seguir filtra os dados da votação com as nossas necessidades e os coloca no objeto data1.

Logo depois, nos objetos votes_x_percent e valid_votes, somamos os votos por candidato e não por municípios para chegarmos as primeiras respostas:

# filtro primeiro turno

data1 <-

  dados_votacao_sp %>%

  filter(DS_CARGO == 'GOVERNADOR',               #filtra o cargo para governador

         NR_TURNO == "1") %>%                    #filtra apenas o primeiro turno

  select(NM_VOTAVEL, NM_MUNICIPIO, QT_VOTOS)     #seleciona apenas as colunas referentes ao nome, municipio e quantidade de votos

# preparando as tabelas - somando os resultados por candidatos

votes_x_percent <-

  data1 %>%

  select(NM_VOTAVEL, QT_VOTOS) %>%           #seleciona apenas o nome e a quantidade de votos

  group_by(NM_VOTAVEL) %>%                   #cria um grupo por nome de candidato

  summarise(sum(QT_VOTOS)) %>%               # cria um sumário com a soma dos votos por candidato

  rename(votos = "sum(QT_VOTOS)") %>%   

  rename(candidato = "NM_VOTAVEL") %>%

  mutate(percentual = round(votos/sum(votos)*100, 2)) %>%          #cria uma outra coluna com o percentual de votos dos candidatos

  arrange(desc(votos))

valid_votes <-

  data1 %>%

  select(NM_VOTAVEL, QT_VOTOS) %>%

  group_by(NM_VOTAVEL) %>%

  summarise(sum(QT_VOTOS)) %>%

  rename(votos = "sum(QT_VOTOS)") %>%

  rename(candidato = "NM_VOTAVEL") %>%

  filter(candidato != "VOTO NULO" &

           candidato != "VOTO BRANCO") %>%

  mutate(percentual = round(votos/sum(votos)*100, 2)) %>%

  arrange(desc(votos))

## tabela para o grafico

primeiros_candidatos <- head(votes_x_percent, 5)

outros_candidatos <- 

  votes_x_percent %>%

  tail(7) %>%

  summarise(candidato = 'OUTROS',

            votos = sum(votos),

            percentual = sum(percentual))

votos_unificacao1 <-

  rbind(primeiros_candidatos, outros_candidatos)

Apenas para melhorar a visualização futura, vamos unificar todos os candidatos que tiveram um montante inferior a 2% dos votos em uma coluna chamada de “outros”. 

## Tabela de unificacao dos outros candidatos

primeiros_candidatos <- head(votes_x_percent, 5) #filtra os 5 primeiros registros

outros_candidatos <- 

  votes_x_percent %>%

  tail(7) %>% #filtra os 7 ultimos registros

  summarise(candidato = 'OUTROS', #cria o nome Outros

            votos = sum(votos), #soma os 7 ultimos registros de votacao

            percentual = sum(percentual)) #soma os percentuais dos 7 ultimos

votos_unificacao1 <-

rbind(primeiros_candidatos, outros_candidatos) #unifica os 5 primeiros com os 7 ultimos

Agora faremos as mesmas tratativas para os dados do segundo turno: 

## segundo turno criamos o objeto data2 para armazenar 

data2 <-

  dados_votacao_sp %>%

  filter(DS_CARGO == 'GOVERNADOR',

         NR_TURNO == "2") %>% #filtro para o numero do turno

  select(NM_VOTAVEL, NM_MUNICIPIO, QT_VOTOS)

## Somar por candidato

votes_x_percent2 <-

  data2 %>%

  select(NM_VOTAVEL, QT_VOTOS) %>%

  group_by(NM_VOTAVEL) %>%

  summarise(sum(QT_VOTOS)) %>%

  rename(votos = "sum(QT_VOTOS)") %>%

  rename(candidato = "NM_VOTAVEL") %>%

  mutate(percentual = round(votos/sum(votos)*100, 2)) %>%

  arrange(desc(votos))

## Somar por candidatos apenas os votos validos

valid_votes2 <-

  data2 %>%

  select(NM_VOTAVEL, QT_VOTOS) %>%

  group_by(NM_VOTAVEL) %>%

  summarise(sum(QT_VOTOS)) %>%

  rename(votos = "sum(QT_VOTOS)") %>%

  rename(candidato = "NM_VOTAVEL") %>%

  filter(candidato != "VOTO NULO" &

           candidato != "VOTO BRANCO") %>%

  mutate(percentual = round(votos/sum(votos)*100, 2)) %>%

  arrange(desc(votos))

Faremos uma separação dos votos válidos para uma das respostas futuras, basicamente usaremos o mesmo código anterior só que com os dados válidos:

## Tabela de unificacao dos outros candidatos

primeiros_candidatos2 <- head(valid_votes, 3)           #filtra os 3 primeiros registros

outros_candidatos2 <- 

  valid_votes %>%

  filter(candidato != 'VOTO NULO',

         candidato != 'VOTO BRANCO') %>%                 #retira os votos de abstencao

  tail(7) %>%                                            #filtra os 7 ultimos registros

  summarise(candidato = 'OUTROS',                        #cria o nome Outros

            votos = sum(votos),                          #soma os 7 ultimos registros de votacao

            percentual = sum(percentual))                #soma os percentuais dos 7 ultimos

votos_unificacao2 <-

  rbind(primeiros_candidatos2, outros_candidatos2)       #unifica os 5 primeiros com os 7 ultimos

Vamos criar uma visualização de dados em colunas, utilizando o ggplot2: 

## graficos de comparacao

## grafico de quantidade absoluta de votos por candidato no primeiro turno

g1 <- 

  votos_unificacao1 %>%

  ggplot()+

  aes(x = reorder(candidato, -votos), y = votos, fill = candidato)+ #seleciona os eixos do grafico

  geom_bar(stat = 'identity')+

  geom_text(aes(label=votos, #cria os labels nas barras

                vjust=1.5),

            color='white',

            fontface='bold')+

  scale_fill_manual(values = cores)+ #seleciona as cores das barras

  labs(x='',

       y='',

       title='Quantidade de votos por candidato (Primeiro Turno)')+

  theme_bw()+

  theme(axis.text.y = element_blank(),

        legend.position = 'none',

        plot.title = element_text(face='bold', 

                                  size=11),

        axis.text.x = element_text(face = 'bold',

                                   size = 8,

                                   color='black'))

## grafico de quantidade percentual de votos por candidato no primeiro turno

g2 <- votos_unificacao1 %>%

  ggplot()+

  aes(x = reorder(candidato, -percentual), y = percentual, fill= candidato)+

  geom_bar(stat = 'identity')+

  geom_text(aes(label=percentual, 

                vjust=1.5),

            color='white',

            fontface='bold')+

  scale_fill_manual(values = cores)+

  labs(x='',

       y='',

       title = 'Percentual de votos por candidato (Primeiro Turno)')+

  theme_bw()+

  theme(axis.text.y = element_blank(),

        legend.position = 'none',

        plot.title = element_text(face='bold', 

                                  size=11),

        axis.text.x = element_text(face = 'bold',

                                   size = 8,

                                   color='black'))

## grafico de quantidade absoluta de votos por candidato no segundo turno

g3 <- 

  votes_x_percent2 %>%

  ggplot()+

  aes(x = reorder(candidato, -votos), y = votos, fill = candidato)+

  geom_bar(stat = 'identity')+

  geom_text(aes(label=votos, 

                vjust=1.5),

            color='white',

            fontface='bold')+

  scale_fill_manual(values = cores)+

  labs(x='',

       y='',

       title = 'Quantidade de votos por candidato (Segundo Turno)')+

  theme_bw()+

  theme(axis.text.y = element_blank(),

        legend.position = 'none',

        plot.title = element_text(face='bold', 

                                  size=11),

        axis.text.x = element_text(face = 'bold',

                                   size = 8,

                                   color='black'))

## grafico de quantidade percentual de votos por candidato no segundo turno

g4 <- 

  votes_x_percent2 %>%

  ggplot()+

  aes(x = reorder(candidato, -percentual), y = percentual, fill = candidato)+

  geom_bar(stat = 'identity')+

  geom_text(aes(label=percentual, 

                vjust=1.5),

            color='white',

            fontface='bold')+

  scale_fill_manual(values = cores)+

  labs(x='',

       y='', 

       title='Percentual de votos por candidato (Segundo Turno)')+

  theme_bw()+

  theme(axis.text.y = element_blank(),

        legend.position = 'none',

        plot.title = element_text(face='bold', 

                                  size=11),

        axis.text.x = element_text(face = 'bold',

                                   size = 8,

                                   color='black'))

Agora podemos criar a visualização conjunta dos votos absolutos do primeiro turno com a função grid.arrange: 

gridExtra::grid.arrange(g1,g3)

E também a visualização conjunta dos votos percentuais por candidato: 

gridExtra::grid.arrange(g2,g4)

Agora com todas as manipulações e visualizações feitas, podemos responder as perguntas: 

4. Respostas

4.1 Qual foi o número total de eleitores que foram votar em São Paulo nas eleições estaduais para governador de 2022?

Para isso, basta somar todas as seções de votação de votação do primeiro turno: 

print(sum(votes_x_percent$votos))

## [1] 27147847

print(sum(votes_x_percent2$votos)

## [1] 27341816

Assim, o número total de eleitores que foram as urnas no primeiro turno foi de 27147847 e no segundo turno de 27341816.

4.2 Quantos candidatos concorreram ao cargo de governador em São Paulo?

Nesse caso, apenas devemos somar a quantidade de nomes únicos na coluna de candidatos do primeiro turno, porém usaremos o objeto com votos válidos, que já desconsidera votos brancos e nulos

print(length(unique(valid_votes$candidato)))

## [1] 10

Assim, chegamos a reposta da segunda questão, onde tinhamos 10 candidatos concorrendo para o cargo de governador de São Paulo. 

4.3 Qual foi a porcentagem de votos válidos recebidos pelo candidato eleito?

Para isso, podemos utilizar os objetos criados anteriormente para votos válidos e apenas criar a visualização de porcentagem: 

g5 <- votos_unificacao2 %>%

  ggplot()+

  aes(x = reorder(candidato, -percentual), y = percentual, fill= candidato)+

  geom_bar(stat = 'identity')+

  geom_text(aes(label=percentual, 

                vjust=1.5),

            color='white',

            fontface='bold')+

  scale_fill_manual(values = cores)+

  labs(x='',

       y='',

       title = 'Percentual de votos validos por candidato (Primeiro Turno)')+

  theme_bw()+

  theme(axis.text.y = element_blank(),

        legend.position = 'none',

        plot.title = element_text(face='bold', 

                                  size=11),

        axis.text.x = element_text(face = 'bold',

                                   size = 8,

                                   color='black'))

g6 <-

  valid_votes2 %>%

  ggplot()+

  aes(x = reorder(candidato, -percentual), y = percentual, fill = candidato)+

  geom_bar(stat = 'identity')+

  geom_text(aes(label=percentual, 

                vjust=1.5),

            color='white',

            fontface='bold')+

  scale_fill_manual(values = cores)+

  labs(x='',

       y='', 

       title='Percentual de votos validos por candidato (Segundo Turno)')+

  theme_bw()+

  theme(axis.text.y = element_blank(),

        legend.position = 'none',

        plot.title = element_text(face='bold', 

                                  size=11),

        axis.text.x = element_text(face = 'bold',

                                   size = 8,

                                   color='black'))

E plotar a visualização: 

gridExtra::grid.arrange(g5,g6)

Assim, podemos ver que no primeiro turno, o candidato eleito Tarcísio Gomes, teve 42.32% dos votos válidos e no segundo turno 55.27% dos votos válidos. Como podemos ver no gráfico. 

4.4 Qual foi a porcentagem de abstenção nas eleições estaduais de São Paulo para governador?

Segundo os dados do TSE, São Paulo tem 34667793 eleitores aptos, considerando esse número, teríamos: 

print(round(abs(((34667793-27147847)/34667793)*100), 2))

## [1] 21.69

print(round(abs(((34667793-27341816)/34667793)*100), 2))

## [1] 21.13

Assim, a porcentagem de abstenção, pessoas que não compareceram as urnas para votação foi de 21.69% no primeiro turno e levemente menor no segundo, 21.13%. 

4.5 Quantos votos nulos e brancos foram registrados em São Paulo na eleição?

Quando falamos dos eleitores que compareceram mas que votaram nulo ou branco, podemos observar nos gráficos feitos anteriormente para visualização inicial, sendo: 

gridExtra::grid.arrange(g1,g3)

No primeiro turno, 2149776 votos nulos e 1645522 brancos. Já no segundo turno 1849298 nulos e 1102504 brancos. 

4.6 Quais foram as principais cidades em São Paulo onde o candidato eleito obteve maior votação?

Quando falamos de maior votação, obviamente, os municípios que tem os maiores colégios eleitorais serão aqueles com maior representatividade na votação. Assim, a Região metropolitana de São Paulo mostrará números mais significativos.

Desse modo, vamos criar uma visualização gráfica que compare os municípios em que Tarcisio teve mais votação do que Haddad. Pintaremos esses lugares de azul, e os que ele recebeu menos votos de vermelho. Para criar isso vamos utilizar o pacote geobr:

### grafico de mapas

## puxar estado do geobr

state <- read_municipality(code_muni = 'SP', 

                           year = 2020) %>%

  mutate(muni = toupper(name_muni))

## arrumar dados para o mapa 1 turno

tarcisio1 <- #filtra apenas os dados de votacao do tarcisio

  data1 %>%

  filter(NM_VOTAVEL == "TARCISIO GOMES DE FREITAS") %>%

  group_by(NM_MUNICIPIO) %>%

  summarise(sum(QT_VOTOS)) %>%

  rename(votos = "sum(QT_VOTOS)") %>%

  rename(municipio = "NM_MUNICIPIO")

##haddad

haddad1 <- #filtra apenas os dados de votacao do haddad

  data1 %>%

  filter(NM_VOTAVEL == "FERNANDO HADDAD") %>%

  group_by(NM_MUNICIPIO) %>%

  summarise(sum(QT_VOTOS)) %>%

  rename(votos = "sum(QT_VOTOS)") %>%

  rename(municipio = "NM_MUNICIPIO")

#tarcisio, haddad, rodrigo e others

comparation1 <- #junta as duas tabelas

  full_join(tarcisio1, haddad1, by="municipio") %>%

  rename(TARCISIO = "votos.x",

         HADDAD = "votos.y") %>%

  mutate(vencedor = ifelse(`TARCISIO` > `HADDAD`, "TARCISIO", "HADDAD")) %>% #cria tabela com o candidato que teve mais votos em cada municipio

  arrange(desc(TARCISIO))

### problema encontrado, alguns municipios tem nomes incorretos no pacote do geobr

## descobrir os nomes errados 

setdiff(comparation1$municipio, state$muni)

## [1] "SANTA BÁRBARA D OESTE"  "ESTRELA D OESTE"        "PALMEIRA D OESTE" 

## [4] "SÃO LUÍS DO PARAITINGA" "APARECIDA D OESTE"      "SANTA CLARA D OESTE"   

## [7] "SANTA RITA D OESTE"     "SÃO JOÃO DO PAU D ALHO" "GUARANI D OESTE"

## 9 nomes errados

comparation1$municipio <- gsub("SÃO LUÍS DO PARAITINGA", "SÃO LUIZ DO PARAITINGA", comparation1$municipio)

comparation1$municipio <- gsub("SÃO JOÃO DO PAU D ALHO", "SÃO JOÃO DO PAU D'ALHO", comparation1$municipio)

comparation1$municipio <- gsub("SANTA CLARA D OESTE", "SANTA CLARA D'OESTE", comparation1$municipio)

comparation1$municipio <- gsub("GUARANI D OESTE", "GUARANI D'OESTE", comparation1$municipio)

comparation1$municipio <- gsub("SANTA RITA D OESTE", "SANTA RITA D'OESTE",comparation1$municipio)

comparation1$municipio <- gsub("PALMEIRA D OESTE", "PALMEIRA D'OESTE", comparation1$municipio)

comparation1$municipio <- gsub("SANTA BÁRBARA D OESTE", "SANTA BÁRBARA D'OESTE", comparation1$municipio)

comparation1$municipio <- gsub("ESTRELA D OESTE", "ESTRELA D'OESTE", comparation1$municipio)

comparation1$municipio <- gsub("APARECIDA D OESTE", "APARECIDA D'OESTE", comparation1$municipio)

## depois da correcao realizar a juncao

full_maps1 <- #unir tabela de municipios com a tabelas com a votacao

  left_join(state, comparation1, by=c('muni' = 'municipio'))

## mapa primeiro turno

m1 <- 

  ggplot() +

  geom_sf(data = full_maps1, 

          aes(fill = vencedor), 

          color = "black") +

  scale_fill_manual(values = c(`TARCISIO` = "#4047ad", 

                               `HADDAD` = "#802d34"))+

  theme_bw()+

  labs(title = 'Maior quantidade de votos por município de São Paulo',

       subtitle = 'TARCISIO VS HADDAD (1º Turno)')+

  theme(axis.text.x = element_blank(),

        axis.text.y = element_blank(),

        plot.title = element_text(size = 11,

                                  face='bold'),

        plot.subtitle = element_text(size=9,

                                     face='italic'))

## arrumar dados para o mapa 2 turno

## tarcisio

tarcisio2 <-

  data2 %>%

  filter(NM_VOTAVEL == "TARCISIO GOMES DE FREITAS") %>%

  group_by(NM_MUNICIPIO) %>%

  summarise(sum(QT_VOTOS)) %>%

  rename(votos = "sum(QT_VOTOS)") %>%

  rename(municipio = "NM_MUNICIPIO")

##tarcisio e haddad

haddad2 <-

  data2 %>%

  filter(NM_VOTAVEL == "FERNANDO HADDAD") %>%

  group_by(NM_MUNICIPIO) %>%

  summarise(sum(QT_VOTOS)) %>%

  rename(votos = "sum(QT_VOTOS)") %>%

  rename(municipio = "NM_MUNICIPIO")

comparation2 <-

  full_join(tarcisio2, haddad2, by="municipio") %>%

  rename(TARCISIO = "votos.x",

         HADDAD = "votos.y") %>% 

  arrange(desc(TARCISIO)) %>%

  mutate(vencedor = ifelse(`TARCISIO` > `HADDAD`, "TARCISIO", "HADDAD"))

### problema encontrado, alguns municipios tem nomes incorretos no pacote do geobr

## descobrir os nomes errados

setdiff(comparation2$municipio, state$muni)

## [1] "SANTA BÁRBARA D OESTE"  "SÃO LUÍS DO PARAITINGA" "ESTRELA D OESTE"       

## [4] "PALMEIRA D OESTE"       "APARECIDA D OESTE"      "SANTA RITA D OESTE"    

## [7] "SANTA CLARA D OESTE"    "SÃO JOÃO DO PAU D ALHO" "GUARANI D OESTE"

## 9 nomes errados

comparation2$municipio <- gsub("SÃO LUÍS DO PARAITINGA", "SÃO LUIZ DO PARAITINGA", comparation2$municipio)

comparation2$municipio <- gsub("SÃO JOÃO DO PAU D ALHO", "SÃO JOÃO DO PAU D'ALHO", comparation2$municipio)

comparation2$municipio <- gsub("SANTA CLARA D OESTE", "SANTA CLARA D'OESTE", comparation2$municipio)

comparation2$municipio <- gsub("GUARANI D OESTE", "GUARANI D'OESTE", comparation2$municipio)

comparation2$municipio <- gsub("SANTA RITA D OESTE", "SANTA RITA D'OESTE",comparation2$municipio)

comparation2$municipio <- gsub("PALMEIRA D OESTE", "PALMEIRA D'OESTE", comparation2$municipio)

comparation2$municipio <- gsub("SANTA BÁRBARA D OESTE", "SANTA BÁRBARA D'OESTE", comparation2$municipio)

comparation2$municipio <- gsub("ESTRELA D OESTE", "ESTRELA D'OESTE", comparation2$municipio)

comparation2$municipio <- gsub("APARECIDA D OESTE", "APARECIDA D'OESTE", comparation2$municipio)

## depois da correcao realizar a juncao

full_maps2 <- 

  left_join(state, comparation2, by=c('muni' = 'municipio'))

## grafico de visualizacao

m2 <- 

  ggplot() +

  geom_sf(data = full_maps2, 

          aes(fill = vencedor), 

          color = "black") +

  scale_fill_manual(values = c(`TARCISIO` = "#4047ad", 

                               `HADDAD` = "#802d34"))+

  theme_bw()+

  labs(title = 'Maior quantidade de votos por município de São Paulo',

       subtitle = 'TARCISIO VS HADDAD (2º Turno)')+

  theme(axis.text.x = element_blank(),

        axis.text.y = element_blank(),

        plot.title = element_text(size = 11,

                                  face='bold'),

        plot.subtitle = element_text(size=9,

                                     face='italic'))

Com os gráficos criados, vamos apenas criar a contagem de municipios por candidatos e visualizar os dois: 

print(sum(str_count(full_maps1$vencedor, 'TARCISIO')))

## [1] 539

print(sum(str_count(full_maps2$vencedor, 'TARCISIO')))

## [1] 566

print(sum(str_count(full_maps1$vencedor, 'HADDAD')))

## [1] 106

print(sum(str_count(full_maps2$vencedor, 'HADDAD')))

## [1] 79

gridExtra::grid.arrange(m1, m2)

Assim, no primeiro turno Tarcisio foi vitorioso em 539 municípios, enquanto Haddad foi para 106. Já no segundo turno, o número de Tarcisio sobe para 566, já Haddad os municípios em que Haddad foi o vencedor diminuíram para 79. Que mostra a maior migração dos eleitores de Rodrigo Garcia e dos outros candidatos foram para Tarcisio.

Curiosamente, Tarcisio teve menos votos na maioria dos municípios correspondentes às proximidades da capital, Fernando Haddad vendeu em quase todos, durante o primeiro turno. Além desses locais, Tarcisio apenas teve desvantagem na totalidade de votos, em alguns municípios de Presidente Prudente, Sorocaba, Araraquara e Taubaté. Vencendo em todos os outros.

4.7 Qual foi a diferença de votos entre o primeiro e o segundo colocado na eleição para governador em São Paulo?

Como vimos nos gráficos, Tarcisio recebeu 9881995 votos e Haddad 8337139. Já no segundo turno Tarcisio teve 13480643 e Haddad 10909371. 

print(round(((9881995-8337139)/9881995)*100, 2))

## [1] 15.63

print(round(((13480643-10909371)/13480643)*100, 2))

## [1] 19.07

No primeiro turno, a diferença foi de 15.63% que passou para 19.07% no segundo turno.

5. Conclusão

O objetivo dessa análise foi meramente exploratório, tentando usar técnicas de ETL para responder as perguntas feitas pelo ChatGPT, as visualizações também, visaram apenas de maneiras simples dar uma visualização diferente das que encontramos como opção no site do TSE.