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)