enderecobr é um pacote de R que permite padronizar endereços brasileiros a partir de diferentes critérios. Os métodos de padronização atualmente incluem apenas manipulações de strings, não oferecendo suporte a correspondências probabilísticas entre strings.
A última versão estável pode ser baixada do CRAN com o comando a seguir:
Caso prefira, a versão em desenvolvimento também pode ser usada. Para isso, use o seguinte comando:
O enderecobr disponibiliza funções para padronizar os diversos campos de um endereço. Essas funções agem tanto sobre campos individuais quanto sobre um conjunto de campos. Vamos ver, primeiro, como funcionam as funções que agem sobre múltiplos campos simultaneamente.
A padronizar_enderecos(), carro-chefe do pacote, atua de
forma simultânea sobre os vários campos que podem compor um endereço.
Para isso, ela recebe um dataframe e a correspondência entre suas
colunas e os campos a serem padronizados:
library(enderecobr)
enderecos <- data.frame(
id = 1,
tipo = "r",
logradouro = "ns sra da piedade",
nroLogradouro = 20,
complemento = "qd 20",
cep = 25220020,
bairro = "jd botanico",
codmun_dom = 3304557,
uf_dom = "rj"
)
campos <- correspondencia_campos(
tipo_de_logradouro = "tipo",
logradouro = "logradouro",
numero = "nroLogradouro",
complemento = "complemento",
cep = "cep",
bairro = "bairro",
municipio = "codmun_dom",
estado = "uf_dom"
)
padronizar_enderecos(enderecos, campos_do_endereco = campos)
#> id tipo logradouro nroLogradouro complemento cep
#> <num> <char> <char> <num> <char> <num>
#> 1: 1 r ns sra da piedade 20 qd 20 25220020
#> bairro codmun_dom uf_dom tipo_de_logradouro_padr
#> <char> <num> <char> <char>
#> 1: jd botanico 3304557 rj RUA
#> logradouro_padr numero_padr complemento_padr cep_padr
#> <char> <char> <char> <char>
#> 1: NOSSA SENHORA DA PIEDADE 20 QUADRA 20 25220-020
#> bairro_padr municipio_padr estado_padr
#> <char> <char> <char>
#> 1: JARDIM BOTANICO RIO DE JANEIRO RIO DE JANEIRONote que no exemplo acima nós também utiliza a função
correspondencia_campos(), que facilita o processo de
especificação de correspondência entre as colunas do dataframe e os
campos do endereço a serem padronizados. Com ela, nós especificamos que
a coluna que contém a informação de tipo de logradouro se chama
"tipo", que a coluna de número do logradouro se chama
"nroLogradouro", etc. Na prática, no entanto, essa função é
opcional, e poderíamos simplesmente passar um vetor de caracteres no
formato
c(tipo_de_logradouro = "tipo", logradouro = "logradouro", ...).
A correspondencia_campos(), no entanto, realiza alguns
testes no input, garantindo que o vetor a ser passado pra
padronizar_enderecos() esteja corretamente formatado.
A padronizar_enderecos() contém, ainda, cinco parâmetros
adicionais. O formato_estados e o
formato_numeros controlam como os estados e números
padronizados, respectivamente, devem ser formatados. Caso
formato_estados seja "por_extenso" (valor
padrão), a função retorna o nome dos estados por extenso; caso seja
"sigla", os estados são padronizados conforme suas
respectivas siglas. Por sua vez, caso formato_numeros seja
"character", a função retorna os números padronizados como
caracteres, preservando valores como "S/N", que possuem
letras e outros dígitos que não podem ser convertidos para valores
numéricos; caso seja "integer", no entanto, os números são
retornados como valores inteiros. Caso algum valor não possa ser
convertido para inteiro, a função o substitui por NA e
lança um warning alertando sobre a situação. Os exemplos a seguir
demonstram esses parâmetros detalhadamente:
campos <- correspondencia_campos(
numero = "nroLogradouro",
estado = "uf_dom"
)
padronizar_enderecos(
enderecos[, c("nroLogradouro", "uf_dom")],
campos,
formato_estados = "por_extenso",
formato_numeros = "character"
)
#> nroLogradouro uf_dom numero_padr estado_padr
#> <num> <char> <char> <char>
#> 1: 20 rj 20 RIO DE JANEIRO
padronizar_enderecos(
enderecos[, c("nroLogradouro", "uf_dom")],
campos,
formato_estados = "sigla",
formato_numeros = "integer"
)
#> nroLogradouro uf_dom numero_padr estado_padr
#> <num> <char> <int> <char>
#> 1: 20 rj 20 RJ
# o exemplo abaixo gera um warning, pois o número não pode ser convertido para
# inteiro de forma adequada
padronizar_enderecos(
data.table::data.table(numero = "12A 13B"),
correspondencia_campos(numero = "numero"),
formato_numeros = "integer"
)
#> Warning in padronizar_enderecos(data.table::data.table(numero = "12A 13B"), : Alguns números não puderam ser convertidos para integer, introduzindo NAs no
#> resultado.
#> numero numero_padr
#> <char> <int>
#> 1: 12A 13B NAO manter_cols_extras determina as colunas incluídas no
output da função. Caso seja TRUE (valor padrão), todas as
colunas do dataframe original são mantidas; caso seja
FALSE, apenas as colunas usadas na padronização e seus
respectivos resultados são preservados. O bloco abaixo demonstra essa
funcionalidade:
campos <- correspondencia_campos(
tipo_de_logradouro = "tipo",
logradouro = "logradouro"
)
padronizar_enderecos(enderecos, campos, manter_cols_extras = TRUE)
#> id nroLogradouro complemento cep bairro codmun_dom uf_dom
#> <num> <num> <char> <num> <char> <num> <char>
#> 1: 1 20 qd 20 25220020 jd botanico 3304557 rj
#> tipo logradouro tipo_de_logradouro_padr logradouro_padr
#> <char> <char> <char> <char>
#> 1: r ns sra da piedade RUA NOSSA SENHORA DA PIEDADE
padronizar_enderecos(enderecos, campos, manter_cols_extras = FALSE)
#> tipo logradouro tipo_de_logradouro_padr logradouro_padr
#> <char> <char> <char> <char>
#> 1: r ns sra da piedade RUA NOSSA SENHORA DA PIEDADEO combinar_logradouro, por sua vez, determina se os
campos que compõem o logradouro (tipo, nome e número) devem ser
combinados em um único campo padronizado de logradouro completo. Caso
seja FALSE(valor padrão), os campos permanecem separados;
se for TRUE, são combinados. Nesse caso, o parâmetro
logradouro da correspondencia_campos() deve
ser interpretado como o nome do logradouro. A seguir,
demonstramos essa funcionalidade:
enderecos <- data.frame(
tipo = "r",
logradouro = "ns sra da piedade",
nroLogradouro = 20
)
campos <- correspondencia_campos(
tipo_de_logradouro = "tipo",
logradouro = "logradouro",
numero = "nroLogradouro"
)
padronizar_enderecos(enderecos, campos, combinar_logradouro = FALSE)
#> tipo logradouro nroLogradouro tipo_de_logradouro_padr
#> <char> <char> <num> <char>
#> 1: r ns sra da piedade 20 RUA
#> logradouro_padr numero_padr
#> <char> <char>
#> 1: NOSSA SENHORA DA PIEDADE 20
padronizar_enderecos(enderecos, campos, combinar_logradouro = TRUE)
#> tipo logradouro nroLogradouro logradouro_completo_padr
#> <char> <char> <num> <char>
#> 1: r ns sra da piedade 20 RUA NOSSA SENHORA DA PIEDADE 20O quinto parâmetro, checar_tipos, tem efeito apenas
quando combinar_logradouro é TRUE, e deve ser
usado para sinalizar se a ocorrência de duplicatas entre os tipos e
nomes de logradouros deve ser verificada ao combiná-los (por exemplo,
quando o tipo é descrito como “RUA” e o nome como “RUA BOTAFOGO”). Caso
seja FALSE (valor padrão), a verificação não é feita; se
for TRUE, a verificação é realizada e valores duplicados
são removidos, como apresentado a seguir:
enderecos <- data.frame(
tipo = "r",
logradouro = "r ns sra da piedade",
nroLogradouro = 20
)
padronizar_enderecos(
enderecos,
campos,
combinar_logradouro = TRUE,
checar_tipos = FALSE
)
#> tipo logradouro nroLogradouro logradouro_completo_padr
#> <char> <char> <num> <char>
#> 1: r r ns sra da piedade 20 RUA RUA NOSSA SENHORA DA PIEDADE 20
padronizar_enderecos(
enderecos,
campos,
combinar_logradouro = TRUE,
checar_tipos = TRUE
)
#> tipo logradouro nroLogradouro logradouro_completo_padr
#> <char> <char> <num> <char>
#> 1: r r ns sra da piedade 20 RUA NOSSA SENHORA DA PIEDADE 20Os parâmetros combinar_logradouro e
checar_tipos acionam, de forma oculta, outra função que
lida com múltiplos campos simultaneamente: a
padronizar_logradouros_completos(). Essa função também pode
ser usada de forma separada e, de forma similiar à
padronizar_enderecos(), recebe um dataframe com as
informações do logradouro (tipo, nome e número) e a correspondência
entre suas colunas e os campos a serem padronizados:
campos <- correspondencia_logradouro(
tipo_de_logradouro = "tipo",
nome_do_logradouro = "logradouro",
numero = "nroLogradouro"
)
padronizar_logradouros_completos(enderecos, campos_do_logradouro = campos)
#> tipo logradouro nroLogradouro logradouro_completo_padr
#> <char> <char> <num> <char>
#> 1: r r ns sra da piedade 20 RUA RUA NOSSA SENHORA DA PIEDADE 20Note que, nesse caso, usamos a função
campos_do_logradouro() para estabelecer a correspondência
entre colunas e campos do endereço, mas também poderíamos passar um
vetor de caracteres no argumento campos_do_logradouro. A
padronizar_logradouros_completos() também inclui os
parâmetros manter_cols_extras e checar_tipos,
que funcionam de forma idêntica aos parâmetros de mesmo nome da
padronizar_enderecos().
Por trás dos panos, tanto a padronizar_enderecos()
quanto a padronizar_logradouros_completos() utilizam
diversas outras funções que padronizam campos de forma individual. Cada
uma delas recebe um vetor com valores não padronizados e retorna um
vetor de mesmo tamanho com os respectivos valores padronizados. As
funções atualmente disponíveis são:
padronizar_estados()padronizar_municipios()padronizar_bairros()padronizar_ceps()padronizar_logradouros()padronizar_numeros()padronizar_tipos_de_logradouro()padronizar_complementos()A padronizar_estados() aceita vetores de strings e
números. Caso numérico, o vetor deve conter o código
do IBGE de cada estado. Caso seja composto de strings, o vetor pode
conter a sigla do estado, seu código ou seu nome por extenso. O
parâmetro formato controla como o output deve ser
padronizado, se conforme a sigla de cada estado ("sigla")
ou se conforme seu nome por extenso ("por_extenso", valor
padrão). Quando recebe um vetor de strings, a função aplica diversas
manipulações para chegar a um valor padronizado, como a conversão de
caracteres para caixa alta, remoção de acentos e caracteres não ASCII e
remoção de espaços em branco antes e depois dos valores e de espaços em
excesso entre palavras. O código abaixo apresenta exemplos de aplicação
da função.
estados <- c("21", " 21", "MA", " MA ", "ma", "MARANHÃO")
padronizar_estados(estados)
#> [1] "MARANHAO" "MARANHAO" "MARANHAO" "MARANHAO" "MARANHAO" "MARANHAO"
padronizar_estados(estados, formato = "sigla")
#> [1] "MA" "MA" "MA" "MA" "MA" "MA"
estados <- c(21, 32)
padronizar_estados(estados)
#> [1] "MARANHAO" "ESPIRITO SANTO"A função de padronização de campos de município,
padronizar_municipios(), funciona de forma muito
semelhante, aceitando também valores numéricos representando os códigos
dos municípios e strings. As mesmas manipulações de remoção de espaços,
conversão para caixa alta e conversão para caracteres são aplicadas
(assim como nos demais tratamentos de vetores de strings que serão
apresentados a seguir), mas a função também verifica erros ortográficos
frequentemente observados nos nomes dos municípios (e.g. Moji Mirim
-> Mogi Mirim, Parati -> Paraty).
municipios <- c(
"3304557", "003304557", " 3304557 ", "RIO DE JANEIRO", "rio de janeiro",
"SÃO PAULO"
)
padronizar_municipios(municipios)
#> [1] "RIO DE JANEIRO" "RIO DE JANEIRO" "RIO DE JANEIRO" "RIO DE JANEIRO"
#> [5] "RIO DE JANEIRO" "SAO PAULO"
municipios <- 3304557
padronizar_municipios(municipios)
#> [1] "RIO DE JANEIRO"
municipios <- c("PARATI", "MOJI MIRIM")
padronizar_municipios(municipios)
#> [1] "PARATY" "MOGI MIRIM"A padronizar_bairros() trabalha exclusivamente com
vetores de strings. Como os nomes de bairros são muito mais variados e,
consequentemente, menos rigidamente controlados do que os de estados e
municípios, a função se atém a corrigir erros ortográficos e a expandir
abreviações frequentemente utilizadas através de diversas expressões
regulares (regexes). O exemplo abaixo mostra algumas das muitas
abreviações usualmente empregadas no preenchimento de endereços.
bairros <- c(
"PRQ IND",
"NSA SEN DE FATIMA",
"ILHA DO GOV",
"VL OLIMPICA",
"NUC RES"
)
padronizar_bairros(bairros)
#> [1] "PARQUE INDUSTRIAL" "NOSSA SENHORA DE FATIMA"
#> [3] "ILHA DO GOVERNADOR" "VILA OLIMPICA"
#> [5] "NUCLEO RESIDENCIAL"A padronizar_ceps() é outro exemplo de função que
trabalha com strings e números. Caso o input seja numérico, a função
verifica se os valores possuem comprimentos compatíveis com um CEP,
adicionando zeros à esquerda se necessário (é muito comum que leitores
de CSV, por exemplo, erroneamente leiam valores de CEP como números e
excluam zeros à esquerda por considerá-los redundantes). Caso o input
seja formado por strings, a função remove caracteres que frequentemente
são usados para separar partes do CEP (e.g. pontos, vírgulas, espaços em
branco) e verifica se o hífen separando os cinco primeiros dígitos dos
três últimos está presente, adicionando-o caso contrário. A função ainda
produz erros se recebe como input valores que não podem ser corretamente
convertidos em CEPs, como no caso de strings contendo caracteres não
numéricos e de strings com caracteres em excesso.
ceps <- c("22290-140", "22.290-140", "22290 140", "22290140")
padronizar_ceps(ceps)
#> [1] "22290-140" "22290-140" "22290-140" "22290-140"
ceps <- c(22290140, 1000000)
padronizar_ceps(ceps)
#> [1] "22290-140" "01000-000"
padronizar_ceps("2229014a")
#> Error in `padronizar_ceps()`:
#> ! CEP não deve conter letras.
#> ℹ O elemento com índice 1 possui letras.
padronizar_ceps("022290140")
#> Error in `padronizar_ceps()`:
#> ! CEP não deve conter mais que 8 dígitos.
#> ℹ O elemento com índice 1 possui mais que 8 dígitos após padronização.A tarefa de padronizar logradouros é a mais complexa dentre as
apresentadas até aqui, uma vez que o campo de logradouro é o que
apresenta maior variabilidade de input. A
padronizar_logradouros(), portanto, assim como a função de
padronização de bairros, se limita a expandir abreviações frequentemente
utilizadas e a corrigir alguns poucos erros de digitação, fora o
tratamento usual dado a strings, como conversão para caixa alta, remoção
de espaços em excesso e antes e depois das strings, etc.
logradouros <- c(
"r. gen.. glicério, 137",
"cond pres j. k., qd 05 lt 02 1",
"av d pedro I, 020"
)
padronizar_logradouros(logradouros)
#> [1] "RUA GENERAL GLICERIO, 137"
#> [2] "CONDOMINIO PRESIDENTE JUSCELINO KUBITSCHEK, QUADRA 5 LOTE 2 1"
#> [3] "AVENIDA DOM PEDRO I, 20"A padronizar_numeros() tem como objetivo padronizar o
número do logradouro, caso este esteja em um campo separado do
logradouro propriamente dito. A função aceita vetores de números e
strings e retorna um vetor de strings ou inteiros, a depender do
parâmetro formato (que pode receber os valores
"character" e "integer", auto-explicativos).
Os tratamentos incluem a remoção de zeros à esquerda, remoção de espaços
em branco em excesso e a substituição de variações de SN (sem número)
por “S/N”. Note que o equivalente de “S/N” quando o output é numérico é
NA. Valores que não puderem ser adequadamente convertidos
para inteiro também são substituídos por NA, o que é
sinalizado por um warning.
numeros <- c("0210", "001", "1", "S N", "S/N", "SN", "0180 0181")
padronizar_numeros(numeros)
#> [1] "210" "1" "1" "S/N" "S/N" "S/N" "180 181"
# o exemplo abaixo gera um warning, pois "0180 0181" não pode ser adequadamente
# convertido para um único valor inteiro - as variações de S/N, por sua vez, já
# seriam convertidas para NA
numeros <- c("0210", "001", "1", "S N", "S/N", "SN", "0180 0181")
padronizar_numeros(numeros, formato = "integer")
#> Warning in padronizar_numeros(numeros, formato = "integer"): Alguns números não puderam ser convertidos para integer, introduzindo NAs no
#> resultado.
#> [1] 210 1 1 NA NA NA NA
numeros <- c(210, 1, 10000)
padronizar_numeros(numeros)
#> [1] "210" "1" "10000"Outra função que atua sobre uma informação específica do logradouro,
caso essa seja fornecida separadamente, é a
padronizar_tipos_de_logradouro(). Fora o tratamento usual
dado a strings, a função também expande abreviações frequentemente
observadas no campo de tipo de logradouro.
tipos <- c("r", "R.", "AVN", "AVE", "JDM", "QD")
padronizar_tipos_de_logradouro(tipos)
#> [1] "RUA" "RUA" "AVENIDA" "AVENIDA" "JARDIM" "QUADRA"Por fim, a padronizar_complementos() age de forma
similar às funções de padronização de logradouros e bairros, porém
agindo de forma mais específica em abreviações e observações
frequentemente observados na especificação de complementos de
logradouros.
O disparo de mensagens com informações sobre a execução das funções
pode ser controlado pela opção enderecobr.verbose, que
recebe os valores "quiet" ou "verbose", como
demonstrado a seguir:
campos <- correspondencia_logradouro(
nome_do_logradouro = "logradouro",
numero = "nroLogradouro"
)
# quieto, por padrão
res <- padronizar_logradouros_completos(enderecos, campos)
# verboso, se desejado
rlang::local_options("enderecobr.verbose" = "verbose")
res <- padronizar_logradouros_completos(enderecos, campos)
#> ✔ Padronizando nomes dos logradouros... [130ms]
#> ✔ Padronizando números... [111ms]
#> ✔ Trazendo números para o logradouro completo... [107ms]