datazoom_social_Stata/auto_dict.R at main · datazoompuc/datazoom_social_Stata · GitHub

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
library(magrittr)
library(stringr)

# Script para construir automaticamente dicionários da PNADC
# Lê dicionários de SAS em formato .txt
# COnverte em .dct do Stata

# Componentes:
# 1. Posição
# 2. Data type do Stata
# 3. Nome da variável
# 4. Comprimento, %2f
# 5. Descrição

# basta rodar a função auto_dict com as opções
# original: caminho até o dicionário original em .txt, ou até link para o site
# output: caminho para salvar o produto final, com .dct
# eng: TRUE/FALSE determinando se vai traduzir ou não
# api_key: caso queira traduzir, chave de API do DeepL

auto_dict <- function(original, output, eng, api_key = "") {
  # Lendo o dicionário

  dct <- readLines(original, encoding = "latin1", warn = FALSE)

  # Removendo linhas estranhas
  # mantendo apenas o que começa com @
  # onde tem variáveis

  dct <- dct[str_detect(dct, "@.*")]

  # iniciando a conversão de SAS para Stata

  # primeiro separo a descrição das variáveis do resto
  # separador é /*

  dct <- dct %>%
    str_split(fixed("/*"), simplify = TRUE)

  # salvo a descrição em um vetor

  desc <- dct[, 2] %>%
    str_remove(fixed("*/")) %>%
    str_trim()

  # resto do dicionario
  dct <- dct[, 1]

  # agora separo as outras colunas com base em espaços
  dct <- dct %>%
    str_split(" ", simplify = TRUE)

  # removo colunas vazias
  dct <- dct[, colSums(dct != "") > 0]

  # coluna de posicao
  # @1234 -> _column(1234)

  position <- dct[, 1] %>%
    str_replace("@(\\d+)", "_column(\\1)")

  # nomes das variáveis
  names <- dct[, 2]

  # comprimento
  length_num <- dct[, 3] %>%
    str_extract("\\d+") %>%
    as.numeric()

  length <- length_num %>%
    sprintf("%%%sf", .)

  # agora os data types

  types <- dplyr::case_when(
    length_num <= 2 ~ "byte",
    length_num <= 4 ~ "int",
    length_num <= 9 ~ "long",
    .default = "float"
  )

  # opcional: tradução para inglês

  if (eng) {
    deeplr::usage2(auth_key = api_key)

    desc <- purrr::map(

      # Splitting the data into batches of 10 rows
      split(desc, ceiling(seq_along(desc) / 5)),
      function(x) {

        res <- deeplr::translate2(
          text = x,
          source_lang = "PT",
          target_lang = "EN",
          auth_key = api_key
        )

        cat("Time for a break!\n")
        Sys.sleep(10)

        return(res)

      }
    ) %>%
      unlist()
  }

  # acrescento aspas
  desc <- sprintf("`\"%s\"'", desc)

  # montando o dicionário

  dct <- paste(
    position, types, names, length, desc,
    sep = "\t"
  )

  # header e footer

  dct <- c(
    "dictionary{",
    dct,
    "}"
  )

  # salvando

  writeLines(dct, output)
}

  # salvando (corrigindo acentos)
#   con <- file(output, open = "w", encoding = "UTF-8")
#   writeLines(dct, con)
#   close(con)
# }