Det finns en gemensam databas för Sveriges kommuner och landsting/regioner som heter Kolada. Databasen innehåller runt 5 000 olika nyckeltal. Det finns ett API kopplat till databasen vilket gör att vi kan ladda in data i R. Nackdelen är att API:et skapar datastrukturer som är ganska svårjobbade. Men med lite hjälp av funktionerna i purrr-paketet går det att trassla ut de komplicerade liststrukturerna och få fram en dataframe som output. Hur det går till visas nedan.
Om man vill ladda hem data anropas API:et med ett GET-anrop. Databasen nås på “http://api.kolada.se/v2/data/”. Därefter läggs en kpi-kod (Key Performance Indicator) till i URL:en (till exempel “http://api.kolada.se/v2/kpi/N07402”) och dessutom kan år och/eller kommun fogas till URL:en (till exempel “http://api.kolada.se/v2/data/kpi/N07402/municipality/1280/year/2011”). Notera att kommunnummer används för att referera till kommun. Om man vill söka efter flera år och eller kommuner kan man ange flera värden separerade med kommatecken, till exempel “http://api.kolada.se/v2/data/kpi/N07402/municipality/1280,1281/year/2011,2015”.
En del indikatorer går att mäta på enhetsnivå, till exempel en enskild skola. I de fallen byts “municipality/kommunkod” ut mot “ou/enhetskod” (“ou” står förmodligen för “operational unit”) och anropet sker till “http://api.kolada.se/v2/oudata”.
Exempel 1: Våld mot kvinnor
Nedan går jag igenom hur man hittar indikatorn som redovisar antalet fall av grov kvinnofridskränkning per 100 000 invånare, hur man hämtar hem metadata om variabeln och hur man slutligen laddar hem data.
Hitta indikatorkoden
För att ladda hem en indikator måste man först veta vilken KPI-kod den har. Det går att ta reda på vilka indikatorer som finns och vilka koder de har med hjälp av API:et. Med koden nedan kan man få metainformation om alla indikatorer, inklusive KPI-koder, vilka finns under rubriken “id”.
library(httr)
library(purrr)
library(tidyr)
url <- "http://api.kolada.se/v2/kpi?"
lresult <- content(GET(url))
dfmeta <- map_df(.x = lresult$values, ~flatten(.x))
dfmeta
# # A tibble: 4,496 x 13
# auspices description has_ou_data id is_divided_by_g~ municipality_ty~ operating_area perspective prel_publicatio~ publ_period
# <chr> <chr> <lgl> <chr> <int> <chr> <chr> <chr> <chr> <chr>
# 1 E Personalkostnade~ FALSE N000~ 0 K Kommunen, överg~ Resurser 2018-05-03 2017
# 2 E Personalkostnade~ FALSE N000~ 0 K Kommunen, överg~ Resurser 2018-04-10 2017
# 3 X Kommunalekonomis~ FALSE N000~ 0 K Resultaträkning~ Resurser 2018-04-10 2017
# 4 NA Momsavgift, divi~ FALSE N000~ 0 K Skatter och utj~ Resurser NA NA
# 5 X Invånarrelaterat~ FALSE N000~ 0 K Skatter och utj~ Resurser NA NA
# 6 X Åldersrelaterat ~ FALSE N000~ 0 K Skatter och utj~ Resurser NA NA
# 7 NA Externa intäkter~ FALSE N000~ 0 K Kommunen, överg~ Resurser NA 2017
# 8 NA Inkomstutjämning~ FALSE N000~ 0 K Skatter och utj~ Resurser 2018-09-28 2019
# 9 NA Kostnadsutjämnin~ FALSE N000~ 0 K Skatter och utj~ Resurser 2018-09-28 2019
# 10 X Generellt statsb~ FALSE N000~ 0 K Skatter och utj~ Resurser NA NA
# # ... with 4,486 more rows, and 3 more variables: publication_date <chr>, title <chr>, ou_publication_date <chr>Om vi letar bland träffarna ovan så upptäcker vi att kpi-koden vi söker är “N07402”.
Ett annat alternativ är att söka indikator med hjälp av sökord:
url <- "http://api.kolada.se/v2/kpi?title=kvinnofridskränkning"
lresult <- content(GET(url))
dfmeta <- map_df(.x = lresult$values, ~flatten(.x))
dfmeta
# # A tibble: 1 x 11
# auspices description has_ou_data id is_divided_by_g~ municipality_ty~ operating_area perspective publ_period publication_date title
# <chr> <chr> <lgl> <chr> <int> <chr> <chr> <chr> <chr> <chr> <chr>
# 1 X Anmälda brott mot grov kvi~ FALSE N07402 0 K Befolkning Övrigt 2017 2018-03-27 Anmälda brott om ~Ladda hem metadata
# Ladda hem metadata
url <- "http://api.kolada.se/v2/kpi/N07402"
lresult <- content(GET(url))
dfmeta <- map_df(.x = lresult$values, ~flatten(.x))
dfmeta
# # A tibble: 1 x 11
# auspices description has_ou_data id is_divided_by_g~ municipality_ty~ operating_area perspective publ_period publication_date title
# <chr> <chr> <lgl> <chr> <int> <chr> <chr> <chr> <chr> <chr> <chr>
# 1 X Anmälda br~ FALSE N074~ 0 K Befolkning Övrigt 2017 2018-03-27 Anmä~
# > Ladda hem data
Nästa steg är att ladda hem data
# Ladda hem data --------------------------------------------------
# Ladda hem uppgifter om grov kvinnofridskränkning från Kolada. Välj data
# för Malmö och Lund, vilket motsvarar kommunkodern 1280 och 1281
url <- "http://api.kolada.se/v2/data/kpi/N07402/municipality/1280,1281"
lresult <- content(GET(url))
# Resultatet av frågan till API:et kommer i en komplicerad liststruktur, vilket
# kräver en del omstrukturering av data med hjälp av paketen purrr och tidyr:
ltrans <- transpose(lresult$values)
df <- map_df(.x = ltrans, .f = simplify)
df <- df %>%
unnest(values) %>%
mutate(values = map(values, ~flatten(.x) %>% bind_rows() ) ) %>%
unnest(values)
df
# # A tibble: 40 x 7
# kpi municipality period count gender status value
# <chr> <chr> <int> <int> <chr> <chr> <dbl>
# 1 N07402 1280 1998 1 T "" 2.75
# 2 N07402 1281 1998 1 T "" 0
# 3 N07402 1280 1999 1 T "" 14.8
# 4 N07402 1281 1999 1 T "" 1.02
# 5 N07402 1280 2000 1 T "" 17.7
# 6 N07402 1281 2000 1 T "" 1.01
# 7 N07402 1280 2001 1 T "" 17.9
# 8 N07402 1281 2001 1 T "" 2.01
# 9 N07402 1280 2002 1 T "" 19.2
# 10 N07402 1281 2002 1 T "" 7.97
# # ... with 30 more rowsExempel 2: Ladda hem data för en individuell skola
Den här gången vill vi veta “Antal elever i förskoleklass i kommunal skola belägen i kommunen. Uppgiften avser läsår, mätt 15 oktober”. Koden för indikatorn är “N11805”.
Ladda hem metadata
# Ladda hem metadata
url <- "http://api.kolada.se/v2/kpi/N11805"
lresult <- content(GET(url))
dfmeta <- map_df(.x = lresult$values, ~flatten(.x))
dfmeta
# # A tibble: 1 x 12
# auspices description has_ou_data id is_divided_by_g~ municipality_ty~ operating_area ou_publication_~ perspective publ_period
# <chr> <chr> <lgl> <chr> <int> <chr> <chr> <chr> <chr> <chr>
# 1 T Antal elever i förs~ TRUE N118~ 0 K Förskoleverks~ 2016-09-30 Volymer 2017
# # ... with 2 more variables: publication_date <chr>, title <chr>
# >Leta upp OU-id.
I GET-anropet till Kolada måste vi ange ett unikt ID-nummer för skolan - ett ou-ID. Vi laddar in alla unika ou-ID:n för enheter som innehåller ordet “skola” i en dataframe enligt nedan:
# Hämta lista på skol-id
url <- "http://api.kolada.se/v2/ou?title=skola"
lresult <- content(GET(url))
ltrans <- transpose(lresult$values)
dfobjekt <- map_df(.x = ltrans, .f = simplify)
dfobjekt
# # A tibble: 4,911 x 3
# id municipality title
# <chr> <chr> <chr>
# 1 V15E011400101 0114 Runby skola
# 2 V15E011400201 0114 Väsby skola
# 3 V15E011400805 0114 Grimsta skola
# 4 V15E011401201 0114 Bollstanäs skola
# 5 V15E011401601 0114 Breddenskolan
# 6 V15E011402801 0114 Södervikskolan
# 7 V15E011402901 0114 Odenskolan
# 8 V15E011403001 0114 Frestaskolan
# 9 V15E011403101 0114 Vikskolan
# 10 V15E011403501 0114 Resursskolan Magneten
# # ... with 4,901 more rows
# Man kan också söka alla enheter som finns i en kommun med:Sök alla enheter i en viss kommun
Ibland vill man ha reda på alla enheter som finns i en viss kommun. Då kan man skapa en fråga som returnerar den uppgiften:
url <- "http://api.kolada.se/v2/ou?municipality=1280"
lresult <- content(GET(url))
ltrans <- transpose(lresult$values)
dfobjekt <- map_df(.x = ltrans, .f = simplify)
dfobjekt
# # A tibble: 372 x 3
# id municipality title
# <chr> <chr> <chr>
# 1 V15E128000301 1280 Dammfriskolan
# 2 V15E128001301 1280 Ribersborgsskolan
# 3 V15E128001601 1280 Sofielundsskolan
# 4 V15E128001801 1280 Stenkulaskolan
# 5 V15E128002101 1280 Videdalsskolan
# 6 V15E128002201 1280 Österportsskolan
# 7 V15E128003301 1280 Slottsstadens skola
# 8 V15E128006301 1280 Bladins grundskola
# 9 V15E128006305 1280 Bladins International School of Malmö
# 10 V15E128006601 1280 Ängslättskolan
# # ... with 362 more rowsLadda hem data
Nästa steg är att ladda hem data. Vi väljer att ladda hem data för Dammfriskolan i Malmö, vilken har koden “V15E128000301”.
# Ladda hem data för en skola ---------------------------------------
# Dammfriskolan = V15E128000301
url <- "http://api.kolada.se/v2/oudata/kpi/N11805/ou/V15E128000301"
lresult <- content(GET(url))
ltrans <- transpose(lresult$values)
df <- map_df(.x = ltrans, .f = simplify)
df <- df %>%
unnest(values) %>%
mutate(values = map(values, ~flatten(.x) %>% bind_rows() ) ) %>%
unnest(values)
# # A tibble: 10 x 7
# kpi ou period count gender status value
# <chr> <chr> <int> <int> <chr> <chr> <dbl>
# 1 N11805 V15E128000301 2006 1 T Missing NA
# 2 N11805 V15E128000301 2007 1 T "" 39
# 3 N11805 V15E128000301 2008 1 T "" 37
# 4 N11805 V15E128000301 2009 1 T "" 40
# 5 N11805 V15E128000301 2010 1 T "" 38
# 6 N11805 V15E128000301 2011 1 T "" 48
# 7 N11805 V15E128000301 2012 1 T "" 57
# 8 N11805 V15E128000301 2014 1 T "" 61
# 9 N11805 V15E128000301 2015 1 T "" 68
# 10 N11805 V15E128000301 2016 1 T "" 73
# >