Analisando os grupos do IPCA com o Python

A inflação é conhecida como o termo que representa a taxa de crescimento do nível geral de preços entre dois períodos distintos. No Brasil, o indicador que consolidou-se como o principal índice de preços é o Índice de Preços ao Consumidor Amplo (IPCA), divulgado pelo IBGE e amplamente utilizado pela autoridade monetária como referência para realizar o controle da inflação. Neste artigo mostramos como obter a contribuição de cada grupo do IPCA usando o Python.

O IPCA é divulgado mensalmente pelo IBGE, e podemos importar os dados diretamente do SIDRA, através de sua API. Para auxiliar no processo de extração de dados usamos a biblioteca sidrapy, que permite obtermos os dados inserindo os parâmetros sobre a API da tabela de interesse.

Aprenda a coletar, processar e analisar dados macroeconômicos no curso de Análise de Conjuntura usando o Python.

Nosso objetivo aqui será o de buscar a série de peso e variação de cada grupo do IPCA, e de posse dos dados, calculamos a contribuição de cada grupo sobre o IPCA. Ao fim, criamos um gráfico de barras que permite avaliarmos o IPCA por grupos.

IPCA Contribuição por grupo

O primeiro passo será buscar a série na plataforma do sidra de forma que possamos resgatar os códigos do parâmetros.

Uma vez obtida a API da tabela 1737, e seus respectivos códigos, utilizamos a função get_table para obter a série. A API que gerou os dados foi a seguinte: /t/7060/n1/all/v/63,66/p/all/c315/7170,7445,7486,7558,7625,7660,7712,7766,7786/d/v63%202,v66%204.

Abaixo, os últimos valores da tabela resultante após realizarmos as etapas de coleta, tratamento e manipulação de dados. De posse do dataframe apresentado, criamos o gráfico em seguida.

Código
variable date groups contribuicao
423 2023-12-01 1.Alimentação e bebidas 0.233151
424 2023-12-01 2.Habitação 0.052217
425 2023-12-01 3.Artigos de residência 0.028743
426 2023-12-01 4.Vestuário 0.033312
427 2023-12-01 5.Transportes 0.100522
428 2023-12-01 6.Saúde e cuidados pessoais 0.046640
429 2023-12-01 7.Despesas pessoais 0.048705
430 2023-12-01 8.Educação 0.014062
431 2023-12-01 9.Comunicação 0.001929

 

Através do gráfico acima podemos analisar quais grupos contribuíram positiva e negativamente para a variação mensal do IPCA no mês.

Quer aprender mais?

Clique aqui para fazer seu cadastro no Boletim AM e baixar o código que produziu este exercício, além de receber novos exercícios com exemplos reais de análise de dados envolvendo as áreas de Data Science, Econometria, Machine Learning, Macroeconomia Aplicada, Finanças Quantitativas e Políticas Públicas diretamente em seu e-mail.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

O que é e como funcionam Sistemas Multi-Agentes

Sistemas multi-agentes (MAS) representam uma nova forma de estruturar aplicações de inteligência artificial, especialmente úteis para lidar com problemas complexos e distribuídos. Em vez de depender de um único agente generalista, esses sistemas são compostos por múltiplos agentes especializados que colaboram, competem ou se coordenam para executar tarefas específicas. Neste post, explicamos o que são os MAS, seus principais componentes (como LLMs, ferramentas e processos) e as arquiteturas mais comuns.

O que é um Vector Database e como criar um com LangChain

Nesta postagem, mostramos como construir um pipeline simples de RAG (Retrieval-Augmented Generation) usando o LangChain, o modelo Gemini 2.0 Flash e o Vector Database Chroma. Utilizamos como exemplo o Relatório de Inflação de junho de 2025 do Banco Central do Brasil. O fluxo envolve o download e leitura do PDF, divisão do texto com RecursiveCharacterTextSplitter, geração de embeddings com Gemini, armazenamento vetorial com Chroma e busca semântica para responder perguntas com base no conteúdo do relatório. É uma aplicação prática e didática para economistas que desejam integrar IA ao seu fluxo de análise.

Automatizando a Construção de Códigos em Python com LangGraph

Neste post, mostramos como construir um agente de código em Python utilizando LangGraph, LangChain e Gemini. A proposta é construir um protótipo para automatizar o ciclo completo de geração, execução e correção de código com o uso de LLMs, organizando o processo em um grafo de estados.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.