Os indexadores da Dívida Bruta viraram um gráfico interativo com o R

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="left" use_border_color="off" border_color="#ffffff" border_style="solid"]

Muita gente que eu conheço alega que aprender é só para quem lida com muita estatística e econometria, que não valeria o investimento já que o Excel cumpre todas as funções do dia a dia. Nesse espaço procuro mostrar que não é bem assim. Com ele é possível unificar todo o processo de coleta, tratamento, análise e apresentação de dados. Para ilustrar uma vez mais, imagine que você precisa fazer um gráfico mensal a partir de dados disponíveis on line. Sem o R, você provavelmente iria no site onde está o dado, o baixaria, abriria o excel e começaria a trabalhar, não é mesmo? Depois, claro, você copiaria o gráfico e colaria no Power Point. Daí faria seu slide para apresentar ao seu cliente ou mesmo ao seu gestor. Correto? Com o R, seria diferente...

Com o R, a primeira coisa a fazer é abrir o RStudio e começar o seu script. Nesse ambiente você automatizará a sua tarefa mensal, isto é, você fará isso uma vez, depois apenas rodará o script na próxima vez que precisar. Legal, né? Mas não é só isso. Você irá no site sim, onde estão os dados, mas apenas para pegar o link do arquivo que precisa, como abaixo.

http://www.bcb.gov.br/ftp/notaecon/Partggp.zip

Com esse link, você vai começar o seu script...

## Carregar pacotes
library(ggplot2)
library(XLConnect)
## Importar dados
temp = tempfile()
download.file('http://www.bcb.gov.br/ftp/notaecon/Partggp.zip',temp)
data = unzip(temp, files='Partggp.xls')
data = loadWorkbook(data)
dbgg = readWorksheet(data, sheet = 1, header = TRUE, 
 colTypes = 'numeric')
## Retirar linhas e colunas que não interessam
dbgg = dbgg[, -c(1,2,6,10,15,16,17)] # Retirar colunas desimportantes
dbgg = dbgg[complete.cases(dbgg),] # Retirar linhas com NA
## Nomear colunas
colnames(dbgg) = c('DBGG', 'Cambial Interna', 'Cambial Externa', 
 'IGP-M', 'IGP-DI', 'IPCA', 'SELIC', 'TJLP', 'TR', 
 'PRÉ-FIXADO')
## Criar vetor de datas para o gráfico e juntar datas e dados em um mesmo objeto
dates = seq(as.Date('2006-12-01'), as.Date('2016-12-01'), by='1 month')
dbgg = cbind(dates, dbgg)
## Gerar gráfico
theme_set(theme_minimal())

ggplot(dbgg, aes(x=dates))+
 xlab('')+ylab('% DBGG')+
 geom_area(aes(y=dbgg$SELIC, fill="SELIC"))+
 geom_area(aes(y=dbgg$`PRÉ-FIXADO`, fill="PRÉ-FIXADO"))+
 geom_area(aes(y=dbgg$IPCA, fill='IPCA'))+
 geom_area(aes(y=dbgg$`Cambial Externa`, fill='CAMBIAL EXTERNA'))+
 geom_area(aes(y=dbgg$`IGP-M`, fill='IGP-M'))+
 geom_area(aes(y=dbgg$TR, fill='TR'))+
 geom_area(aes(y=dbgg$`IGP-DI`, fill='IGP-DI'))+
 geom_area(aes(y=dbgg$`Cambial Interna`, fill='CAMBIAL INTERNA'))+
 geom_area(aes(y=dbgg$TJLP, fill='TJLP'))+
 scale_fill_manual("", 
 values = c("SELIC"="darkblue", 
 "PRÉ-FIXADO"="#f8766d",
 'IPCA'="orange",
 'CAMBIAL EXTERNA'="red",
 'IGP-M'="#9999CC",
 'TR'="darkred",
 'IGP-DI'="darkgreen",
 'CAMBIAL INTERNA'="#00ba38",
 'TJLP'="blue"))+
 theme(legend.position="bottom")+
 labs(title='Indexadores da Dívida Bruta brasileira',
 caption='Fonte: analisemacro.com.br com dados do Banco Central.')
 

Com esse código você gerará um gráfico bem bonito. Mas talvez você queira disponibilizar ele on line, para qualquer um acessar. Daí você pode complementar com o código abaixo

library(plotly)
g = ggplotly()
plotly_POST(g, filename = 'dbgg', sharing = 'public')

E pronto, aí está o seu gráfico, que você pode atualizar todo mês, executando o mesmo código acima... Bom, não? 🙂

 

_____________________________________

OBS: Para integrar o R com o Plotly, veja aqui.

[/et_pb_text][/et_pb_column][/et_pb_row][et_pb_row admin_label="row" make_fullwidth="off" use_custom_width="off" width_unit="on" use_custom_gutter="off" padding_mobile="off" background_color="#8300e9" allow_player_pause="off" parallax="off" parallax_method="off" make_equal="off" parallax_1="off" parallax_method_1="off" column_padding_mobile="on"][et_pb_column type="1_2"][et_pb_text admin_label="Texto" background_layout="dark" text_orientation="left" use_border_color="off" border_color="#ffffff" border_style="solid"]

No nosso Curso de Análise de Conjuntura usando o R os alunos aprendem a coletar, tratar, analisar e apresentar dados macroeconômicos usando o poder do R/RStudio e do Beamer/LaTeX. Saiba mais sobre esse curso inovador clicando no botão abaixo!

[/et_pb_text][et_pb_button admin_label="Botão" button_url="https://analisemacro.com.br/cursos-de-r/analise-de-conjuntura/" url_new_window="off" button_text="Ir para o Curso de Análise de Conjuntura" button_alignment="center" background_layout="dark" custom_button="off" button_letter_spacing="0" button_use_icon="default" button_icon_placement="right" button_on_hover="on" button_letter_spacing_hover="0"] [/et_pb_button][/et_pb_column][et_pb_column type="1_2"][et_pb_text admin_label="Texto" background_layout="dark" text_orientation="left" use_border_color="off" border_color="#ffffff" border_style="solid"]

Relatórios, apresentações e exercícios macroeconométricos usando extensivamente o R são feitos no âmbito do Clube do Código, o espaço de compartilhamento de códigos da Análise Macro. Ainda não conhece o Clube?! Saiba mais abaixo.

[/et_pb_text][et_pb_button admin_label="Botão" button_url="https://analisemacro.com.br/clube-do-codigo/" url_new_window="off" button_text="Ir para o Clube do Código" button_alignment="center" background_layout="dark" custom_button="off" button_letter_spacing="0" button_use_icon="default" button_icon_placement="right" button_on_hover="on" button_letter_spacing_hover="0"] [/et_pb_button][/et_pb_column][/et_pb_row][/et_pb_section]

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como Criar um Agente Analista Financeiro com LangGraph e Dados da CVM

Este post apresenta a construção de um sistema multiagente para análise financeira automatizada com LangGraph. A partir dos dados das demonstrações contábeis da CVM, mostramos como agentes especializados podem interpretar perguntas, consultar bancos de dados e gerar análises financeiras, simulando o trabalho de um analista.

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.

Como criar um Agente de IA coletor de dados

A tecnologia de agentes de IA está democratizando o acesso e a manipulação de dados econômicos complexos, tornando-a acessível mesmo para aqueles sem experiência em programação. Neste post discutimos a criação de agentes de IA para coletar dados econômicos brasileiros usando linguagem natural, como "Qual é a expectativa do IPCA para 2025?".

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.