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

Coletando dados para monitoramento climático com Python

As condições climatológicas influenciam desde a safra de grãos até a decisão de um vendedor ambulante levar seu carrinho para a praia ou não. Por sua importância e impactos na economia do país, neste exercício mostramos como coletar e elaborar análises de dados sobre o clima usando o Python.

Coletando dados de secas e queimadas no Brasil com Python

Neste artigo exploramos fontes públicas de dados sobre secas e queimadas no Brasil. Mostramos como acessar, coletar e preparar os dados para elaboração de análises. Usamos a linguagem Python para desenvolver uma rotina automatizada.

Como analisar demonstrações contábeis usando IA

Neste post, vamos explorar como utilizar o modelo de linguagem Gemini do Google para analisar demonstrações contábeis anuais da Eletrobras e extrair informações relevantes para tomada de decisão. Através de um código Python, vamos importar os dados direto da CVM, conectar com o Gemini e gerar resumos sobre as contas das demonstrações e perspectivas futuras sobre as finanças da empresa.

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.