Análise regional da atividade econômica com dados do BCB usando Python

O Banco Central disponibiliza indicadores regionais sobre a atividade econômica, possibilitando análises a nível de regiões e estados brasileiros. Neste artigo mostramos como acessar, processar e analisar estes dados utilizando o Python.

Aprenda a coletar, processar e analisar dados na formação de Do Zero à Análise de Dados Econômicos e Financeiros com Python.

Passo 01: buscando dados no portal do Banco Central

  1. Acesse o site https://www3.bcb.gov.br/sgspub/
  2. Clique em “Economia Regional
  3. Escolha um região e um estado e selecione “Setor real”
  4. Escolha o indicador de atividade econômica de interesse e copie o código (ex: código “25404” para o indicador “IBCR-RS - com ajuste sazonal (2002=100)”)

Passo 02: coleta, tratamento e análise de dados no Python

Para obter o código e o tutorial deste exercício faça parte do Clube AM e receba toda semana os códigos em R/Python, vídeos, tutoriais e suporte completo para dúvidas.

  1. Abrir o Python (ex: acesse o Google Colab pelo endereço https://www.colab.new/)
  2. Importe as bibliotecas pandas e plotnine
  3. Utilize a API do Banco Central para construir o link de coleta de dados (ex: “https://api.bcb.gov.br/dados/serie/bcdata.sgs.25404/dados?formato=json”)
  4. Colete os dados usando o link de API no pandas
  5. Aplique os tratamentos necessários utilizando a biblioteca pandas
  6. data valor
    0 2003-01-01 101.22
    1 2003-02-01 106.74
    2 2003-03-01 107.85
    3 2003-04-01 107.87
    4 2003-05-01 101.72
  7. Produza sua análise de dados visualmente utilizando a biblioteca plotnine

No exemplo abaixo produzimos um gráfico do indicador de atividade econômica regional do Banco Central para o nível estadual:

Nota: a API do Banco Central é bastante instável, portanto erros podem acontecer e costumam ser resolvidos com retentativas.

Conclusão

O Banco Central disponibiliza indicadores regionais sobre a atividade econômica, possibilitando análises a nível de regiões e estados brasileiros. Neste artigo mostramos como acessar, processar e analisar estes dados utilizando o Python.

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

Análise exploratória para modelagem preditiva no Python

Antes de desenvolver bons modelos preditivos é necessário organizar e conhecer muito bem os dados. Neste artigo, damos algumas dicas de recursos, como gráficos, análises e estatísticas, que podem ser usados para melhorar o entendimento sobre os dados usando Python.

Como usar modelos do Sklearn para previsão? Uma introdução ao Skforecast

Prever séries temporais é uma tarefa frequente em diversas áreas, porém exige conhecimento e ferramentas específicas. Os modelos de machine learning do Sklearn são populadores, porém são difíceis de aplicar em estruturas temporais de dados. Neste sentido, introduzimos a biblioteca Skforecast, que integra os modelos do Sklearn e a previsão de séries temporais de forma simples.

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.