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

Como preparar os dados para um modelo preditivo?

Modelos de previsão macroeconômica podem facilmente alcançar um número elevado de variáveis. Mesmo modelos simplificados, como o Modelo de Pequeno Porte (MPP) do Banco Central, usam cerca de 30 variáveis. Isso impõe um grande desafio ao nosso dia a dia: como fazer a gestão destes dados para uso em modelos, desde a coleta até o tratamento?

Transfer Learning para Previsão de Séries Temporais com o Python

A aprendizagem por transferência (ou transfer learning) é a técnica de reutilizar um modelo previamente treinado em um novo problema. Esse conceito representa um grande avanço para a previsão de variáveis, especialmente aquelas organizadas ao longo do tempo, como séries temporais. Neste post, exploramos como usar transfer learning com Python para trabalhar com esse tipo de dado.

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.