Dados da Economia Internacional em R e Python

Na análise de conjuntura econômica, o cenário econômico internacional representa um importante papel. O foco é acompanhar indicadores econômicos das principais economias internacionais, de forma a tirar conclusões sobre os seus efeitos no Brasil e na economia mundial. No post de hoje iremos mostrar como é possível coletar esses dados utilizando o R e o Python.

Para coletar os dados da economia internacional é possível utilizar o site da OECD, que permite capturar diversas estatísticas sobre os países membros da organização, bem como os não membros que possuem representatividade no mundo.

Por meio da seleção da estatística e dos países, é possível obter o código SDMX, planilhas e a API para acesso do dados. No R e no Python, isso é facilitado por meio do pacote {OECD} e pelo pandasdmx, respectivamente. Abaixo, vamos demonstrar os resultados de ambas as linguagens.

O código completo criado no R e no Python, que possibilita obter os dados da economia internacional, o tratamento e os gráficos abaixo, você pode obter através do Clube AM, o repositório especial da Análise Macro.

Coletando dados da Economia Internacional com o R

Com o R é possível coletar os dados utilizando o pacote {OECD}, definindo apenas o dataset no próprio site da stats OECD.
library(tidyverse)
library(OECD) # CRAN 0.2.4
library(lubridate)
## Parâmetros e códigos para coleta de dados
parametros <- list(
# Contas Nacionais Trimestrais (código do dataset na OECD)
dataset_qna = "QNA",
# Main Economic Indicators - dataset com principais indicadores (código do dataset na OECD)
dataset_mei = "MEI",
# PIB - Ótica da despesa (lista de países e variáveis para filtro no dataset QNA)
filter_gdp = "AUS+CHL+JPN+MEX+USA+EA19+CHN+IND+RUS+SAU.B1_GE.GYSA+GPSA.Q",
# Taxa de Inflação (lista de países e variáveis para filtro no dataset MEI)
filter_inflation = "AUS+CHL+JPN+MEX+USA+EA19+CHN+IND+RUS+SAU.CPALTT01.GPSA+GY.M"
)


## Coleta dos dados

# PIB - Ótica da despesa
str_gdp <- OECD::get_data_structure(parametros$dataset_qna)

raw_gdp_oecd <- OECD::get_dataset(
dataset = parametros$dataset_qna,
filter = list(parametros$filter_gdp),
pre_formatted = TRUE
)

# Taxa de Inflação
str_inflation <- OECD::get_data_structure(parametros$dataset_mei)
raw_inflation_oecd <- OECD::get_dataset(
dataset = parametros$dataset_mei,
filter = list(parametros$filter_inflation),
pre_formatted = TRUE
)


Em seguida, utiliza-se a função get_data_structure do pacote para obter os dados, de forma a tratá-los e visualizar os resultados. Vemos abaixo o PIB dos países selecionados.

Dados do PIB

Dados da Inflação

Bem como também analisamos a inflação dos respectivos países.

Coletando dados da Economia Internacional com o Python

Para o Python, realiza-se o request da API da OECD por meio da biblioteca pandasdmx, permitindo que possamos importar os dados do dataset e dos países desejados.


# Importa as bibliotecas
import pandas as pd
import datetime as dt
!pip install pandasdmx
import pandasdmx as pdmx
import seaborn as sns
from matplotlib import pyplot as plt






# Conecta com a base da OECD stats através do pdmx
oecd = pdmx.Request("OECD")





# Realiza o Request baseado no API disponibilizado pela OECD Statistics
## PIB
data_gdp = oecd.data(
    resource_id = "QNA",
    key = "AUS+CHL+JPN+MEX+USA+EA19+CHN+IND+RUS+SAU.B1_GE.GYSA+GPSA.Q",
    ).to_pandas()
# Transforma em data frame
gdp_raw = pd.DataFrame(data_gdp).reset_index()




# Realiza o Request baseado no API disponibilizado pela OECD Statistics
## Inflação
data_inflation = oecd.data(
    resource_id = "MEI",
    key = "AUS+CHL+JPN+MEX+USA+EA19+CHN+IND+RUS+SAU.CPALTT01.GPSA+GY.M",
    ).to_pandas()
inflation_raw = pd.DataFrame(data_inflation).reset_index()

Com os dados importados, realiza-se o tratamento e a visualização dos mesmos.

Dados do PIB

Dados da Inflação

_____________________________________

Quer aprender mais?

Seja um aluno da nossa trilha de Macroeconomia Aplicada e aprenda a criar projetos voltados para a Macroeconomia

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Resultado PIB - 3° Trimestre/2024

A Análise Macro apresenta os resultados da PIB 3º trimestre de 2024, com gráficos e tabelas elaborados em Python para coleta, tratamento e visualização de dados.

Todo o conteúdo, disponível exclusivamente no Clube AM, foi desenvolvido com base nos métodos ensinados nos cursos da Análise Macro, permitindo aos assinantes acesso aos códigos e replicação das análises.

Como treinar e selecionar os melhores modelos de previsão no Python?

Em previsão, há uma infinidade de modelos que podem ser usados. O processo de escolha do(s) modelo(s) deve ser empírico-científico, usando métodos que visem avaliar a generalização dos algoritmos para dados novos. Neste artigo, mostramos como implementar a metodologia de validação cruzada com algoritmos de machine learning no Python, exemplificando para a previsão do IPCA.

Como selecionar variáveis para modelos de previsão no Python?

Em oposição à crença popular, grande parte dos modelos de machine learning não produzem previsões magicamente. É papel do cientista de dados executar uma boa engenharia de variáveis para não cair no clássico problema de “garbage in, garbage out” (GIGO) em aprendizado de máquina. Neste sentido, aprender a fazer uma boa seleção de variáveis é fundamental e neste artigo exploramos algumas possibilidades práticas usando o Python.

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.