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

Como usar automação com Python e IA na análise de ações

No cenário atual, profissionais de finanças buscam formas mais rápidas, eficientes e precisas para analisar dados e tomar decisões. Uma das grandes revoluções para isso é o uso combinado de Python, automação e modelos de linguagem grande (LLMs), como o Google Gemini. O dashboard que criamos é um ótimo exemplo prático dessa integração, reunindo dados, cálculos, visualizações e análise textual em um único ambiente.

Análise de ações com IA - um guia inicial

Neste artigo, você vai aprender a integrar IA na análise de ações de forma automatizada utilizando Python. Ao final, você terá um pipeline completo capaz de coletar dados de mercado, gerar gráficos, elaborar relatórios com linguagem natural.

Quais são as ferramentas de IA?

Um aspecto crucial dos Agentes de IA é a sua capacidade de tomar ações, que acontecem por meio do uso de Ferramentas (Tools). Neste artigo, vamos aprender o que são Tools, como defini-las de forma eficaz e como integrá-las ao seu Agente por meio da System Prompt. Ao fornecer as Tools certas para o seu Agente — e ao descrever claramente como essas Tools funcionam — você pode aumentar drasticamente o que sua IA é capaz de realizar.

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.