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

Comente o que achou desse artigo

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais
e conteúdos exclusivos sobre Análise de Dados!

Assinar

Encontre o seu conteúdo

Categorias

Artigos mais acessados

Análise do Censo Demográfico com o R

Deploy de modelos com Python + Shinylive + GitHub gastando ZERO reais

Como automatizar tarefas repetitivas usando Python? Um exemplo para largar o Excel

Criando um Dashboard de análise de Ações no Python

Analisando séries temporais no Python e esquecendo de vez o Excel

Cálculo do Retorno Econômico de uma Política Pública

Outros artigos relacionados

Análise do Censo Demográfico com o R

Como podemos analisar dados do Censo Demográfico para produzir pesquisas e implementar políticas públicas? Mostramos nesta postagem o resultado de uma breve análise dos dados preliminares do Censo Demográfico de 2022 usando o R.

Deploy de modelos com Python + Shinylive + GitHub gastando ZERO reais

Colocar modelos em produção pode ser um grande desafio. Lidar com custos monetários, infraestrutura operacional e complexidades de códigos e ferramentas pode acabar matando potenciais projetos. Uma solução que elimina todos estes obstáculos é a recém lançada Shinylive. Neste artigo mostramos um exemplo com um modelo de previsão para o preço do petróleo Brent.

Como automatizar tarefas repetitivas usando Python? Um exemplo para largar o Excel

Manter relatórios diários com dados e análises atualizados é um desafio, pois envolve várias etapas: coleta de dados, tratamento de informações, produção de análises e atualização de relatório. Para superar este desafio algumas ferramentas como Python + Quarto + GitHub podem ser usadas para automatizar tudo que for automatizável. Neste artigo mostramos um exemplo com dados do mercado financeiro.