12ª semana de corte no crescimento esperado em 2019!

O boletim Focus, divulgado toda segunda-feira pelo Banco Central, trouxe o 12º corte no crescimento mediano esperado para o crescimento esse ano. Abaixo, usamos o pacote rbcb para coletar os dados diretamente do Banco Central. Em seguida, nós tratamos os mesmos, de modo a colocá-los em um data frame. Algo que ensinamos detalhadamente no nosso Curso de Análise de Conjuntura usando o R.


library(rbcb)
pibe = get_annual_market_expectations('PIB Total',
start_date = '2019-01-04')
pib_esperado = pibe$median[pibe$reference_year=='2019']
pib_esp_min = pibe$min[pibe$reference_year=='2019']
pib_esp_max = pibe$max[pibe$reference_year=='2019']
dates = pibe$date[pibe$reference_year=='2019']

data = data.frame(dates=dates, pib=pib_esperado,
min=pib_esp_min, max=pib_esp_max)

Produzimos um gráfico com o código abaixo.


library(ggplot2)
library(scales)
library(ggrepel)
library(png)
library(grid)
library(gridExtra)

img <- readPNG('logo.png')
g <- rasterGrob(img, interpolate=TRUE)

ggplot(data=data, aes(x=dates, y=pib))+
geom_line(size=.8, colour='darkblue')+
labs(title='Crescimento Esperado para 2019',
subtitle='Boletim Focus: mediana das instituições',
caption='Fonte: analisemacro.com.br com dados do BCB.')+
xlab('')+ylab('% a.a.')+
scale_x_date(breaks = date_breaks("4 days"),
labels = date_format("%d/%b"))+
theme(axis.text.x=element_text(angle=45, hjust=1))+
geom_label_repel(label=round(data$pib,2),
color = c(rep('black',1), rep(NA,nrow(data)-1)),
fill = c(rep('#91b8bd',1),
rep(NA,nrow(data)-1)))+
theme(panel.background = element_rect(fill='#acc8d4',
colour='#acc8d4'),
plot.background = element_rect(fill='#8abbd0'),
axis.line = element_line(colour='black',
linetype = 'dashed'),
axis.line.x.bottom = element_line(colour='black'),
panel.grid.major = element_blank(),
panel.grid.minor = element_blank(),
legend.position = 'bottom',
legend.background = element_rect((fill='#acc8d4')),
legend.key = element_rect(fill='#acc8d4',
colour='#acc8d4'),
plot.margin=margin(5,5,15,5))+
annotation_custom(g,
xmin=as.Date('2019-01-03'),
xmax=as.Date('2019-01-31'),
ymin=1.5, ymax=2)

Abaixo, o gráfico...

Isso e muito mais você aprende em nosso Curso de Análise de Conjuntura usando o R.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Simplificando análises de dados manuais do Excel usando o Python

Tratar e analisar dados no Excel pode ser um verdadeiro caos, mesmo que você precise fazer coisas simples como cruzar duas tabelas de dados. Uma solução melhor é o uso de scripts em Python, que possibilitam a automação de tarefas repetitivas e manuais. Neste artigo mostramos um exemplo simples, comparando o Excel versus Python.

Como automatizar o tratamento de dados feito no Excel usando o Python?

Segundo a pesquisa “State of Data Science”, profissionais de dados gastam 3 horas/dia (38% do tempo) apenas preparando os dados, antes mesmo de analisá-los. Neste artigo advogamos que este gasto de tempo pode ser drasticamente reduzido ao utilizar ferramentas open source, como Pandas e Python, para automatizar tarefas repetitivas que costumam ser feitas em Excel.

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.