Como analisar os dados do PIB usando o Python?

A análise de dados não tem favoritos; você pode analisar qualquer tipo de área e qualquer indicador. Você pode até mesmo criar gráficos mais bonitos do que instituições renomadas, tudo isso usando uma ferramenta de fácil acesso, como o Python. Neste texto, mostraremos como é possível analisar dados do PIB utilizando a linguagem Python.

Ter conhecimento em uma linguagem de programação que permite realizar análises de dados em geral coloca você à frente de muitos concorrentes. Imagine só, coletar, limpar, tratar e visualizar dados em pouco tempo, além de automatizar completamente o processo. É isso que se espera de quem entende Python.

Para isso, é necessário aprender as principais ferramentas da linguagem, juntamente com uma série de conhecimentos da área em que se está trabalhando. É para isso que você precisa ser aluno do nosso curso de Análise de Conjuntura com Python, que permitirá que você aprenda a realizar análises de diferentes dados macroeconômicos.

Aqui, demonstraremos rapidamente os resultados de uma análise do PIB utilizando Python, algo que você mesmo pode fazer para aumentar sua produtividade no trabalho e impressionar seus colegas e chefes. Para obter o script da análise Clique aqui para fazer seu cadastro no Boletim AM e baixar o código.

Analisando o PIB

O PIB, ou Produto Interno Bruto, é uma medida utilizada para quantificar a atividade econômica de um país em um determinado período de tempo, geralmente um ano. Ele representa o valor total de todos os bens e serviços finais produzidos dentro das fronteiras de um país.

O PIB é compreendido tanto pelo lado da Oferta quanto pelo lado da Demanda.

Pelo lado da oferta: - A produção é o principal foco. As empresas utilizam fatores de produção, como trabalho, capital (máquinas, equipamentos, etc.), terra e tecnologia, para fabricar bens e fornecer serviços. - O PIB pelo lado da oferta considera os setores da economia, como Agricultura, Indústria e Serviços.

Pelo lado da demanda: - O foco está no consumo. Os consumidores adquirem bens e serviços para satisfazer suas necessidades e desejos. - A demanda é impulsionada pelos Consumidores, Formação bruta de capital fixo, Despesas do Governo e setor externo (exportações líquidas).

Os valores do Produto Interno Bruto (PIB) podem ser expressos em diferentes medidas: preços correntes, preços constantes, índices numéricos e taxas de variação. Além disso, o indicador pode passar por ajustes sazonais.

Neste contexto, concentraremos nossa análise nas diversas taxas de variação, algumas das quais devem ser calculadas considerando o PIB ajustado sazonalmente, enquanto outras não exigem esse ajuste.

É importante ressaltar que os dados são diretamente obtidos do SIDRA, o banco de tabelas estatísticas do IBGE, por meio da biblioteca sidrapy.

Ao realizar o processo de coleta e tratamento, obtemos a seguinte tabela:

Código
tabela data rubrica num_indice num_indice_sa Var. % margem Var. % interanual Var. % anual ano num_indice_acum Var. % acumulada no ano
0 2012-01-01 Agropecuária 183.52 158.80 NaN NaN NaN 2012 183.52 NaN
1 2012-01-01 Consumo das Famílias 167.93 170.35 NaN NaN NaN 2012 167.93 NaN
2 2012-01-01 Despesa do Governo 142.16 146.31 NaN NaN NaN 2012 142.16 NaN
3 2012-01-01 Exportação 244.15 270.15 NaN NaN NaN 2012 244.15 NaN
4 2012-01-01 FBFC 178.13 184.83 NaN NaN NaN 2012 178.13 NaN
... ... ... ... ... ... ... ... ... ... ...
417 2023-07-01 Exportação 382.40 371.95 2.953388 9.989358 10.272336 2023 1087.14 9.755580
418 2023-07-01 FBFC 166.92 161.50 -2.528819 -6.764229 -1.089432 2023 490.81 -2.531972
419 2023-07-01 Importação 268.48 258.98 -2.142452 -6.139002 -0.067141 2023 771.63 -1.289481
420 2023-07-01 Indústria 145.36 138.74 0.572671 0.965479 1.997406 2023 413.36 1.160002
422 2023-07-01 Serviços 195.67 193.52 0.603036 1.794818 2.826043 2023 571.40 2.572388

423 rows × 10 columns

Visualização de dados

Uma vez que passamos por todo o processo de coleta e tratamento de dados podemos enfim criar as visualizações. Há inúmeras possibilidades aqui, que obviamente dependem das medidas que foram obtidas/criadas.

Podemos criar gráficos de linhas ou barras; conjuntamente com todas as medidas (taxas) ou criar um gráfico com todos os componentes do PIB. Podemos até mesmo (e facilmente) criar diferentes gráficos em uma única figura.

Para fins de demonstração, criamos três gráficos. O primeiro que se refere às taxas de variação do PIB cheio. O segundo que refere-se a taxa acumulada em 4 trimestres dos componentes do PIB pelo lado da Oferta e o terceiro que refere-se a taxa acumulada em 4 trimestres dos componentes do PIB pelo lado da demanda.

PIB: taxas de variação

PIB lado da oferta

 

PIB lado da demanda

Considerações

Neste texto abordamos o processo de análise de dados usando o Python e como pode ser útil para a área de economia, permitindo analisar dados de indicadores econômicos, especificadamente do PIB.

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 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.

Resultado IPCA-15 - Novembro/2024

A Análise Macro apresenta os resultados do IPCA-15 de Novembro de 2024, com gráficos 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.

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.