Tarea nº 5 elaboración de base de datos de Comercio Exterior
1. Compile la información disponible en la “Base de Datos de Comercio Exterior” del BCR, para los años 2018-2020. Y genera una tabla tal como se mostró en las clases (aún no incluya los nombres ISO de los países). Muestre un head de 10 casos.
1. Creación de la Tabla de Importaciones
library(readr)
library(dplyr)
library(kableExtra)
setwd("C:/Users/Guardado/Documents/Importaciones y Exportaciones/Importaciones")
archivos_importar<-list.files()
lista_importacion<-lapply(archivos_importar,
FUN = read_delim,delim="|",
col_names=c("pais",
"sac",
"anio",
"mes",
"valor_cif",
"kilogramos"),
col_types=cols(pais="c",
sac="c",
anio="d",
mes="d",
valor_cif="d",
kilogramos="d"),
skip=1)
data_importaciones<-bind_rows(lista_importacion)
data_importaciones %>% head(10)%>% kable(caption="El Salvador: Base de Importaciones 2018-2020",
align="c") %>%
add_footnote(label="Elaboración propia con base en datos del BCR",
notation="symbol") %>% kable_styling()| pais | sac | anio | mes | valor_cif | kilogramos |
|---|---|---|---|---|---|
| Canada | 0404900000 | 2018 | 2 | 68040.00 | 18810.00 |
| Canada | 0404900000 | 2018 | 3 | 92725.74 | 25528.60 |
| Canada | 0404900000 | 2018 | 4 | 92546.45 | 25525.00 |
| Canada | 0404900000 | 2018 | 6 | 91531.00 | 25525.00 |
| Canada | 0405100000 | 2018 | 6 | 26.56 | 20.00 |
| Canada | 0511100000 | 2018 | 1 | 16365.04 | 23.65 |
| Canada | 0511100000 | 2018 | 3 | 17884.85 | 24.00 |
| Canada | 0706900000 | 2018 | 4 | 963.78 | 6500.00 |
| Canada | 0706900000 | 2018 | 6 | 116.45 | 1176.00 |
| Canada | 0709991000 | 2018 | 6 | 166.36 | 800.00 |
| * Elaboración propia con base en datos del BCR |
2. Creación de la Tabla de Exportaciones
library(readr)
library(dplyr)
library(kableExtra)
setwd("C:/Users/Guardado/Documents/Importaciones y Exportaciones/Exportaciones")
archivos_importar_1 <- list.files()
lista_exportacion_1 <- lapply(
archivos_importar_1,
FUN = read_delim,
delim = "|",
col_names = c("pais",
"sac",
"anio",
"mes",
"valor_fob",
"kilogramos"),
col_types = cols(
pais = "c",
sac = "c",
anio = "d",
mes = "d",
valor_fob = "d",
kilogramos = "d"
),
skip = 1
)
data_exportaciones <- bind_rows(lista_exportacion_1)
data_exportaciones %>% head(10) %>% kable(caption = "Base de Exportaciones 2018-2020", align = "c") %>%
add_footnote(label = "Elaboración propia con base en datos del BCR",
notation = "symbol") %>% kable_styling()| pais | sac | anio | mes | valor_fob | kilogramos |
|---|---|---|---|---|---|
| Canada | 0106900000 | 2018 | 2 | 4667.20 | 15.00 |
| Canada | 0106900000 | 2018 | 3 | 4237.10 | 14.00 |
| Canada | 0106900000 | 2018 | 4 | 3918.00 | 13.50 |
| Canada | 0106900000 | 2018 | 5 | 3155.40 | 10.00 |
| Canada | 0106900000 | 2018 | 6 | 3097.40 | 9.00 |
| Canada | 0305720000 | 2018 | 2 | 2702.30 | 280.00 |
| Canada | 0602100000 | 2018 | 1 | 475519.57 | 7504.03 |
| Canada | 0602100000 | 2018 | 2 | 400232.82 | 6216.29 |
| Canada | 0602100000 | 2018 | 3 | 158138.42 | 2464.76 |
| Canada | 0602100000 | 2018 | 4 | 30370.08 | 510.83 |
| * Elaboración propia con base en datos del BCR |
3. Creación de la tabla de Comercio Exterior
library(dplyr)
library(tidyr)
library(kableExtra)
# Concatenar tablas de importaciones y exportaciones
data_importaciones %>% full_join(
data_exportaciones,
by= c("pais", "sac", "anio", "mes"),
suffix= c("_importaciones", "_exportaciones")
)-> data_comercio_exterior
# Sustituir valores "N/A"
data_comercio_exterior %>% replace_na(
list(
valor_cif = 0,
valor_fob = 0,
kilogramos_importaciones = 0,
kilogramos_exportaciones = 0
)
) %>%
arrange(pais, anio, mes, sac)-> data_comercio_exterior
data_comercio_exterior %>% head(10) %>%
kable(caption = "Base de Comercio Exterior 2018-2020",
align="c") %>%
add_footnote(label = "Elaboración propia con base de datos del BCR",
notation="symbol") %>% kable_styling()| pais | sac | anio | mes | valor_cif | kilogramos_importaciones | valor_fob | kilogramos_exportaciones |
|---|---|---|---|---|---|---|---|
| Afganistan | 0806200000 | 2018 | 6 | 6448.43 | 1463.92 | 0 | 0 |
| Afganistan | 6104220000 | 2018 | 10 | 3153.37 | 2407.61 | 0 | 0 |
| Afganistan | 6104620000 | 2018 | 10 | 946.01 | 722.28 | 0 | 0 |
| Afganistan | 6105100000 | 2018 | 10 | 9405.39 | 7181.03 | 0 | 0 |
| Afganistan | 6106100000 | 2018 | 10 | 1353.32 | 1725.55 | 0 | 0 |
| Afganistan | 6405900000 | 2018 | 10 | 2260.03 | 1725.55 | 0 | 0 |
| Afganistan | 8206000000 | 2018 | 10 | 6.56 | 5.02 | 0 | 0 |
| Afganistan | 6404110000 | 2019 | 2 | 7752.13 | 6748.03 | 0 | 0 |
| Afganistan | 6405100000 | 2019 | 2 | 508.03 | 442.24 | 0 | 0 |
| Afganistan | 6405900000 | 2019 | 2 | 12.45 | 10.85 | 0 | 0 |
| * Elaboración propia con base de datos del BCR |
2. Realice la actualización de la tabla anterior con toda la información disponible para 2023.
library(dplyr)
library(tidyr)
library(kableExtra)
#Importaciones
setwd("C:/Users/Guardado/Documents/Importaciones y Exportaciones/Update_Importaciones")
archivos_importar <- list.files()
lista_importacion <- lapply(
archivos_importar,
FUN = read_delim,
delim = "|",
col_names = c("pais",
"sac",
"anio",
"mes",
"valor_cif",
"kilogramos"),
col_types = cols(
pais = "c",
sac = "c",
anio = "d",
mes = "d",
valor_cif = "d",
kilogramos = "d"
),
skip = 1
)
data_importaciones_update <- bind_rows(lista_importacion)
#Exportaciones
setwd("C:/Users/Guardado/Documents/Importaciones y Exportaciones/Update_Exportaciones")
archivos_importar <- list.files()
lista_importacion <- lapply(
archivos_importar,
FUN = read_delim,
delim = "|",
col_names = c("pais",
"sac",
"anio",
"mes",
"valor_fob",
"kilogramos"),
col_types = cols(
pais = "c",
sac = "c",
anio = "d",
mes = "d",
valor_cif = "d",
kilogramos = "d"
),
skip = 1
)
data_exportaciones_update <- bind_rows(lista_importacion)
#Concatenar las tablas de data_importaciones & data_exportaciones
data_importaciones_update %>% full_join(
data_exportaciones_update,
by = c("pais", "sac", "anio", "mes"),
suffix = c("_importaciones", "_exportaciones")
) -> data_comercio_exterior_update
data_comercio_exterior_update %>% replace_na(
list(
valor_cif = 0,
valor_fob = 0,
kilogramos_importaciones = 0,
kilogramos_exportaciones = 0
)
) %>%
arrange(pais, anio, mes, sac) -> data_comercio_exterior_update
#Unir la tabla de comercio exterior y su actualización
data_comercio_exterior %>% bind_rows(data_comercio_exterior_update) %>% arrange(pais, anio, mes, sac) ->
data_comercio_exterior
save(data_comercio_exterior, file = "C:/Users/Guardado/Documents/Importaciones y Exportaciones/data_comercio_exterior_actualizada.RData")
data_comercio_exterior %>% filter(anio == 2023, mes == 08) %>% head(10) %>%
kable(caption = "Base de Comercio Exterior 2018-2023(Agosto)",
align = "c") %>%
add_footnote(label = "Elaboración propia con base en datos del BCR",
notation = "symbol") %>% kable_styling()| pais | sac | anio | mes | valor_cif | kilogramos_importaciones | valor_fob | kilogramos_exportaciones |
|---|---|---|---|---|---|---|---|
| Albania | 6109900000 | 2023 | 8 | 77.80 | 1.22 | 0.0 | 0.00 |
| Albania | 8484200000 | 2023 | 8 | 165.15 | 2.60 | 0.0 | 0.00 |
| Albania | 8544300000 | 2023 | 8 | 849.34 | 2.09 | 0.0 | 0.00 |
| Alemania | 0402911000 | 2023 | 8 | 37202.00 | 19624.00 | 0.0 | 0.00 |
| Alemania | 0602100000 | 2023 | 8 | 1272.39 | 48.00 | 0.0 | 0.00 |
| Alemania | 0901113000 | 2023 | 8 | 0.00 | 0.00 | 350816.6 | 56657.36 |
| Alemania | 1105201000 | 2023 | 8 | 43882.78 | 15500.00 | 0.0 | 0.00 |
| Alemania | 1107100000 | 2023 | 8 | 996.65 | 630.00 | 0.0 | 0.00 |
| Alemania | 1108130000 | 2023 | 8 | 50912.16 | 38120.00 | 0.0 | 0.00 |
| Alemania | 1301909000 | 2023 | 8 | 0.00 | 0.00 | 92000.0 | 2195.00 |
| * Elaboración propia con base en datos del BCR |
3.Agregue la información estandarizada de los países (nombres iso de los países y regiones, etc, tal como se vio en clases). Muestre un head de 10 casos.
options (scipen = 999)
library(dplyr)
library(readxl)
library(kableExtra)
load("C:/Users/Guardado/Documents/Importaciones y Exportaciones/data_comercio_exterior_actualizada.RData")
#Pegar nombres paises
Paises_iso <- "C:/Users/Guardado/Documents/Importaciones y Exportaciones/master_paises_iso.xlsx"
iso_paises <- read_excel(Paises_iso)
data_comercio_exterior %>%
left_join(iso_paises,
by = c("pais" = "nom_pais_espa")) -> data_comercio_exterior
data_comercio_exterior %>%
head(10) %>% kable(caption = "Información estandarizada de los países") %>% kable_minimal()| pais | sac | anio | mes | valor_cif | kilogramos_importaciones | valor_fob | kilogramos_exportaciones | nom_pais_ingles | iso_2 | iso_3 | codigo_pais…5 | codigo_pais…6 | region | cod_region | sub_region | cod_sub_region | region_intermedia | cod_region_intermedia | …13 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Afganistan | 0806200000 | 2018 | 6 | 6448.43 | 1463.92 | 0 | 0 | Afghanistan | AF | AFG | 4 | Asia | 142 | Asia Meridional | 34 | NA | NA | Asia | 142 |
| Afganistan | 6104220000 | 2018 | 10 | 3153.37 | 2407.61 | 0 | 0 | Afghanistan | AF | AFG | 4 | Asia | 142 | Asia Meridional | 34 | NA | NA | Asia | 142 |
| Afganistan | 6104620000 | 2018 | 10 | 946.01 | 722.28 | 0 | 0 | Afghanistan | AF | AFG | 4 | Asia | 142 | Asia Meridional | 34 | NA | NA | Asia | 142 |
| Afganistan | 6105100000 | 2018 | 10 | 9405.39 | 7181.03 | 0 | 0 | Afghanistan | AF | AFG | 4 | Asia | 142 | Asia Meridional | 34 | NA | NA | Asia | 142 |
| Afganistan | 6106100000 | 2018 | 10 | 1353.32 | 1725.55 | 0 | 0 | Afghanistan | AF | AFG | 4 | Asia | 142 | Asia Meridional | 34 | NA | NA | Asia | 142 |
| Afganistan | 6405900000 | 2018 | 10 | 2260.03 | 1725.55 | 0 | 0 | Afghanistan | AF | AFG | 4 | Asia | 142 | Asia Meridional | 34 | NA | NA | Asia | 142 |
| Afganistan | 8206000000 | 2018 | 10 | 6.56 | 5.02 | 0 | 0 | Afghanistan | AF | AFG | 4 | Asia | 142 | Asia Meridional | 34 | NA | NA | Asia | 142 |
| Afganistan | 6404110000 | 2019 | 2 | 7752.13 | 6748.03 | 0 | 0 | Afghanistan | AF | AFG | 4 | Asia | 142 | Asia Meridional | 34 | NA | NA | Asia | 142 |
| Afganistan | 6405100000 | 2019 | 2 | 508.03 | 442.24 | 0 | 0 | Afghanistan | AF | AFG | 4 | Asia | 142 | Asia Meridional | 34 | NA | NA | Asia | 142 |
| Afganistan | 6405900000 | 2019 | 2 | 12.45 | 10.85 | 0 | 0 | Afghanistan | AF | AFG | 4 | Asia | 142 | Asia Meridional | 34 | NA | NA | Asia | 142 |
4. Obtenga un ranking, anual, de los 5 principales socios comerciales de El Salvador, para el periodo 2018-2022
#Seleccionar Años
anios_ranking<-2018:2022
data_comercio_exterior %>%
filter(anio %in% anios_ranking) ->data_ranking
#Cálculo de ranking & porcentajes
data_ranking %>%
group_by(anio,iso_3) %>%
summarise(total=sum(valor_fob)) %>% mutate(percent=round(prop.table(total)*100,2)) %>%
slice_max(n = 5,order_by = total) %>%
as.data.frame() %>%
group_by(anio) %>%
mutate(rank = row_number(),
data=paste(iso_3,"|",percent,sep = "")) %>%
select(anio,data,rank) %>% as.data.frame() -> reporte
print(reporte)## anio data rank
## 1 2018 USA|44.07 1
## 2 2018 HND|15.34 2
## 3 2018 GTM|14.36 3
## 4 2018 NIC|6.87 4
## 5 2018 CRI|4.39 5
## 6 2019 USA|42.04 1
## 7 2019 GTM|15.92 2
## 8 2019 HND|15.9 3
## 9 2019 NIC|6.66 4
## 10 2019 CRI|4.46 5
## 11 2020 USA|40.65 1
## 12 2020 GTM|16.42 2
## 13 2020 HND|15.56 3
## 14 2020 NIC|7.1 4
## 15 2020 CRI|4.49 5
## 16 2021 USA|40.52 1
## 17 2021 GTM|16.78 2
## 18 2021 HND|16.49 3
## 19 2021 NIC|7.2 4
## 20 2021 CRI|4.11 5
## 21 2022 USA|38.78 1
## 22 2022 GTM|17.05 2
## 23 2022 HND|16.65 3
## 24 2022 NIC|6.98 4
## 25 2022 CRI|4.27 5#Tabla en formato “RAW”
library(tidyr)
reporte %>%
pivot_wider(names_from = rank,values_from = data)->tabla_raw
print(tabla_raw)## # A tibble: 5 × 6
## anio `1` `2` `3` `4` `5`
## <dbl> <chr> <chr> <chr> <chr> <chr>
## 1 2018 USA|44.07 HND|15.34 GTM|14.36 NIC|6.87 CRI|4.39
## 2 2019 USA|42.04 GTM|15.92 HND|15.9 NIC|6.66 CRI|4.46
## 3 2020 USA|40.65 GTM|16.42 HND|15.56 NIC|7.1 CRI|4.49
## 4 2021 USA|40.52 GTM|16.78 HND|16.49 NIC|7.2 CRI|4.11
## 5 2022 USA|38.78 GTM|17.05 HND|16.65 NIC|6.98 CRI|4.27# Tabla en Formato Requerido
library(kableExtra)
tabla_raw %>%
kable(caption = paste("Top",5,"de Exportaciones periodo",
min(anios_ranking),"-",max(anios_ranking))) %>%
add_footnote(label = "Elaboración propia con base en datos del BCR")| anio | 1 | 2 | 3 | 4 | 5 |
|---|---|---|---|---|---|
| 2018 | USA|44.07 | HND|15.34 | GTM|14.36 | NIC|6.87 | CRI|4.39 |
| 2019 | USA|42.04 | GTM|15.92 | HND|15.9 | NIC|6.66 | CRI|4.46 |
| 2020 | USA|40.65 | GTM|16.42 | HND|15.56 | NIC|7.1 | CRI|4.49 |
| 2021 | USA|40.52 | GTM|16.78 | HND|16.49 | NIC|7.2 | CRI|4.11 |
| 2022 | USA|38.78 | GTM|17.05 | HND|16.65 | NIC|6.98 | CRI|4.27 |
| a Elaboración propia con base en datos del BCR |