Importaciones 2018-2020
library(readr)
library(dplyr)
library(kableExtra) 

setwd("C:/Users/MINEDUCYT/Desktop/METODOS PARA EL ANALISIS ECONOMICO/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)
#Emsamblar los archivos en un sólo dataframe
data_importaciones<-bind_rows(lista_importacion)

data_importaciones %>% head(10)%>% kable(caption="El Salvador: Base de Importaciones 2018-2020 (Julio)",
        align="c") %>% 
  add_footnote(label="Elaboración propia con base en datos del BCR",
               notation="symbol") %>%  kable_styling()
El Salvador: Base de Importaciones 2018-2020 (Julio)
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
Exportaciones 2018-2020
library(readr)
library(dplyr)
library(kableExtra) 

setwd("C:/Users/MINEDUCYT/Desktop/METODOS PARA EL ANALISIS ECONOMICO/Exportaciones")

archivos_importar <- list.files()

lista_exportacion <- 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
)
#Emsamblar los archivos en un sólo dataframe
data_exportaciones <- bind_rows(lista_exportacion)

data_exportaciones %>% head(10) %>% kable(caption = "Base de Exportaciones 2018-2020 (Julio)", align = "c") %>%
  add_footnote(label = "Elaboración propia con base en datos del BCR",
               notation = "symbol") %>%  kable_styling()
Base de Exportaciones 2018-2020 (Julio)
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
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.

library(dplyr)
library(tidyr)
library(kableExtra)

data_importaciones %>% full_join(
  data_exportaciones,
  by = c("pais", "sac", "anio", "mes"),
  suffix = c("_importaciones", "_exportaciones")
) -> data_comercio_exterior


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() %>%
  kable(caption = "Base de Comercio Exterior 2018-2020 (Julio)",
        align = "c") %>%
  add_footnote(label = "Elaboración propia con base en datos del BCR",
               notation = "symbol") %>%  kable_styling()
Base de Comercio Exterior 2018-2020 (Julio)
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
* Elaboración propia con base en datos del BCR 
library(dplyr)
library(tidyr)
library(kableExtra)

data_importaciones %>% full_join(
  data_exportaciones,
  by = c("pais", "sac", "anio", "mes"),
  suffix = c("_importaciones", "_exportaciones")
) -> data_comercio_exterior

#Sustitur los Valores Nulos "NA" y guardar en el mismo objeto
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 

#Mostrar Tabla (primeros 10 elementos)
data_comercio_exterior %>% head(10) %>%
  kable(caption = "Base de Comercio Exterior 2018-2020 (Julio)",
        align = "c") %>%
  add_footnote(label = "Elaboración propia con base en datos del BCR",
               notation = "symbol") %>%  kable_styling()
Base de Comercio Exterior 2018-2020 (Julio)
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 en datos del BCR 
#Guardado del objeto data_comercio_exterior
save(data_comercio_exterior, file = "C:/Users/MINEDUCYT/Desktop/METODOS PARA EL ANALISIS ECONOMICO/data_comercio_exterior.RData")
2. Realice la actualización de la tabla anterior con toda la información disponible para 2023.
library(dplyr)
library(tidyr)
library(kableExtra)
setwd("C:/Users/MINEDUCYT/Desktop/METODOS PARA EL ANALISIS ECONOMICO/Importaciones_actualizacion")

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/MINEDUCYT/Desktop/METODOS PARA EL ANALISIS ECONOMICO/Exportaciones_actualizacion")

archivos_importar <- list.files()
#Leer los archivos del directorio de trabajo
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
)
#Ensamblar los archivos en un sólo dataframe
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

#Sustitur los Valores Nulos "NA" y guardar en el mismo objeto
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
#Volver a guardar!
# se Cambió el nombre para guardar la base anterior, por cualquier error que se pueda cometer al actualizar, o en caso de querer llevar un registro de versiones de la tabla.
save(data_comercio_exterior, file = "C:/Users/MINEDUCYT/Desktop/METODOS PARA EL ANALISIS ECONOMICO/data_comercio_exterior.RData")

#Mostrar Tabla (primeros 10 elementos)
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()
Base de Comercio Exterior 2018-2023 (Agosto)
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(stringr)

load("C:/Users/MINEDUCYT/Desktop/METODOS PARA EL ANALISIS ECONOMICO/data_comercio_exterior.RData")
nombre_archivo<-"C:/Users/MINEDUCYT/Desktop/METODOS PARA EL ANALISIS ECONOMICO/master_paises_iso.xlsx"
nombres_iso_paises<-read_excel(nombre_archivo)
data_comercio_exterior %>%
  left_join(nombres_iso_paises,
            by=c("pais"="nom_pais_esp"))->data_comercio_exterior


#funcion para mostrar paises
herramientas_mostrar_paises<-function(){
  nombres_iso_paises %>% 
    select(nom_pais_esp,
           codigo_pais,
           region,
           cod_region,
           region_intermedia,
           cod_region_intermedia)->paises
  paises
}


#funcion para ver regiones
herramientas_mostrar_regiones<-function(){
  nombres_iso_paises %>%
    group_by(region,
             cod_region,
             region_intermedia,
             cod_region_intermedia)%>%
    summarise(`# de paises incluidos`=n())
}


#paises disponibles en la tabla
herramientas_mostrar_paises_en_tabla<-function(){
  data_comercio_exterior%>%group_by(pais,anio)%>%
    summarise(`# transacciones`=n())
}
#mostrar tabla
data_comercio_exterior %>% head(10) %>%
  kable(caption = "Base de Comercio Exterior 2018-2023 (Julio)",
        align = "c") %>%
  add_footnote(label = "Elaboración propia con base en datos del BCR",
               notation = "symbol") %>%  kable_styling()
Base de Comercio Exterior 2018-2023 (Julio)
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
* Elaboración propia con base en datos del BCR
4. Obtenga un ranking, anual, de los 5 principales socios comerciales de El Salvador, para el

periodo 2018-2022. Presente sus resultados en el siguiente formato:

options(scipen = 999)
library(dplyr)
library(readxl)
library(stringr)

load("C:/Users/MINEDUCYT/Desktop/METODOS PARA EL ANALISIS ECONOMICO/data_comercio_exterior.RData")
nombre_archivo<-"C:/Users/MINEDUCYT/Desktop/METODOS PARA EL ANALISIS ECONOMICO/master_paises_iso.xlsx"
nombres_iso_paises<-read_excel(nombre_archivo)
data_comercio_exterior %>%
  left_join(nombres_iso_paises,
            by=c("pais"="nom_pais_esp"))->data_comercio_exterior

#Seleccionar Años
anios_ranking<-2018:2022
data_comercio_exterior %>% 
  filter(anio %in% anios_ranking) ->data_ranking

#Calculo de ranking y porcentaje

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() -> insumo_reporte
print(insumo_reporte)
##    anio      data rank
## 1  2018  NA|47.09    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  NA|44.41    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  NA|43.91    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  NA|43.83    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  NA|41.17    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 

library(tidyr)
insumo_reporte %>% 
pivot_wider(names_from = rank,values_from = data)->mi_tabla
print(mi_tabla)
## # A tibble: 5 × 6
##    anio `1`      `2`       `3`       `4`      `5`     
##   <dbl> <chr>    <chr>     <chr>     <chr>    <chr>   
## 1  2018 NA|47.09 HND|15.34 GTM|14.36 NIC|6.87 CRI|4.39
## 2  2019 NA|44.41 GTM|15.92 HND|15.9  NIC|6.66 CRI|4.46
## 3  2020 NA|43.91 GTM|16.42 HND|15.56 NIC|7.1  CRI|4.49
## 4  2021 NA|43.83 GTM|16.78 HND|16.49 NIC|7.2  CRI|4.11
## 5  2022 NA|41.17 GTM|17.05 HND|16.65 NIC|6.98 CRI|4.27
#Tabla en Formato Requerido
library(kableExtra)
mi_tabla %>%
  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")
Top 5 de Exportaciones periodo 2018 - 2022
anio 1 2 3 4 5
2018 NA|47.09 HND|15.34 GTM|14.36 NIC|6.87 CRI|4.39
2019 NA|44.41 GTM|15.92 HND|15.9 NIC|6.66 CRI|4.46
2020 NA|43.91 GTM|16.42 HND|15.56 NIC|7.1 CRI|4.49
2021 NA|43.83 GTM|16.78 HND|16.49 NIC|7.2 CRI|4.11
2022 NA|41.17 GTM|17.05 HND|16.65 NIC|6.98 CRI|4.27
a Elaboración propia con base en datos del BCR