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(kableExtra)
library(tidyr)
load("C:/BRANDON/Universidad/Ciclo_VI/MAE118/Tarea_4/data_comercio_exterior.RData")
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
#Filtro
data_ce_filtrada <- data_comercio_exterior %>%
filter(anio >= 2018 & anio <= 2020)
#Tabla
data_ce_filtrada %>% head(10) %>%
kable(caption = "Base de Comercio Exterior 2018-2020",
align = "c") %>% 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 |
Realice la actualización de la tabla anterior con toda la información disponible para 2023.
library(dplyr)
library(kableExtra)
library(tidyr)
load("C:/Users/Brandon/Desktop/data2023_comercio_exterior.Rdata")
data2023_comercio_exterior %>% replace_na(
list(
valor_cif = 0,
valor_fob = 0,
kilogramos_importaciones = 0,
kilogramos_exportaciones = 0
)
) %>%
arrange(pais, anio, mes, sac) -> data2023_comercio_exterior
#Tabla
head(data2023_comercio_exterior, n=10) %>%
kable(caption = "Base de Comercio Exterior 2023",
align = "c") %>% kable_styling()| pais | sac | anio | mes | valor_cif | kilogramos_importaciones | valor_fob | kilogramos_exportaciones |
|---|---|---|---|---|---|---|---|
| Afganistan | 6210400000 | 2023 | 7 | 204.75 | 0.10 | 0 | 0 |
| Albania | 6104690000 | 2023 | 1 | 18.70 | 0.50 | 0 | 0 |
| Albania | 6405900000 | 2023 | 2 | 2325.85 | 40.23 | 0 | 0 |
| Albania | 8413910000 | 2023 | 2 | 95.64 | 0.59 | 0 | 0 |
| Albania | 6203430000 | 2023 | 4 | 259.70 | 2.31 | 0 | 0 |
| Albania | 6507000000 | 2023 | 5 | 52.51 | 19.00 | 0 | 0 |
| Albania | 7318190000 | 2023 | 5 | 280.38 | 5.14 | 0 | 0 |
| Albania | 8481900000 | 2023 | 5 | 330.60 | 5.37 | 0 | 0 |
| Albania | 6109900000 | 2023 | 8 | 77.80 | 1.22 | 0 | 0 |
| Albania | 8484200000 | 2023 | 8 | 165.15 | 2.60 | 0 | 0 |
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.
library(dplyr)
library(tidyr)
library(kableExtra)
library(readr)
paises_iso <- read_csv("C:/BRANDON/Universidad/Ciclo_VI/MAE118/Tarea_4/master_paises_iso - unique_pais.csv")
# Renombrar la columna si es necesario
paises_iso <- paises_iso %>%
select(iso_3, region, pais = nom_pais_esp)
data2023_comercio_exterior %>% left_join(
paises_iso,
by = "pais") -> data2023_ce_iso
# Reordenar
data2023_ce_iso <- data2023_ce_iso %>%
select(pais, iso_3, region, everything())
data2023_ce_iso %>%
head(10) %>%
kable(caption = "Base de Comercio Exterior con Códigos ISO y Regiones", align = "c") %>%
kable_styling()| pais | iso_3 | region | sac | anio | mes | valor_cif | kilogramos_importaciones | valor_fob | kilogramos_exportaciones |
|---|---|---|---|---|---|---|---|---|---|
| Afganistan | AFG | 142 | 6210400000 | 2023 | 7 | 204.75 | 0.10 | 0 | 0 |
| Albania | ALB | 150 | 6104690000 | 2023 | 1 | 18.70 | 0.50 | 0 | 0 |
| Albania | ALB | 150 | 6405900000 | 2023 | 2 | 2325.85 | 40.23 | 0 | 0 |
| Albania | ALB | 150 | 8413910000 | 2023 | 2 | 95.64 | 0.59 | 0 | 0 |
| Albania | ALB | 150 | 6203430000 | 2023 | 4 | 259.70 | 2.31 | 0 | 0 |
| Albania | ALB | 150 | 6507000000 | 2023 | 5 | 52.51 | 19.00 | 0 | 0 |
| Albania | ALB | 150 | 7318190000 | 2023 | 5 | 280.38 | 5.14 | 0 | 0 |
| Albania | ALB | 150 | 8481900000 | 2023 | 5 | 330.60 | 5.37 | 0 | 0 |
| Albania | ALB | 150 | 6109900000 | 2023 | 8 | 77.80 | 1.22 | 0 | 0 |
| Albania | ALB | 150 | 8484200000 | 2023 | 8 | 165.15 | 2.60 | 0 | 0 |
Obtenga un ranking, anual, de los 5 principales socios comerciales de El Salvador, para el periodo 2018-2020. Presente sus resultados en el siguiente formato
library(dplyr)
library(tidyr)
library(readr)
paises_iso <- read_csv("C:/BRANDON/Universidad/Ciclo_VI/MAE118/Tarea_4/master_paises_iso - unique_pais.csv")
paises_iso <- paises_iso %>%
select(iso_3, region, pais = nom_pais_esp)
data_ce_filtrada %>% left_join(
paises_iso,
by = "pais") -> data_ce_iso
# Reordenar
data_ce_iso <- data_ce_iso %>%
select(pais, iso_3, region, everything())
anios_ranking<-2018:2022
data_ce_iso %>%
filter(anio %in% anios_ranking) -> data_ranking
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() -> data_top5
print(data_top5)## 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|41.88 1
## 7 2019 GTM|15.95 2
## 8 2019 HND|15.91 3
## 9 2019 NIC|6.68 4
## 10 2019 CRI|4.5 5
## 11 2020 USA|35.73 1
## 12 2020 GTM|16.9 2
## 13 2020 HND|15.21 3
## 14 2020 NIC|7.65 4
## 15 2020 CRI|5.21 5