Ejercicio 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.

options (scipen = 999999)

library(dplyr)
library(readxl)
library(readr)
library(kableExtra)



load("~/Metodos/cuarta tarea/data_comercio_exterior.RData")

data_comercio_exterior%>%
  filter(anio %in% c(2018, 2019, 2020)) %>%
  head(10)%>%
  kable(caption = "Tabla de Exportaciones", align = "c") %>%
  kable_minimal()
Tabla de Exportaciones
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

Ejercicio 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 = 999999)


master_paises_iso <- read_excel("master_paises_iso.xlsx")


data_comercio_exterior <- data_comercio_exterior %>%
  left_join(master_paises_iso, by = c("pais" = "nom_pais_esp"))


anios_ranking <- 2018:2020
data_ranking <- data_comercio_exterior %>%
  filter(anio %in% anios_ranking)


data_ranking %>%
  head(10) %>%
  kable(caption = "Tabla de Exportaciones con Nombres ISO de Países", align = "c") %>%
  kable_minimal()
Tabla de Exportaciones con Nombres ISO de Países
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

Ejercicio 4

4. Obtenga un ranking, anual, de los 5 principales socios comerciales de El Salvador, para el periodo 2018-2020.

Cálculo de ranking & porcentajes

data_ranking <- data_comercio_exterior %>%
  filter(anio %in% c(2018, 2019, 2020)) %>%
  group_by(anio, iso_3) %>%
  summarise(total = sum(valor_fob, na.rm = TRUE)) %>%
  mutate(percent = round(prop.table(total) * 100, 2)) %>%
  slice_max(n = 5, order_by = total) %>%
  group_by(anio) %>%
  mutate(rank = row_number(),
         data = paste(iso_3, "/ ", percent)) %>%
  select(anio, data, rank)


print(data_ranking)
## # A tibble: 15 × 3
## # Groups:   anio [3]
##     anio data          rank
##    <dbl> <chr>        <int>
##  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

Tabla en formato “RAW”

library(tidyr)

mi_tabla <- data_ranking %>%
  pivot_wider(names_from = rank, values_from = data)


print(mi_tabla)
## # A tibble: 3 × 6
## # Groups:   anio [3]
##    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 /  41.88 GTM /  15.95 HND /  15.91 NIC /  6.68 CRI /  4.5 
## 3  2020 USA /  35.73 GTM /  16.9  HND /  15.21 NIC /  7.65 CRI /  5.21

Tabla en Formato Requerido

mi_tabla %>%
  kable(caption = paste("Top", 5, "de Exportaciones periodo",
                        min(data_ranking$anio), " / ", max(data_ranking$anio)),
        escape = FALSE) %>%
  add_footnote(label = "Elaboración propia con base en datos del BCR") %>%
  kable_minimal()
Top 5 de Exportaciones periodo 2018 / 2020
anio 1 2 3 4 5
2018 USA / 44.07 HND / 15.34 GTM / 14.36 NIC / 6.87 CRI / 4.39
2019 USA / 41.88 GTM / 15.95 HND / 15.91 NIC / 6.68 CRI / 4.5
2020 USA / 35.73 GTM / 16.9 HND / 15.21 NIC / 7.65 CRI / 5.21
_Note __
a^Ela oración propi con base en atos del BCR