Bloomberg Data Viewer

Author

José Victor Santos Lopes

Published

October 21, 2025

Bloomberg Data Dashboard

Este dashboard permite visualizar e baixar os dados de projeções da Bloomberg armazenados no arquivo Excel. Os dados incluem projeções de GDP por várias casas de análise ao longo do tempo.

Informações do Arquivo

📁 **Arquivo:**  Consulta bloomberg.xlsx

📊 **Tamanho:**  18.07 MB

🕐 **Última modificação:**  2025-10-21 14:11:55

Dados das Casas de Análise

Esta seção contém o mapeamento entre códigos e nomes completos das casas de análise.


✅ **Total de casas cadastradas:**  67

Dados Brutos de Projeções

Esta seção contém os dados brutos de projeções da Bloomberg no formato original (wide format).

Preview dos Dados

📋 **Abas disponíveis no arquivo:**  Planilha1, Quarters, Consulta1, Casas 

📊 **Carregando aba principal:**  Planilha1

✅ **Dimensões dos dados:**  1095 linhas x 537 colunas

**Preview (primeiras 10 linhas):**

Dados Completos (Todas as Linhas)

Clique aqui para visualizar e baixar todos os dados

Dados Transformados (Long Format)

Esta seção transforma os dados para o formato “long” (data | quarter | casa | projeção), que é mais adequado para análises.

📅 **Quarters identificados:**  Q122, Q222, Q322, Q422, Q123, Q223, Q323, Q423 

✅ **Total de registros transformados:**  3,352 
✅ **Total de casas únicas:**  47 
✅ **Período dos dados:**  2021-01-07 até 2022-03-25

Preview dos Dados Transformados

**Preview (primeiras 20 linhas):**

Dados Completos Transformados

Clique aqui para visualizar e baixar todos os dados transformados

Estatísticas por Quarter

Esta seção apresenta estatísticas resumidas para cada quarter disponível.

**Estatísticas por Quarter:**

Estatísticas por Casa

Esta seção apresenta estatísticas resumidas para cada casa de análise.

**Estatísticas por Casa de Análise:**

Dados Filtrados por Quarter

Selecione um quarter específico para visualizar e baixar os dados.

Quarter: Q122

Registros: 764 Casas: 47 Período: 2021-01-07 até 2022-03-25

Visualizar e baixar dados do quarter Q122

#| echo: false
df_q <- df_bloomberg_long %>% filter(quarter == 'Q122')
show_table_auto(df_q, 'bloomberg_quarter_Q122', 2)

Quarter: Q123

Registros: 281 Casas: 43 Período: 2021-08-13 até 2022-03-25

Visualizar e baixar dados do quarter Q123

#| echo: false
df_q <- df_bloomberg_long %>% filter(quarter == 'Q123')
show_table_auto(df_q, 'bloomberg_quarter_Q123', 2)

Quarter: Q222

Registros: 738 Casas: 47 Período: 2021-01-07 até 2022-03-25

Visualizar e baixar dados do quarter Q222

#| echo: false
df_q <- df_bloomberg_long %>% filter(quarter == 'Q222')
show_table_auto(df_q, 'bloomberg_quarter_Q222', 2)

Quarter: Q223

Registros: 201 Casas: 41 Período: 2021-10-05 até 2022-03-25

Visualizar e baixar dados do quarter Q223

#| echo: false
df_q <- df_bloomberg_long %>% filter(quarter == 'Q223')
show_table_auto(df_q, 'bloomberg_quarter_Q223', 2)

Quarter: Q322

Registros: 683 Casas: 46 Período: 2021-01-07 até 2022-03-25

Visualizar e baixar dados do quarter Q322

#| echo: false
df_q <- df_bloomberg_long %>% filter(quarter == 'Q322')
show_table_auto(df_q, 'bloomberg_quarter_Q322', 2)

Quarter: Q323

Registros: 103 Casas: 39 Período: 2021-10-05 até 2022-03-25

Visualizar e baixar dados do quarter Q323

#| echo: false
df_q <- df_bloomberg_long %>% filter(quarter == 'Q323')
show_table_auto(df_q, 'bloomberg_quarter_Q323', 2)

Quarter: Q422

Registros: 555 Casas: 46 Período: 2021-01-07 até 2022-03-25

Visualizar e baixar dados do quarter Q422

#| echo: false
df_q <- df_bloomberg_long %>% filter(quarter == 'Q422')
show_table_auto(df_q, 'bloomberg_quarter_Q422', 2)

Quarter: Q423

Registros: 27 Casas: 4 Período: 2021-10-05 até 2022-03-25

Visualizar e baixar dados do quarter Q423

#| echo: false
df_q <- df_bloomberg_long %>% filter(quarter == 'Q423')
show_table_auto(df_q, 'bloomberg_quarter_Q423', 2)

Dados em Formato Wide (Pivot)

Esta seção reorganiza os dados em formato wide (casas nas colunas) para cada quarter.

Dados Wide - Quarter: Q122

Dimensões: 111 datas x 47 casas

Visualizar e baixar dados wide do quarter Q122

#| echo: false
df_wide_q <- df_bloomberg_long %>% filter(quarter == 'Q122') %>% select(data, casa, projecao) %>% pivot_wider(names_from = casa, values_from = projecao, values_fn = last) %>% arrange(desc(data))
show_table_auto(df_wide_q, 'bloomberg_wide_Q122', 2)

Dados Wide - Quarter: Q123

Dimensões: 35 datas x 43 casas

Visualizar e baixar dados wide do quarter Q123

#| echo: false
df_wide_q <- df_bloomberg_long %>% filter(quarter == 'Q123') %>% select(data, casa, projecao) %>% pivot_wider(names_from = casa, values_from = projecao, values_fn = last) %>% arrange(desc(data))
show_table_auto(df_wide_q, 'bloomberg_wide_Q123', 2)

Dados Wide - Quarter: Q222

Dimensões: 111 datas x 47 casas

Visualizar e baixar dados wide do quarter Q222

#| echo: false
df_wide_q <- df_bloomberg_long %>% filter(quarter == 'Q222') %>% select(data, casa, projecao) %>% pivot_wider(names_from = casa, values_from = projecao, values_fn = last) %>% arrange(desc(data))
show_table_auto(df_wide_q, 'bloomberg_wide_Q222', 2)

Dados Wide - Quarter: Q223

Dimensões: 30 datas x 41 casas

Visualizar e baixar dados wide do quarter Q223

#| echo: false
df_wide_q <- df_bloomberg_long %>% filter(quarter == 'Q223') %>% select(data, casa, projecao) %>% pivot_wider(names_from = casa, values_from = projecao, values_fn = last) %>% arrange(desc(data))
show_table_auto(df_wide_q, 'bloomberg_wide_Q223', 2)

Dados Wide - Quarter: Q322

Dimensões: 110 datas x 46 casas

Visualizar e baixar dados wide do quarter Q322

#| echo: false
df_wide_q <- df_bloomberg_long %>% filter(quarter == 'Q322') %>% select(data, casa, projecao) %>% pivot_wider(names_from = casa, values_from = projecao, values_fn = last) %>% arrange(desc(data))
show_table_auto(df_wide_q, 'bloomberg_wide_Q322', 2)

Dados Wide - Quarter: Q323

Dimensões: 23 datas x 39 casas

Visualizar e baixar dados wide do quarter Q323

#| echo: false
df_wide_q <- df_bloomberg_long %>% filter(quarter == 'Q323') %>% select(data, casa, projecao) %>% pivot_wider(names_from = casa, values_from = projecao, values_fn = last) %>% arrange(desc(data))
show_table_auto(df_wide_q, 'bloomberg_wide_Q323', 2)

Dados Wide - Quarter: Q422

Dimensões: 101 datas x 46 casas

Visualizar e baixar dados wide do quarter Q422

#| echo: false
df_wide_q <- df_bloomberg_long %>% filter(quarter == 'Q422') %>% select(data, casa, projecao) %>% pivot_wider(names_from = casa, values_from = projecao, values_fn = last) %>% arrange(desc(data))
show_table_auto(df_wide_q, 'bloomberg_wide_Q422', 2)

Dados Wide - Quarter: Q423

Dimensões: 19 datas x 4 casas

Visualizar e baixar dados wide do quarter Q423

#| echo: false
df_wide_q <- df_bloomberg_long %>% filter(quarter == 'Q423') %>% select(data, casa, projecao) %>% pivot_wider(names_from = casa, values_from = projecao, values_fn = last) %>% arrange(desc(data))
show_table_auto(df_wide_q, 'bloomberg_wide_Q423', 2)

Projeções Mais Recentes

Esta seção mostra as projeções mais recentes de cada casa para cada quarter.

**Última projeção de cada casa para cada quarter:**

Exportação Completa

Use os botões abaixo para baixar todos os conjuntos de dados processados.

✅ **Arquivo Excel completo criado:**  Bloomberg_Data_Export.xlsx 

📁 **Localização:**  C:\Users\vjs20\Documents\Kinea\Bloomberg_Data_Export.xlsx 

**Abas incluídas:**
- Dados_Brutos: Dados originais do Bloomberg
- Dados_Long: Dados transformados (data | quarter | casa | projeção)
- Stats_Quarter: Estatísticas agregadas por quarter
- Stats_Casa: Estatísticas agregadas por casa
- Projecoes_Recentes: Última projeção de cada casa para cada quarter
- Casas: Mapeamento de códigos e nomes

Informações Técnicas

Processamento de dados:

Os dados são carregados do arquivo Excel Consulta bloomberg.xlsx
A transformação para formato long segue a mesma lógica do script Python
Forward-fill de até 30 dias é aplicado para preencher dados faltantes
Todas as tabelas são exportáveis via botões Copy/CSV/Excel

Uso:

Abra este arquivo .qmd no RStudio
Clique em “Render” para gerar o HTML
No HTML gerado, use os botões de exportação em cada tabela para baixar os dados
Ou baixe o arquivo Excel completo gerado automaticamente

Data de geração: 2025-10-21 14:24:07.366623

--- title: "Bloomberg Data Viewer" author: "José Victor Santos Lopes" date: today lang: en format: html: toc: true toc-depth: 3 theme: cosmo code-fold: true code-tools: true self-contained: true execute: echo: false warning: false message: false --- ```{r setup} #| include: false library(readxl) library(dplyr) library(tidyverse) library(tibble) library(zoo) library(lubridate) library(DT) library(openxlsx) library(htmltools) # Configuração de opções options(scipen = 999, digits = 4, warn = -1) # Função para criar botões de exportação create_export_buttons <- function(filename, numeric_cols = NULL, percentage_cols = NULL) { list( list(extend = 'copy', text = 'Copy'), list(extend = 'csv', filename = filename), list(extend = 'excel', filename = filename) ) } # Função para exibir tabelas com exportação automática show_table_auto <- function(data, export_name, round_digits = 2) { if (nrow(data) == 0) { return(htmltools::HTML("<p>Nenhum dado disponível.</p>")) } # Converter colunas numéricas para formato adequado data_display <- data %>% mutate(across(where(is.numeric), ~round(., round_digits))) # Configurar DataTable datatable( data_display, extensions = 'Buttons', options = list( dom = 'Bfrtip', buttons = create_export_buttons(export_name), pageLength = 25, scrollX = TRUE, scrollY = '500px', scrollCollapse = TRUE, fixedHeader = TRUE, autoWidth = TRUE ), rownames = FALSE, class = 'cell-border stripe hover' ) } # Carregar caminho do arquivo Bloomberg bloomberg_file <- "Consulta bloomberg.xlsx" # Verificar se arquivo existe if (!file.exists(bloomberg_file)) { stop(paste("Arquivo não encontrado:", bloomberg_file)) } ``` # Bloomberg Data Dashboard Este dashboard permite visualizar e baixar os dados de projeções da Bloomberg armazenados no arquivo Excel. Os dados incluem projeções de GDP por várias casas de análise ao longo do tempo. ## Informações do Arquivo ```{r file_info} #| echo: false file_info <- file.info(bloomberg_file) file_size_mb <- round(file_info$size / 1024 / 1024, 2) file_modified <- format(file_info$mtime, "%Y-%m-%d %H:%M:%S") cat(paste("📁 **Arquivo:** ", basename(bloomberg_file), "\n")) cat(paste("📊 **Tamanho:** ", file_size_mb, "MB\n")) cat(paste("🕐 **Última modificação:** ", file_modified, "\n")) ``` ## Dados das Casas de Análise Esta seção contém o mapeamento entre códigos e nomes completos das casas de análise. ```{r casas_data} #| echo: false # Tentar carregar a aba "Casas" tryCatch({ df_casas <- read_excel(bloomberg_file, sheet = "Casas") cat(paste("\n✅ **Total de casas cadastradas:** ", nrow(df_casas), "\n\n")) show_table_auto(df_casas, 'casas_analise', 0) }, error = function(e) { cat("\n⚠️ Não foi possível carregar a aba 'Casas'.\n") cat(paste("Erro:", e$message, "\n")) }) ``` ## Dados Brutos de Projeções Esta seção contém os dados brutos de projeções da Bloomberg no formato original (wide format). ### Preview dos Dados ```{r raw_data_preview} #| echo: false # Carregar a primeira aba (assumindo que seja a aba principal com dados) tryCatch({ # Listar todas as abas sheet_names <- excel_sheets(bloomberg_file) cat(paste("📋 **Abas disponíveis no arquivo:** ", paste(sheet_names, collapse=", "), "\n\n")) # Tentar encontrar a aba principal de dados (geralmente a primeira ou uma sem nome específico) main_sheet <- sheet_names[1] # Se houver uma aba chamada "Casas", pular para a próxima if (main_sheet == "Casas" && length(sheet_names) > 1) { main_sheet <- sheet_names[2] } cat(paste("📊 **Carregando aba principal:** ", main_sheet, "\n\n")) df_bloomberg_raw <- read_excel(bloomberg_file, sheet = main_sheet) cat(paste("✅ **Dimensões dos dados:** ", nrow(df_bloomberg_raw), "linhas x", ncol(df_bloomberg_raw), "colunas\n\n")) # Mostrar preview cat("**Preview (primeiras 10 linhas):**\n\n") show_table_auto(head(df_bloomberg_raw, 10), 'bloomberg_raw_preview', 2) }, error = function(e) { cat("\n❌ Erro ao carregar dados brutos.\n") cat(paste("Erro:", e$message, "\n")) }) ``` ### Dados Completos (Todas as Linhas) ::: {.callout-note collapse="true"} ## Clique aqui para visualizar e baixar todos os dados ```{r raw_data_full} #| echo: false if (exists("df_bloomberg_raw")) { show_table_auto(df_bloomberg_raw, 'bloomberg_raw_complete', 2) } else { cat("⚠️ Dados não disponíveis.\n") } ``` ::: ## Dados Transformados (Long Format) Esta seção transforma os dados para o formato "long" (data | quarter | casa | projeção), que é mais adequado para análises. ```{r transform_data} #| echo: false tryCatch({ if (!exists("df_bloomberg_raw")) { stop("Dados brutos não carregados") } # Renomear primeira coluna para 'data' colnames(df_bloomberg_raw)[1] <- 'data' # Converter data para formato apropriado df_bloomberg_raw$data <- as.Date(df_bloomberg_raw$data) # Identificar quarters disponíveis nas colunas quarters_disponiveis <- list() for (col_name in colnames(df_bloomberg_raw)[-1]) { # Extrair quarter (ex: "ECGDUS Q122 ABN Index" → "Q122") parts <- strsplit(col_name, " ")[[1]] if (length(parts) >= 2) { quarter <- parts[2] if (!(quarter %in% names(quarters_disponiveis))) { quarters_disponiveis[[quarter]] <- c() } quarters_disponiveis[[quarter]] <- c(quarters_disponiveis[[quarter]], col_name) } } cat(paste("📅 **Quarters identificados:** ", paste(names(quarters_disponiveis), collapse=", "), "\n\n")) # Transformar para formato long dfs_long <- list() for (quarter in names(quarters_disponiveis)) { colunas <- quarters_disponiveis[[quarter]] # Selecionar data + colunas do quarter df_quarter <- df_bloomberg_raw %>% select(data, all_of(colunas)) # Melt para formato long df_long <- df_quarter %>% pivot_longer( cols = -data, names_to = "casa_col", values_to = "projecao" ) %>% mutate( # Extrair nome da casa (ex: "ECGDUS Q122 ABN Index" → "ABN") casa = str_extract(casa_col, "([A-Z0-9]+)\\s+Index"), casa = str_remove(casa, "\\s+Index"), quarter = quarter, projecao = as.numeric(projecao) ) %>% filter(!is.na(projecao)) %>% select(data, quarter, casa, projecao) %>% arrange(casa, data) # Forward-fill por casa (limite de 30 dias) df_long <- df_long %>% group_by(casa) %>% arrange(data) %>% mutate( dias_desde_ultima = as.numeric(data - lag(data, default = first(data))), projecao = if_else( dias_desde_ultima <= 30, zoo::na.locf(projecao, na.rm = FALSE), projecao ) ) %>% ungroup() %>% filter(!is.na(projecao)) %>% select(data, quarter, casa, projecao) dfs_long[[quarter]] <- df_long } # Concatenar todos os quarters df_bloomberg_long <- bind_rows(dfs_long) %>% arrange(quarter, data, casa) cat(paste("✅ **Total de registros transformados:** ", format(nrow(df_bloomberg_long), big.mark=","), "\n")) cat(paste("✅ **Total de casas únicas:** ", length(unique(df_bloomberg_long$casa)), "\n")) cat(paste("✅ **Período dos dados:** ", min(df_bloomberg_long$data), "até", max(df_bloomberg_long$data), "\n\n")) }, error = function(e) { cat("\n❌ Erro ao transformar dados.\n") cat(paste("Erro:", e$message, "\n")) }) ``` ### Preview dos Dados Transformados ```{r long_data_preview} #| echo: false if (exists("df_bloomberg_long")) { cat("**Preview (primeiras 20 linhas):**\n\n") show_table_auto(head(df_bloomberg_long, 20), 'bloomberg_long_preview', 2) } else { cat("⚠️ Dados transformados não disponíveis.\n") } ``` ### Dados Completos Transformados ::: {.callout-note collapse="true"} ## Clique aqui para visualizar e baixar todos os dados transformados ```{r long_data_full} #| echo: false if (exists("df_bloomberg_long")) { show_table_auto(df_bloomberg_long, 'bloomberg_long_complete', 2) } else { cat("⚠️ Dados transformados não disponíveis.\n") } ``` ::: ## Estatísticas por Quarter Esta seção apresenta estatísticas resumidas para cada quarter disponível. ```{r stats_by_quarter} #| echo: false if (exists("df_bloomberg_long")) { stats_quarter <- df_bloomberg_long %>% group_by(quarter) %>% summarise( n_registros = n(), n_casas = n_distinct(casa), n_datas = n_distinct(data), data_inicio = min(data), data_fim = max(data), projecao_media = mean(projecao, na.rm = TRUE), projecao_mediana = median(projecao, na.rm = TRUE), projecao_min = min(projecao, na.rm = TRUE), projecao_max = max(projecao, na.rm = TRUE), projecao_sd = sd(projecao, na.rm = TRUE) ) %>% arrange(quarter) cat("**Estatísticas por Quarter:**\n\n") show_table_auto(stats_quarter, 'stats_by_quarter', 2) } else { cat("⚠️ Dados não disponíveis para gerar estatísticas.\n") } ``` ## Estatísticas por Casa Esta seção apresenta estatísticas resumidas para cada casa de análise. ```{r stats_by_casa} #| echo: false if (exists("df_bloomberg_long")) { stats_casa <- df_bloomberg_long %>% group_by(casa) %>% summarise( n_registros = n(), n_quarters = n_distinct(quarter), n_datas = n_distinct(data), data_inicio = min(data), data_fim = max(data), projecao_media = mean(projecao, na.rm = TRUE), projecao_mediana = median(projecao, na.rm = TRUE), projecao_min = min(projecao, na.rm = TRUE), projecao_max = max(projecao, na.rm = TRUE), projecao_sd = sd(projecao, na.rm = TRUE) ) %>% arrange(desc(n_registros)) # Se existe mapeamento de nomes, adicionar if (exists("df_casas") && "Código" %in% colnames(df_casas) && "Nome" %in% colnames(df_casas)) { mapa_nomes <- setNames(df_casas$Nome, df_casas$Código) stats_casa <- stats_casa %>% mutate(nome_completo = ifelse(casa %in% names(mapa_nomes), mapa_nomes[casa], casa)) %>% select(casa, nome_completo, everything()) } cat("**Estatísticas por Casa de Análise:**\n\n") show_table_auto(stats_casa, 'stats_by_casa', 2) } else { cat("⚠️ Dados não disponíveis para gerar estatísticas.\n") } ``` ## Dados Filtrados por Quarter Selecione um quarter específico para visualizar e baixar os dados. ```{r data_by_quarter} #| echo: false #| results: asis if (exists("df_bloomberg_long")) { quarters_list <- unique(df_bloomberg_long$quarter) %>% sort() for (q in quarters_list) { cat(paste("\n### Quarter:", q, "\n\n")) df_quarter_filtered <- df_bloomberg_long %>% filter(quarter == q) %>% arrange(desc(data), casa) cat(paste("**Registros:** ", nrow(df_quarter_filtered), "\n")) cat(paste("**Casas:** ", n_distinct(df_quarter_filtered$casa), "\n")) cat(paste("**Período:** ", min(df_quarter_filtered$data), "até", max(df_quarter_filtered$data), "\n\n")) cat("::: {.callout-note collapse=\"true\"}\n") cat(paste("## Visualizar e baixar dados do quarter", q, "\n\n")) cat("```{r}\n") cat(paste0("#| echo: false\n")) cat(paste0("df_q <- df_bloomberg_long %>% filter(quarter == '", q, "')\n")) cat(paste0("show_table_auto(df_q, 'bloomberg_quarter_", q, "', 2)\n")) cat("```\n") cat(":::\n\n") # Realmente executar o código df_q <- df_bloomberg_long %>% filter(quarter == q) print(show_table_auto(df_q, paste0('bloomberg_quarter_', q), 2)) } } else { cat("⚠️ Dados não disponíveis.\n") } ``` ## Dados em Formato Wide (Pivot) Esta seção reorganiza os dados em formato wide (casas nas colunas) para cada quarter. ```{r wide_format} #| echo: false #| results: asis if (exists("df_bloomberg_long")) { quarters_list <- unique(df_bloomberg_long$quarter) %>% sort() for (q in quarters_list) { cat(paste("\n### Dados Wide - Quarter:", q, "\n\n")) df_wide <- df_bloomberg_long %>% filter(quarter == q) %>% select(data, casa, projecao) %>% pivot_wider( names_from = casa, values_from = projecao, values_fn = last # Em caso de duplicatas, pegar a última projeção ) %>% arrange(desc(data)) cat(paste("**Dimensões:** ", nrow(df_wide), "datas x", ncol(df_wide)-1, "casas\n\n")) cat("::: {.callout-note collapse=\"true\"}\n") cat(paste("## Visualizar e baixar dados wide do quarter", q, "\n\n")) cat("```{r}\n") cat(paste0("#| echo: false\n")) cat(paste0("df_wide_q <- df_bloomberg_long %>% filter(quarter == '", q, "') %>% select(data, casa, projecao) %>% pivot_wider(names_from = casa, values_from = projecao, values_fn = last) %>% arrange(desc(data))\n")) cat(paste0("show_table_auto(df_wide_q, 'bloomberg_wide_", q, "', 2)\n")) cat("```\n") cat(":::\n\n") # Realmente executar o código print(show_table_auto(df_wide, paste0('bloomberg_wide_', q), 2)) } } else { cat("⚠️ Dados não disponíveis.\n") } ``` ## Projeções Mais Recentes Esta seção mostra as projeções mais recentes de cada casa para cada quarter. ```{r latest_projections} #| echo: false if (exists("df_bloomberg_long")) { df_latest <- df_bloomberg_long %>% group_by(quarter, casa) %>% filter(data == max(data)) %>% ungroup() %>% arrange(quarter, desc(data), casa) # Se existe mapeamento de nomes, adicionar if (exists("df_casas") && "Código" %in% colnames(df_casas) && "Nome" %in% colnames(df_casas)) { mapa_nomes <- setNames(df_casas$Nome, df_casas$Código) df_latest <- df_latest %>% mutate(nome_completo = ifelse(casa %in% names(mapa_nomes), mapa_nomes[casa], casa)) %>% select(data, quarter, casa, nome_completo, projecao) } cat("**Última projeção de cada casa para cada quarter:**\n\n") show_table_auto(df_latest, 'bloomberg_latest_projections', 2) } else { cat("⚠️ Dados não disponíveis.\n") } ``` ## Exportação Completa Use os botões abaixo para baixar todos os conjuntos de dados processados. ```{r export_all} #| echo: false # Criar arquivo Excel com múltiplas abas if (exists("df_bloomberg_raw") && exists("df_bloomberg_long")) { output_file <- "Bloomberg_Data_Export.xlsx" tryCatch({ wb <- createWorkbook() # Aba 1: Dados brutos addWorksheet(wb, "Dados_Brutos") writeData(wb, "Dados_Brutos", df_bloomberg_raw) # Aba 2: Dados transformados (long) addWorksheet(wb, "Dados_Long") writeData(wb, "Dados_Long", df_bloomberg_long) # Aba 3: Estatísticas por quarter if (exists("stats_quarter")) { addWorksheet(wb, "Stats_Quarter") writeData(wb, "Stats_Quarter", stats_quarter) } # Aba 4: Estatísticas por casa if (exists("stats_casa")) { addWorksheet(wb, "Stats_Casa") writeData(wb, "Stats_Casa", stats_casa) } # Aba 5: Projeções mais recentes if (exists("df_latest")) { addWorksheet(wb, "Projecoes_Recentes") writeData(wb, "Projecoes_Recentes", df_latest) } # Aba 6: Casas (se existir) if (exists("df_casas")) { addWorksheet(wb, "Casas") writeData(wb, "Casas", df_casas) } # Salvar saveWorkbook(wb, output_file, overwrite = TRUE) cat(paste("✅ **Arquivo Excel completo criado:** ", output_file, "\n\n")) cat(paste("📁 **Localização:** ", normalizePath(output_file), "\n\n")) cat("**Abas incluídas:**\n") cat("- Dados_Brutos: Dados originais do Bloomberg\n") cat("- Dados_Long: Dados transformados (data | quarter | casa | projeção)\n") cat("- Stats_Quarter: Estatísticas agregadas por quarter\n") cat("- Stats_Casa: Estatísticas agregadas por casa\n") cat("- Projecoes_Recentes: Última projeção de cada casa para cada quarter\n") if (exists("df_casas")) { cat("- Casas: Mapeamento de códigos e nomes\n") } }, error = function(e) { cat("\n⚠️ Não foi possível criar o arquivo Excel completo.\n") cat(paste("Erro:", e$message, "\n")) }) } else { cat("⚠️ Dados não disponíveis para exportação.\n") } ``` --- ## Informações Técnicas **Processamento de dados:** - Os dados são carregados do arquivo Excel `Consulta bloomberg.xlsx` - A transformação para formato long segue a mesma lógica do script Python - Forward-fill de até 30 dias é aplicado para preencher dados faltantes - Todas as tabelas são exportáveis via botões Copy/CSV/Excel **Uso:** 1. Abra este arquivo `.qmd` no RStudio 2. Clique em "Render" para gerar o HTML 3. No HTML gerado, use os botões de exportação em cada tabela para baixar os dados 4. Ou baixe o arquivo Excel completo gerado automaticamente **Data de geração:** `r Sys.time()`