Integrantes:
##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union## [1] "Código del País"
## [2] "Nombre y Continente"
## [3] "Año"
## [4] "PIB (miles de millones USD)"
## [5] "Tasa de Inflación (%)"
## [6] "Balanza Comercial (miles de millones USD)"
## [7] "Tipo de Cambio (vs. USD)"
## [8] "Crecimiento del Comercio Exterior (%)"
## [9] "Número de Tratados de Libre Comercio"
## [10] "Riesgo País"## [1] 220 10De acuerdo con los resultados podemos ver que la base de datos tiene 10 columnas y 220 columnas
Importe el archivo a R Studio y revise la estructura de los datos. ¿Cuántas filas y columnas tiene la tabla?
df_filter <- df %>%
filter(`PIB (miles de millones USD)` > 5000, Año == 2024)
dim(df_filter)## [1] 18 10head(df_filter, 10)## # A tibble: 10 × 10
## `Código del País` `Nombre y Continente` Año PIB (miles de millones …¹
## <chr> <chr> <dbl> <dbl>
## 1 ARG Argentina - América del Sur 2024 6850
## 2 AUS Australia - Oceanía 2024 24055.
## 3 BRA Brasil - América del Sur 2024 16654.
## 4 CHL Chile - América del Sur 2024 24590.
## 5 CHN China - Asia Norte 2024 8341.
## 6 COL Colombia - América del Sur 2024 6538.
## 7 EGY Egipto - África Norte 2024 22013.
## 8 FRA Francia - Europa Oeste 2024 21933.
## 9 GBR Reino Unido - Europa Oeste 2024 12026.
## 10 IDN Indonesia - Asia Sur 2024 17915.
## # ℹ abbreviated name: ¹`PIB (miles de millones USD)`
## # ℹ 6 more variables: `Tasa de Inflación (%)` <dbl>,
## # `Balanza Comercial (miles de millones USD)` <dbl>,
## # `Tipo de Cambio (vs. USD)` <dbl>,
## # `Crecimiento del Comercio Exterior (%)` <dbl>,
## # `Número de Tratados de Libre Comercio` <dbl>, `Riesgo País` <chr>Los paises que en el 2024 mostraron un PIB superior a 5000 mil millones de USD son solo diez, estos son Argentina, Australia, Brasil, Chile, China, Colombia, Egipto, Francia, Reino Unido, e Indonesia.
Filtre los registros para mostrar solo los países con un PIB superior a 5000 mil millones USD en el año 2024. ¿Cuáles son esos países?
df_2024 <- df %>%
filter(Año == 2024) %>%
mutate(Bal_Com_PIB = `Balanza Comercial (miles de millones USD)` /
`PIB (miles de millones USD)`) %>%
arrange(desc(Bal_Com_PIB))
df_2024 %>%
select(`Nombre y Continente`, Bal_Com_PIB) %>%
head(3)## # A tibble: 3 × 2
## `Nombre y Continente` Bal_Com_PIB
## <chr> <dbl>
## 1 Canadá - América del Norte 0.0957
## 2 Alemania - Europa Oeste 0.0815
## 3 España - Europa Oeste 0.0691Los tres países con la mejor relación entre la Balanza Comercial y el PIB son Canada, Alemania y España respectivamente con un porcentaje 9,5% , 8,1% , 6,9%.
Convierta la columna de “Riesgo País” en valores numéricos (Muy Bajo=1, Bajo=2, Moderado=3, Alto=4, Muy Alto=5). ¿Cuáles son los tres países con mayor riesgo financiero?
df <- df %>%
mutate(Riesgo_Pais_Nivel = case_when(
`Riesgo País` == "Muy Bajo" ~ 1,
`Riesgo País` == "Bajo" ~ 2,
`Riesgo País` == "Moderado" ~ 3,
`Riesgo País` == "Alto" ~ 4,
`Riesgo País` == "Muy Alto" ~ 5
))
df %>%
arrange(desc(Riesgo_Pais_Nivel)) %>%
select(`Nombre y Continente`, `Riesgo País`, Riesgo_Pais_Nivel) %>%
head(3)## # A tibble: 3 × 3
## `Nombre y Continente` `Riesgo País` Riesgo_Pais_Nivel
## <chr> <chr> <dbl>
## 1 Argentina - América del Sur Muy Alto 5
## 2 Argentina - América del Sur Muy Alto 5
## 3 Australia - Oceanía Muy Alto 5Se realiza la conversión creando un bucle, donde los tres países con mayor nivel de riesgo serian Argentina, Australia y Brasil.
Identifique cuáles columnas contienen valores nulos y elimine las filas donde el PIB o la inflación estén vacíos. ¿Cuántas filas quedan después de la limpieza?
colSums(is.na(df)) # columnas con NA## Código del País
## 0
## Nombre y Continente
## 0
## Año
## 0
## PIB (miles de millones USD)
## 12
## Tasa de Inflación (%)
## 8
## Balanza Comercial (miles de millones USD)
## 0
## Tipo de Cambio (vs. USD)
## 0
## Crecimiento del Comercio Exterior (%)
## 0
## Número de Tratados de Libre Comercio
## 21
## Riesgo País
## 0
## Riesgo_Pais_Nivel
## 0df_clean <- df %>%
filter(!is.na(`PIB (miles de millones USD)`),
!is.na(`Tasa de Inflación (%)`))
dim(df_clean)## [1] 201 11Luego de la limpieza de datos se identifica que la variable “Número de Tratados de Libre Comercio” posee 21 valores nulos, el PIB (miles de millones USD) posee 12 valores nulos, la Tasa de Inflación (%) tiene 8 valores nulos, finalmente la nueva variable relacion presenta 12 valores nulos. Por lo que quedan 201 filas luego de la limpieza
Separe la columna “Nombre y Continente” en dos columnas nuevas: “Nombre País” y “Continente”. ¿Cuántos países pertenecen a cada continente después de la transformación?
df_clean <- df_clean %>%
separate(`Nombre y Continente`, into = c("Nombre_Pais", "Continente"), sep = " - ")
df_clean %>%
count(Continente)## # A tibble: 9 × 2
## Continente n
## <chr> <int>
## 1 América del Norte 28
## 2 América del Sur 46
## 3 Asia Norte 19
## 4 Asia Sur 16
## 5 Europa Este 10
## 6 Europa Oeste 45
## 7 Oceanía 18
## 8 África Norte 9
## 9 África Sur 10Al separar la variable Nombre y Continente en “Nombre País” y “Continente”, se pueden identificar los países que pertenecen a cada continente. En África Norte hay 9 países, África Sur hay 10 países, América del Norte hay 28 países, América del Sur hay 46 países, Asia Norte hay 19 países, Asia sur hay 16 países, Europa Este hay 10 países, Eurpoa Oeste hay 45 países, finalmente en Oceanía hay 18 países.
Duplique la hoja y agrupe los datos por “Año” y calcule el promedio del PIB para cada año. ¿En qué año se observa el mayor promedio de PIB?
df_promedio <- df_clean %>%
group_by(Año) %>%
summarise(Promedio_PIB = mean(`PIB (miles de millones USD)`, na.rm = TRUE))
df_promedio %>%
arrange(desc(Promedio_PIB)) %>%
head(1)## # A tibble: 1 × 2
## Año Promedio_PIB
## <dbl> <dbl>
## 1 2020 14795.Al duplicar las variables, y obtener el promedio del PIB, se puede analizar que el PIB del año 2020 tuvo el mayor promedio, sinedo 14.749,54
Cree una columna nueva que calcule la variación del PIB con respecto al año anterior para cada país; debe duplicar hojas para “PIB Inicial” y “PIB Final”. ¿Cuáles son los países con mayor crecimiento del PIB en 2024?
df_variacion <- df_clean %>%
group_by(`Código del País`) %>%
arrange(Año) %>%
mutate(Var_PIB = `PIB (miles de millones USD)` - lag(`PIB (miles de millones USD)`))
df_variacion %>%
filter(Año == 2024) %>%
arrange(desc(Var_PIB)) %>%
select(Nombre_Pais, Año, Var_PIB) %>%
head(5)## Adding missing grouping variables: `Código del País`## # A tibble: 5 × 4
## # Groups: Código del País [5]
## `Código del País` Nombre_Pais Año Var_PIB
## <chr> <chr> <dbl> <dbl>
## 1 EGY Egipto 2024 15382.
## 2 FRA Francia 2024 13747.
## 3 AUS Australia 2024 12510.
## 4 BRA Brasil 2024 12361.
## 5 RUS Rusia 2024 7420.La variación del producto interno bruto, se calcula el valor de crecimiento. Las cinco empresas con mayor crecimiento en el producto interno bruto son Egipto, Francia, Australia, Brasil, y Rusia.
Aplique un filtro para mostrar solo los países que han firmado más de 10 tratados de libre comercio y tienen un crecimiento del comercio exterior superior al 3% en 2024. ¿Cuáles cumplen con estos criterios?
df_clean %>%
filter(Año == 2024,
`Número de Tratados de Libre Comercio` > 10,
`Crecimiento del Comercio Exterior (%)` > 3) %>%
select(Nombre_Pais, Continente, `Número de Tratados de Libre Comercio`, `Crecimiento del Comercio Exterior (%)`)## # A tibble: 1 × 4
## Nombre_Pais Continente Número de Tratados de Libre Co…¹ Crecimiento del Come…²
## <chr> <chr> <dbl> <dbl>
## 1 Japón Asia Norte 24 6.51
## # ℹ abbreviated names: ¹`Número de Tratados de Libre Comercio`,
## # ²`Crecimiento del Comercio Exterior (%)`De los países que han firmado más de 10 tratados de libre comercio y tinen un crecimiento del comercio exterior superior al 3% en 2024 es solo Japón, en este caso el número de tratados de libre comercio son 24 y el crecimiento del comercio exterior es 6,51%
Ordene los países por tasa de inflación en 2024, de menor a mayor. ¿Cuál es el país con la menor inflación?
df_clean %>%
filter(Año == 2024) %>%
arrange(`Tasa de Inflación (%)`) %>%
select(Nombre_Pais, `Tasa de Inflación (%)`) %>%
head(1)## # A tibble: 1 × 2
## Nombre_Pais `Tasa de Inflación (%)`
## <chr> <dbl>
## 1 Canadá -0.33Al organizar los países por la tasa de inflación nos damos cuenta que el país con la menor inflación es Canadá, con una inflación negativa.
Cree una columna que divida el PIB entre la tasa de inflación para obtener una relación ajustada. ¿Qué país tiene la mejor relación PIB-Inflación en 2024?
df_clean <- df_clean %>%
mutate(Rel_PIB_Inflacion = `PIB (miles de millones USD)` / `Tasa de Inflación (%)`)
df_clean %>%
filter(Año == 2024) %>%
arrange(desc(Rel_PIB_Inflacion)) %>%
select(Nombre_Pais, Rel_PIB_Inflacion) %>%
head(1)## # A tibble: 1 × 2
## Nombre_Pais Rel_PIB_Inflacion
## <chr> <dbl>
## 1 Indonesia 33176.Al obtener esta relación ajustada se permite identificar qué países logran un equilibrio favorable entre crecimiento económico y estabilidad de precios. En este caso el país que tiene la mejor relación PIB-Inflación en 2024 es Indonesia con una relación de 33175.57
Calcule una medida nueva que exprese cuánto impacta el tipo de cambio en la balanza comercial (Balanza Comercial * Tipo de Cambio). ¿Qué país muestra el mayor impacto?
df_clean <- df_clean %>%
mutate(Impacto_TC = `Balanza Comercial (miles de millones USD)` * `Tipo de Cambio (vs. USD)`)
df_clean %>%
filter(Año == 2024) %>%
arrange(desc(Impacto_TC)) %>%
select(Nombre_Pais, Impacto_TC) %>%
head(1)## # A tibble: 1 × 2
## Nombre_Pais Impacto_TC
## <chr> <dbl>
## 1 Egipto 34019.El impacto del tipo de cambio en la balanza comercial, lo que muestra qué países son más sensibles a la volatilidad cambiaria, lo que afecta directamente la rentabilidad de las operaciones internacionales. En este caso el país muestra el mayor impacto es Egipto con un valor de 34.019,03
Cree una fórmula que calcule un índice de competitividad basado en PIB, inflación y tratados comerciales [(PIB / Inflación) + (Tratados TLC * 5)]. ¿Qué país tiene el índice más alto?
df_clean <- df_clean %>%
mutate(Indice_Compet = (`PIB (miles de millones USD)` / `Tasa de Inflación (%)`) +
(`Número de Tratados de Libre Comercio` * 5))
df_clean %>%
filter(Año == 2024) %>%
arrange(desc(Indice_Compet)) %>%
select(Nombre_Pais, Indice_Compet)## # A tibble: 20 × 2
## Nombre_Pais Indice_Compet
## <chr> <dbl>
## 1 Indonesia 33206.
## 2 China 26107.
## 3 Estados Unidos 15941.
## 4 Japón 8613.
## 5 India 6778.
## 6 Francia 3779.
## 7 Rusia 3486.
## 8 Chile 3030.
## 9 Australia 2746.
## 10 México 1712.
## 11 Argentina 1555.
## 12 Alemania 1162.
## 13 Sudáfrica 1112.
## 14 Colombia 922.
## 15 Brasil NA
## 16 Canadá NA
## 17 Egipto NA
## 18 España NA
## 19 Nueva Zelanda NA
## 20 Perú NAEl índice de competitividad basado en el PIB se da al combinar PIB, inflación y tratados comerciales, mediante el cual se obtiene un indicador integral que resalta los países con mejores condiciones para competir en el mercado global. El país con el indice de competividad mas alto es indonesia.
Una vez transformados los datos, expórtelos a un archivo nuevo de Excel con el nombre “Indicadores_Limpios.xlsx”. ¿Cuántas filas tiene el archivo final después de las transformaciones?
write.csv2(df_clean, "Indicadores_Limpios2.csv", row.names = FALSE)
dim(df_clean)## [1] 201 15El archivo final luego de la transformación tiene 201 filas, estas incluyen la relación del PIB y la inflación, el impacto del tipo de cambioi y el indice de competitividad.