LABORATORIO 1 parte 2
HR15033 - DR15016 - CL12025.
7/9/2021
UNIVERSIDAD DE EL SALVADOR
FACULTAD DE CIENCIAS ECONÓMICAS
ESCUELA DE ECONOMÍA
METODOS PARA EL ANALISIS ECONOMICO
“LABORATORIO 1 PARTE 2”
INTEGRANTES:
CANALES LOPEZ, JOSUE MANUEL CL12025
HERNANDEZ ROMERO, ALAN ERNESTO HR15033
DE JESUS PAREDES, YESSICA CRISTINA DR15016
MSF. CARLOS ADEMIR PÉREZ ALAS
CIUDAD UNIVERSITARIA, SEPTIEMBRE DE 2021
SELECT
Ejemplo 1:
Usando la base de datos de comercio exterior, para El Salvador, creada en la sesión anterior, seleccione las columnas de “pais”, “sac”,“anio”,“mes”,“valor_cif”.
load("C:/LAB 1/data_comercio_exterior.RData")
library(dplyr)
library(kableExtra)
data_comercio_exterior %>%
select("pais", "sac","anio","mes","valor_cif") %>%
head() %>% kable(caption = "Ejemplo 1") %>% kable_minimal()
Ejemplo 1
pais
sac
anio
mes
valor_cif
Afganistan
0806200000
2018
6
6448.43
Afganistan
6104220000
2018
10
3153.37
Afganistan
6104620000
2018
10
946.01
Afganistan
6105100000
2018
10
9405.39
Afganistan
6106100000
2018
10
1353.32
Afganistan
6405900000
2018
10
2260.03
FILTER
Ejemplo 1: Seleccione todas las transacciones de exportación del año 2019, con Honduras o Guatemala, que sean superiores a los 100,000 US$
library(dplyr)
data_comercio_exterior %>%
select("pais", "sac","anio","mes","valor_fob") %>%
filter(anio=="2019", pais %in% c("Nicaragua","Canada"),valor_fob>100000)
## # A tibble: 830 x 5
## pais sac anio mes valor_fob
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 Canada 0602100000 2019 1 790154.
## 2 Canada 1701140000 2019 1 13353874.
## 3 Canada 6107110000 2019 1 166775.
## 4 Canada 6109100000 2019 1 131863.
## 5 Canada 6109900000 2019 1 184011.
## 6 Canada 6210400000 2019 1 145784.
## 7 Canada 0602100000 2019 2 688634.
## 8 Canada 0901113000 2019 2 224644.
## 9 Canada 1701140000 2019 2 12683064.
## 10 Canada 6107110000 2019 2 214356.
## # ... with 820 more rows
Ejemplo 2: Seleccione todas las transacciones, exportación e importación, para el último trimestre de cada año disponible en el dataframe, que se han realizado con Costa Rica.
data_comercio_exterior %>%
filter(pais=="Costa Rica",mes %in% 10:12)
## # A tibble: 6,730 x 8
## pais sac anio mes valor_cif kilogramos_impo~ valor_fob kilogramos_expo~
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Cost~ 0202~ 2018 10 63958. 21128 0 0
## 2 Cost~ 0401~ 2018 10 188962. 198997. 0 0
## 3 Cost~ 0401~ 2018 10 564231. 596498. 0 0
## 4 Cost~ 0402~ 2018 10 37842. 5677. 0 0
## 5 Cost~ 0402~ 2018 10 243936. 35618. 0 0
## 6 Cost~ 0402~ 2018 10 102270. 20075. 0 0
## 7 Cost~ 0402~ 2018 10 17255. 8263. 0 0
## 8 Cost~ 0402~ 2018 10 32573. 19754. 0 0
## 9 Cost~ 0403~ 2018 10 101404. 60552. 41789. 22884.
## 10 Cost~ 0403~ 2018 10 16499. 9150. 0 0
## # ... with 6,720 more rows
Ejemplo 3: Seleccione todas las transacciones, exportación e importación, para el último trimestre de cada año disponible en el dataframe, y que excluyan el comercio con Canada, México y Estados Unidos.
library(purrr)
`%not_in%` <- purrr::negate(`%in%`)
data_comercio_exterior %>%
filter(mes %in% 10:12,
pais %not_in% c("Colombia","Honduras","Venezuela"))
## # A tibble: 182,800 x 8
## pais sac anio mes valor_cif kilogramos_impo~ valor_fob kilogramos_expo~
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Afga~ 6104~ 2018 10 3153. 2408. 0 0
## 2 Afga~ 6104~ 2018 10 946. 722. 0 0
## 3 Afga~ 6105~ 2018 10 9405. 7181. 0 0
## 4 Afga~ 6106~ 2018 10 1353. 1726. 0 0
## 5 Afga~ 6405~ 2018 10 2260. 1726. 0 0
## 6 Afga~ 8206~ 2018 10 6.56 5.02 0 0
## 7 Afga~ 0910~ 2019 10 1821 34.9 0 0
## 8 Afga~ 9018~ 2020 11 501. 19 0 0
## 9 Afga~ 8521~ 2020 12 116. 1.7 0 0
## 10 Alba~ 6103~ 2018 10 54.2 0.57 0 0
## # ... with 182,790 more rows
MUTATE
Ejemplo 1: calcule el saldo de la balanza comercial para todas las transacciones, disponibles en la base de comercio exterior.
data_comercio_exterior %>%
mutate(saldo_bc=valor_fob-valor_cif) %>%
select("pais","sac","anio","mes","saldo_bc")
## # A tibble: 751,006 x 5
## pais sac anio mes saldo_bc
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 Afganistan 0806200000 2018 6 -6448.
## 2 Afganistan 6104220000 2018 10 -3153.
## 3 Afganistan 6104620000 2018 10 -946.
## 4 Afganistan 6105100000 2018 10 -9405.
## 5 Afganistan 6106100000 2018 10 -1353.
## 6 Afganistan 6405900000 2018 10 -2260.
## 7 Afganistan 8206000000 2018 10 -6.56
## 8 Afganistan 6404110000 2019 2 -7752.
## 9 Afganistan 6405100000 2019 2 -508.
## 10 Afganistan 6405900000 2019 2 -12.4
## # ... with 750,996 more rows
Ejemplo 2: Calcule las exportaciones y las importaciones como porcentaje del comercio total, en cada transacción disponible en la base de comercio exterior, muestre sólo aquellas partidas que registren exportaciones.
options(scipen = 99999)
data_comercio_exterior %>%
mutate(Xpt=round(valor_fob/(valor_cif+valor_fob)*100,2),
Mpt=round(valor_cif/(valor_cif+valor_fob)*100,2)) %>%
select("pais","sac","anio","mes","Xpt","Mpt") %>% filter(Xpt>0)
## # A tibble: 176,180 x 6
## pais sac anio mes Xpt Mpt
## <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Afganistan 3004909100 2019 9 100 0
## 2 Albania 1701140000 2019 2 100 0
## 3 Alemania 0106200000 2018 1 100 0
## 4 Alemania 0409000000 2018 1 100 0
## 5 Alemania 0901113000 2018 1 100 0
## 6 Alemania 0901210000 2018 1 100 0
## 7 Alemania 5202990000 2018 1 100 0
## 8 Alemania 6101300000 2018 1 100 0
## 9 Alemania 6109100000 2018 1 100 0
## 10 Alemania 6109900000 2018 1 100 0
## # ... with 176,170 more rows
ARRANGE
Ejemplo: Ordenar los resultados del Ejemplo 2 de mutate, mostrando primero los resultados más recientes.
options(scipen = 99999)
data_comercio_exterior %>%
mutate(Xpt=round(valor_fob/(valor_cif+valor_fob)*100,2),
Mpt=round(valor_cif/(valor_cif+valor_fob)*100,2)) %>%
select("pais","sac","anio","mes","Xpt","Mpt") %>%
filter(Xpt>0) %>%
arrange(desc(anio),desc(mes))
## # A tibble: 176,180 x 6
## pais sac anio mes Xpt Mpt
## <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Alemania 0901113000 2020 12 100 0
## 2 Alemania 1604149000 2020 12 100 0
## 3 Alemania 3808930000 2020 12 72.8 27.2
## 4 Alemania 4202320000 2020 12 100 0
## 5 Alemania 4205009000 2020 12 100 0
## 6 Alemania 4417000000 2020 12 100 0
## 7 Alemania 4420100000 2020 12 100 0
## 8 Alemania 6103430000 2020 12 100 0
## 9 Alemania 6104630000 2020 12 100 0
## 10 Alemania 6109900000 2020 12 100 0
## # ... with 176,170 more rows
SUMMARISE
Ejemplo 1: Obtenga los totales anuales de importaciones y exportaciones.
data_comercio_exterior %>%
group_by(anio) %>%
summarise(`Total Exportaciones MM US$`=sum(valor_fob)/1e6,
`Total Importaciones MM US$`=sum(valor_cif)/1e6)
## # A tibble: 3 x 3
## anio `Total Exportaciones MM US$` `Total Importaciones MM US$`
## <dbl> <dbl> <dbl>
## 1 2018 5905. 11464.
## 2 2019 5905. 11604.
## 3 2020 5044. 10327.
Ejemplo 2: Obtenga los totales anuales de importaciones y exportaciones, que se realizan por país.
data_comercio_exterior %>%
group_by(pais,anio) %>%
summarise(`Total Exportaciones`=sum(valor_fob),
`Total Importaciones`=sum(valor_cif))
## # A tibble: 615 x 4
## # Groups: pais [229]
## pais anio `Total Exportaciones` `Total Importaciones`
## <chr> <dbl> <dbl> <dbl>
## 1 Afganistan 2018 0 23573.
## 2 Afganistan 2019 382. 13114.
## 3 Afganistan 2020 0 5427.
## 4 Albania 2018 0 18307.
## 5 Albania 2019 51392. 25660.
## 6 Albania 2020 0 368298.
## 7 Alemania 2018 20425283. 181276789.
## 8 Alemania 2019 21447921. 168946137.
## 9 Alemania 2020 36222619. 164207993.
## 10 Andorra 2018 23165. 180475.
## # ... with 605 more rows
library(readxl)
options (scipen = 9999)
nombre_archivo <- "C:/LAB 1/nombres_iso_paises.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
anios_ranking<-2017:2019
data_comercio_exterior %>%
filter(anio %in% anios_ranking) ->data_ranking
Cálculo de ranking & porcentajes
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 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|42.03 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
Tabla en formato “RAW”
library(tidyr)
insumo_reporte %>%
pivot_wider(names_from = rank,values_from = data)->mi_tabla
print(mi_tabla)
## # A tibble: 2 x 6
## 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|42.03 GTM|15.92 HND|15.9 NIC|6.66 CRI|4.46
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 2017 - 2019
anio
1
2
3
4
5
2018
USA|44.07
HND|15.34
GTM|14.36
NIC|6.87
CRI|4.39
2019
USA|42.03
GTM|15.92
HND|15.9
NIC|6.66
CRI|4.46
a Elaboración propia con base en datos del BCR
library(readxl)
library(kableExtra)
library(dplyr)
options(scipen = 999999)
load("C:/LAB 1/Update/data_comercio_exterior_actualizada.RData")
nombre_archivo<-"C:/LAB 1/nombres_iso_paises.xlsx"
nombres_iso_paises <-read_excel(nombre_archivo)
data_comercio_exterior %>%
left_join(nombres_iso_paises,
by=c("pais"="nom_pais_esp")) %>%
group_by(region,sub_region,anio) %>%
summarise('Exportaciones Totales MM US$' = sum(valor_fob)/1e6,
'Importaciones Totales MM US$' = sum(valor_cif)/1e6) %>%
kable(digits = 2) %>% kable_styling()
region
sub_region
anio
Exportaciones Totales MM US$
Importaciones Totales MM US$
África
Africa Del Norte
2018
1.96
10.40
África
Africa Del Norte
2019
1.90
8.52
África
Africa Del Norte
2020
2.12
14.20
África
Africa Del Norte
2021
0.25
5.05
África
Africa Sub-Sahariana
2018
23.62
13.51
África
Africa Sub-Sahariana
2019
4.86
9.34
África
Africa Sub-Sahariana
2020
5.15
13.68
África
Africa Sub-Sahariana
2021
0.84
4.91
Américas
América Del Norte
2018
5247.43
7354.47
Américas
América Del Norte
2019
5092.51
7035.87
Américas
América Del Norte
2020
3995.93
5478.39
Américas
América Del Norte
2021
1576.07
2370.45
Américas
América Latina Y El Caribe
2018
5846.97
8154.31
Américas
América Latina Y El Caribe
2019
6077.47
9009.65
Américas
América Latina Y El Caribe
2020
5330.89
8347.27
Américas
América Latina Y El Caribe
2021
1984.60
3050.64
Asia
Asia Central
2018
0.01
0.90
Asia
Asia Central
2019
0.00
0.66
Asia
Asia Central
2020
0.02
0.66
Asia
Asia Central
2021
0.00
0.14
Asia
Asia Meridional
2018
7.50
273.28
Asia
Asia Meridional
2019
4.95
269.53
Asia
Asia Meridional
2020
10.12
230.42
Asia
Asia Meridional
2021
3.34
126.54
Asia
Asia Occidental
2018
4.01
157.02
Asia
Asia Occidental
2019
5.64
111.85
Asia
Asia Occidental
2020
10.32
121.01
Asia
Asia Occidental
2021
4.28
93.55
Asia
Asia Oriental
2018
288.79
4466.83
Asia
Asia Oriental
2019
244.96
4466.09
Asia
Asia Oriental
2020
365.62
3865.99
Asia
Asia Oriental
2021
126.37
1805.04
Asia
Asia Sudoriental
2018
33.22
544.39
Asia
Asia Sudoriental
2019
9.07
511.61
Asia
Asia Sudoriental
2020
9.48
493.24
Asia
Asia Sudoriental
2021
6.87
210.74
Europa
Europa Del Este
2018
2.86
153.33
Europa
Europa Del Este
2019
14.39
146.40
Europa
Europa Del Este
2020
4.19
131.57
Europa
Europa Del Este
2021
0.91
75.66
Europa
Europa Del Sur
2018
165.77
782.97
Europa
Europa Del Sur
2019
168.70
620.91
Europa
Europa Del Sur
2020
142.78
611.22
Europa
Europa Del Sur
2021
48.15
255.10
Europa
Europa Oriental
2018
116.77
694.81
Europa
Europa Oriental
2019
123.61
701.12
Europa
Europa Oriental
2020
170.57
683.26
Europa
Europa Oriental
2021
65.20
243.41
Europa
Norte De Europa
2018
54.94
220.25
Europa
Norte De Europa
2019
39.20
236.00
Europa
Norte De Europa
2020
31.46
593.79
Europa
Norte De Europa
2021
23.70
95.02
Oceanía
Australia Y Nueva Zelanda
2018
16.96
78.24
Oceanía
Australia Y Nueva Zelanda
2019
22.16
76.60
Oceanía
Australia Y Nueva Zelanda
2020
9.37
68.08
Oceanía
Australia Y Nueva Zelanda
2021
5.70
17.97
Oceanía
Melanesia
2018
0.01
0.03
Oceanía
Melanesia
2019
0.01
0.03
Oceanía
Melanesia
2020
0.00
0.16
Oceanía
Melanesia
2021
0.00
0.14
Oceanía
Micronesia
2018
0.00
0.00
Oceanía
Micronesia
2019
0.00
0.07
Oceanía
Micronesia
2020
0.00
0.04
Oceanía
Micronesia
2021
0.00
0.01
Oceanía
Polinesia
2018
0.02
0.23
Oceanía
Polinesia
2019
0.02
0.31
Oceanía
Polinesia
2020
0.01
0.11
Oceanía
Polinesia
2021
0.00
0.06
NA
NA
2018
0.00
23.66
NA
NA
2019
0.00
3.12
NA
NA
2020
0.00
0.08
NA
NA
2021
0.02
0.10
UNIVERSIDAD DE EL SALVADOR
FACULTAD DE CIENCIAS ECONÓMICAS
ESCUELA DE ECONOMÍA
METODOS PARA EL ANALISIS ECONOMICO
“LABORATORIO 1 PARTE 2”
INTEGRANTES:
CANALES LOPEZ, JOSUE MANUEL CL12025
HERNANDEZ ROMERO, ALAN ERNESTO HR15033
DE JESUS PAREDES, YESSICA CRISTINA DR15016
MSF. CARLOS ADEMIR PÉREZ ALAS
CIUDAD UNIVERSITARIA, SEPTIEMBRE DE 2021
SELECT
Ejemplo 1:
Usando la base de datos de comercio exterior, para El Salvador, creada en la sesión anterior, seleccione las columnas de “pais”, “sac”,“anio”,“mes”,“valor_cif”.
load("C:/LAB 1/data_comercio_exterior.RData")
library(dplyr)
library(kableExtra)
data_comercio_exterior %>%
select("pais", "sac","anio","mes","valor_cif") %>%
head() %>% kable(caption = "Ejemplo 1") %>% kable_minimal()
Ejemplo 1
pais
sac
anio
mes
valor_cif
Afganistan
0806200000
2018
6
6448.43
Afganistan
6104220000
2018
10
3153.37
Afganistan
6104620000
2018
10
946.01
Afganistan
6105100000
2018
10
9405.39
Afganistan
6106100000
2018
10
1353.32
Afganistan
6405900000
2018
10
2260.03
FILTER
Ejemplo 1: Seleccione todas las transacciones de exportación del año 2019, con Honduras o Guatemala, que sean superiores a los 100,000 US$
library(dplyr)
data_comercio_exterior %>%
select("pais", "sac","anio","mes","valor_fob") %>%
filter(anio=="2019", pais %in% c("Nicaragua","Canada"),valor_fob>100000)
## # A tibble: 830 x 5
## pais sac anio mes valor_fob
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 Canada 0602100000 2019 1 790154.
## 2 Canada 1701140000 2019 1 13353874.
## 3 Canada 6107110000 2019 1 166775.
## 4 Canada 6109100000 2019 1 131863.
## 5 Canada 6109900000 2019 1 184011.
## 6 Canada 6210400000 2019 1 145784.
## 7 Canada 0602100000 2019 2 688634.
## 8 Canada 0901113000 2019 2 224644.
## 9 Canada 1701140000 2019 2 12683064.
## 10 Canada 6107110000 2019 2 214356.
## # ... with 820 more rows
Ejemplo 2: Seleccione todas las transacciones, exportación e importación, para el último trimestre de cada año disponible en el dataframe, que se han realizado con Costa Rica.
data_comercio_exterior %>%
filter(pais=="Costa Rica",mes %in% 10:12)
## # A tibble: 6,730 x 8
## pais sac anio mes valor_cif kilogramos_impo~ valor_fob kilogramos_expo~
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Cost~ 0202~ 2018 10 63958. 21128 0 0
## 2 Cost~ 0401~ 2018 10 188962. 198997. 0 0
## 3 Cost~ 0401~ 2018 10 564231. 596498. 0 0
## 4 Cost~ 0402~ 2018 10 37842. 5677. 0 0
## 5 Cost~ 0402~ 2018 10 243936. 35618. 0 0
## 6 Cost~ 0402~ 2018 10 102270. 20075. 0 0
## 7 Cost~ 0402~ 2018 10 17255. 8263. 0 0
## 8 Cost~ 0402~ 2018 10 32573. 19754. 0 0
## 9 Cost~ 0403~ 2018 10 101404. 60552. 41789. 22884.
## 10 Cost~ 0403~ 2018 10 16499. 9150. 0 0
## # ... with 6,720 more rows
Ejemplo 3: Seleccione todas las transacciones, exportación e importación, para el último trimestre de cada año disponible en el dataframe, y que excluyan el comercio con Canada, México y Estados Unidos.
library(purrr)
`%not_in%` <- purrr::negate(`%in%`)
data_comercio_exterior %>%
filter(mes %in% 10:12,
pais %not_in% c("Colombia","Honduras","Venezuela"))
## # A tibble: 182,800 x 8
## pais sac anio mes valor_cif kilogramos_impo~ valor_fob kilogramos_expo~
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Afga~ 6104~ 2018 10 3153. 2408. 0 0
## 2 Afga~ 6104~ 2018 10 946. 722. 0 0
## 3 Afga~ 6105~ 2018 10 9405. 7181. 0 0
## 4 Afga~ 6106~ 2018 10 1353. 1726. 0 0
## 5 Afga~ 6405~ 2018 10 2260. 1726. 0 0
## 6 Afga~ 8206~ 2018 10 6.56 5.02 0 0
## 7 Afga~ 0910~ 2019 10 1821 34.9 0 0
## 8 Afga~ 9018~ 2020 11 501. 19 0 0
## 9 Afga~ 8521~ 2020 12 116. 1.7 0 0
## 10 Alba~ 6103~ 2018 10 54.2 0.57 0 0
## # ... with 182,790 more rows
MUTATE
Ejemplo 1: calcule el saldo de la balanza comercial para todas las transacciones, disponibles en la base de comercio exterior.
data_comercio_exterior %>%
mutate(saldo_bc=valor_fob-valor_cif) %>%
select("pais","sac","anio","mes","saldo_bc")
## # A tibble: 751,006 x 5
## pais sac anio mes saldo_bc
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 Afganistan 0806200000 2018 6 -6448.
## 2 Afganistan 6104220000 2018 10 -3153.
## 3 Afganistan 6104620000 2018 10 -946.
## 4 Afganistan 6105100000 2018 10 -9405.
## 5 Afganistan 6106100000 2018 10 -1353.
## 6 Afganistan 6405900000 2018 10 -2260.
## 7 Afganistan 8206000000 2018 10 -6.56
## 8 Afganistan 6404110000 2019 2 -7752.
## 9 Afganistan 6405100000 2019 2 -508.
## 10 Afganistan 6405900000 2019 2 -12.4
## # ... with 750,996 more rows
Ejemplo 2: Calcule las exportaciones y las importaciones como porcentaje del comercio total, en cada transacción disponible en la base de comercio exterior, muestre sólo aquellas partidas que registren exportaciones.
options(scipen = 99999)
data_comercio_exterior %>%
mutate(Xpt=round(valor_fob/(valor_cif+valor_fob)*100,2),
Mpt=round(valor_cif/(valor_cif+valor_fob)*100,2)) %>%
select("pais","sac","anio","mes","Xpt","Mpt") %>% filter(Xpt>0)
## # A tibble: 176,180 x 6
## pais sac anio mes Xpt Mpt
## <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Afganistan 3004909100 2019 9 100 0
## 2 Albania 1701140000 2019 2 100 0
## 3 Alemania 0106200000 2018 1 100 0
## 4 Alemania 0409000000 2018 1 100 0
## 5 Alemania 0901113000 2018 1 100 0
## 6 Alemania 0901210000 2018 1 100 0
## 7 Alemania 5202990000 2018 1 100 0
## 8 Alemania 6101300000 2018 1 100 0
## 9 Alemania 6109100000 2018 1 100 0
## 10 Alemania 6109900000 2018 1 100 0
## # ... with 176,170 more rows
ARRANGE
Ejemplo: Ordenar los resultados del Ejemplo 2 de mutate, mostrando primero los resultados más recientes.
options(scipen = 99999)
data_comercio_exterior %>%
mutate(Xpt=round(valor_fob/(valor_cif+valor_fob)*100,2),
Mpt=round(valor_cif/(valor_cif+valor_fob)*100,2)) %>%
select("pais","sac","anio","mes","Xpt","Mpt") %>%
filter(Xpt>0) %>%
arrange(desc(anio),desc(mes))
## # A tibble: 176,180 x 6
## pais sac anio mes Xpt Mpt
## <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Alemania 0901113000 2020 12 100 0
## 2 Alemania 1604149000 2020 12 100 0
## 3 Alemania 3808930000 2020 12 72.8 27.2
## 4 Alemania 4202320000 2020 12 100 0
## 5 Alemania 4205009000 2020 12 100 0
## 6 Alemania 4417000000 2020 12 100 0
## 7 Alemania 4420100000 2020 12 100 0
## 8 Alemania 6103430000 2020 12 100 0
## 9 Alemania 6104630000 2020 12 100 0
## 10 Alemania 6109900000 2020 12 100 0
## # ... with 176,170 more rows
SUMMARISE
Ejemplo 1: Obtenga los totales anuales de importaciones y exportaciones.
data_comercio_exterior %>%
group_by(anio) %>%
summarise(`Total Exportaciones MM US$`=sum(valor_fob)/1e6,
`Total Importaciones MM US$`=sum(valor_cif)/1e6)
## # A tibble: 3 x 3
## anio `Total Exportaciones MM US$` `Total Importaciones MM US$`
## <dbl> <dbl> <dbl>
## 1 2018 5905. 11464.
## 2 2019 5905. 11604.
## 3 2020 5044. 10327.
Ejemplo 2: Obtenga los totales anuales de importaciones y exportaciones, que se realizan por país.
data_comercio_exterior %>%
group_by(pais,anio) %>%
summarise(`Total Exportaciones`=sum(valor_fob),
`Total Importaciones`=sum(valor_cif))
## # A tibble: 615 x 4
## # Groups: pais [229]
## pais anio `Total Exportaciones` `Total Importaciones`
## <chr> <dbl> <dbl> <dbl>
## 1 Afganistan 2018 0 23573.
## 2 Afganistan 2019 382. 13114.
## 3 Afganistan 2020 0 5427.
## 4 Albania 2018 0 18307.
## 5 Albania 2019 51392. 25660.
## 6 Albania 2020 0 368298.
## 7 Alemania 2018 20425283. 181276789.
## 8 Alemania 2019 21447921. 168946137.
## 9 Alemania 2020 36222619. 164207993.
## 10 Andorra 2018 23165. 180475.
## # ... with 605 more rows
library(readxl)
options (scipen = 9999)
nombre_archivo <- "C:/LAB 1/nombres_iso_paises.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
anios_ranking<-2017:2019
data_comercio_exterior %>%
filter(anio %in% anios_ranking) ->data_ranking
Cálculo de ranking & porcentajes
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 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|42.03 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
Tabla en formato “RAW”
library(tidyr)
insumo_reporte %>%
pivot_wider(names_from = rank,values_from = data)->mi_tabla
print(mi_tabla)
## # A tibble: 2 x 6
## 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|42.03 GTM|15.92 HND|15.9 NIC|6.66 CRI|4.46
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 2017 - 2019
anio
1
2
3
4
5
2018
USA|44.07
HND|15.34
GTM|14.36
NIC|6.87
CRI|4.39
2019
USA|42.03
GTM|15.92
HND|15.9
NIC|6.66
CRI|4.46
a Elaboración propia con base en datos del BCR
library(readxl)
library(kableExtra)
library(dplyr)
options(scipen = 999999)
load("C:/LAB 1/Update/data_comercio_exterior_actualizada.RData")
nombre_archivo<-"C:/LAB 1/nombres_iso_paises.xlsx"
nombres_iso_paises <-read_excel(nombre_archivo)
data_comercio_exterior %>%
left_join(nombres_iso_paises,
by=c("pais"="nom_pais_esp")) %>%
group_by(region,sub_region,anio) %>%
summarise('Exportaciones Totales MM US$' = sum(valor_fob)/1e6,
'Importaciones Totales MM US$' = sum(valor_cif)/1e6) %>%
kable(digits = 2) %>% kable_styling()
region
sub_region
anio
Exportaciones Totales MM US$
Importaciones Totales MM US$
África
Africa Del Norte
2018
1.96
10.40
África
Africa Del Norte
2019
1.90
8.52
África
Africa Del Norte
2020
2.12
14.20
África
Africa Del Norte
2021
0.25
5.05
África
Africa Sub-Sahariana
2018
23.62
13.51
África
Africa Sub-Sahariana
2019
4.86
9.34
África
Africa Sub-Sahariana
2020
5.15
13.68
África
Africa Sub-Sahariana
2021
0.84
4.91
Américas
América Del Norte
2018
5247.43
7354.47
Américas
América Del Norte
2019
5092.51
7035.87
Américas
América Del Norte
2020
3995.93
5478.39
Américas
América Del Norte
2021
1576.07
2370.45
Américas
América Latina Y El Caribe
2018
5846.97
8154.31
Américas
América Latina Y El Caribe
2019
6077.47
9009.65
Américas
América Latina Y El Caribe
2020
5330.89
8347.27
Américas
América Latina Y El Caribe
2021
1984.60
3050.64
Asia
Asia Central
2018
0.01
0.90
Asia
Asia Central
2019
0.00
0.66
Asia
Asia Central
2020
0.02
0.66
Asia
Asia Central
2021
0.00
0.14
Asia
Asia Meridional
2018
7.50
273.28
Asia
Asia Meridional
2019
4.95
269.53
Asia
Asia Meridional
2020
10.12
230.42
Asia
Asia Meridional
2021
3.34
126.54
Asia
Asia Occidental
2018
4.01
157.02
Asia
Asia Occidental
2019
5.64
111.85
Asia
Asia Occidental
2020
10.32
121.01
Asia
Asia Occidental
2021
4.28
93.55
Asia
Asia Oriental
2018
288.79
4466.83
Asia
Asia Oriental
2019
244.96
4466.09
Asia
Asia Oriental
2020
365.62
3865.99
Asia
Asia Oriental
2021
126.37
1805.04
Asia
Asia Sudoriental
2018
33.22
544.39
Asia
Asia Sudoriental
2019
9.07
511.61
Asia
Asia Sudoriental
2020
9.48
493.24
Asia
Asia Sudoriental
2021
6.87
210.74
Europa
Europa Del Este
2018
2.86
153.33
Europa
Europa Del Este
2019
14.39
146.40
Europa
Europa Del Este
2020
4.19
131.57
Europa
Europa Del Este
2021
0.91
75.66
Europa
Europa Del Sur
2018
165.77
782.97
Europa
Europa Del Sur
2019
168.70
620.91
Europa
Europa Del Sur
2020
142.78
611.22
Europa
Europa Del Sur
2021
48.15
255.10
Europa
Europa Oriental
2018
116.77
694.81
Europa
Europa Oriental
2019
123.61
701.12
Europa
Europa Oriental
2020
170.57
683.26
Europa
Europa Oriental
2021
65.20
243.41
Europa
Norte De Europa
2018
54.94
220.25
Europa
Norte De Europa
2019
39.20
236.00
Europa
Norte De Europa
2020
31.46
593.79
Europa
Norte De Europa
2021
23.70
95.02
Oceanía
Australia Y Nueva Zelanda
2018
16.96
78.24
Oceanía
Australia Y Nueva Zelanda
2019
22.16
76.60
Oceanía
Australia Y Nueva Zelanda
2020
9.37
68.08
Oceanía
Australia Y Nueva Zelanda
2021
5.70
17.97
Oceanía
Melanesia
2018
0.01
0.03
Oceanía
Melanesia
2019
0.01
0.03
Oceanía
Melanesia
2020
0.00
0.16
Oceanía
Melanesia
2021
0.00
0.14
Oceanía
Micronesia
2018
0.00
0.00
Oceanía
Micronesia
2019
0.00
0.07
Oceanía
Micronesia
2020
0.00
0.04
Oceanía
Micronesia
2021
0.00
0.01
Oceanía
Polinesia
2018
0.02
0.23
Oceanía
Polinesia
2019
0.02
0.31
Oceanía
Polinesia
2020
0.01
0.11
Oceanía
Polinesia
2021
0.00
0.06
NA
NA
2018
0.00
23.66
NA
NA
2019
0.00
3.12
NA
NA
2020
0.00
0.08
NA
NA
2021
0.02
0.10
“LABORATORIO 1 PARTE 2”
INTEGRANTES:
CANALES LOPEZ, JOSUE MANUEL CL12025
HERNANDEZ ROMERO, ALAN ERNESTO HR15033
DE JESUS PAREDES, YESSICA CRISTINA DR15016
MSF. CARLOS ADEMIR PÉREZ ALAS
CIUDAD UNIVERSITARIA, SEPTIEMBRE DE 2021
SELECT
Ejemplo 1:
Usando la base de datos de comercio exterior, para El Salvador, creada en la sesión anterior, seleccione las columnas de “pais”, “sac”,“anio”,“mes”,“valor_cif”.
load("C:/LAB 1/data_comercio_exterior.RData")
library(dplyr)
library(kableExtra)
data_comercio_exterior %>%
select("pais", "sac","anio","mes","valor_cif") %>%
head() %>% kable(caption = "Ejemplo 1") %>% kable_minimal()
Ejemplo 1
pais
sac
anio
mes
valor_cif
Afganistan
0806200000
2018
6
6448.43
Afganistan
6104220000
2018
10
3153.37
Afganistan
6104620000
2018
10
946.01
Afganistan
6105100000
2018
10
9405.39
Afganistan
6106100000
2018
10
1353.32
Afganistan
6405900000
2018
10
2260.03
FILTER
Ejemplo 1: Seleccione todas las transacciones de exportación del año 2019, con Honduras o Guatemala, que sean superiores a los 100,000 US$
library(dplyr)
data_comercio_exterior %>%
select("pais", "sac","anio","mes","valor_fob") %>%
filter(anio=="2019", pais %in% c("Nicaragua","Canada"),valor_fob>100000)
## # A tibble: 830 x 5
## pais sac anio mes valor_fob
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 Canada 0602100000 2019 1 790154.
## 2 Canada 1701140000 2019 1 13353874.
## 3 Canada 6107110000 2019 1 166775.
## 4 Canada 6109100000 2019 1 131863.
## 5 Canada 6109900000 2019 1 184011.
## 6 Canada 6210400000 2019 1 145784.
## 7 Canada 0602100000 2019 2 688634.
## 8 Canada 0901113000 2019 2 224644.
## 9 Canada 1701140000 2019 2 12683064.
## 10 Canada 6107110000 2019 2 214356.
## # ... with 820 more rows
Ejemplo 2: Seleccione todas las transacciones, exportación e importación, para el último trimestre de cada año disponible en el dataframe, que se han realizado con Costa Rica.
data_comercio_exterior %>%
filter(pais=="Costa Rica",mes %in% 10:12)
## # A tibble: 6,730 x 8
## pais sac anio mes valor_cif kilogramos_impo~ valor_fob kilogramos_expo~
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Cost~ 0202~ 2018 10 63958. 21128 0 0
## 2 Cost~ 0401~ 2018 10 188962. 198997. 0 0
## 3 Cost~ 0401~ 2018 10 564231. 596498. 0 0
## 4 Cost~ 0402~ 2018 10 37842. 5677. 0 0
## 5 Cost~ 0402~ 2018 10 243936. 35618. 0 0
## 6 Cost~ 0402~ 2018 10 102270. 20075. 0 0
## 7 Cost~ 0402~ 2018 10 17255. 8263. 0 0
## 8 Cost~ 0402~ 2018 10 32573. 19754. 0 0
## 9 Cost~ 0403~ 2018 10 101404. 60552. 41789. 22884.
## 10 Cost~ 0403~ 2018 10 16499. 9150. 0 0
## # ... with 6,720 more rows
Ejemplo 3: Seleccione todas las transacciones, exportación e importación, para el último trimestre de cada año disponible en el dataframe, y que excluyan el comercio con Canada, México y Estados Unidos.
library(purrr)
`%not_in%` <- purrr::negate(`%in%`)
data_comercio_exterior %>%
filter(mes %in% 10:12,
pais %not_in% c("Colombia","Honduras","Venezuela"))
## # A tibble: 182,800 x 8
## pais sac anio mes valor_cif kilogramos_impo~ valor_fob kilogramos_expo~
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Afga~ 6104~ 2018 10 3153. 2408. 0 0
## 2 Afga~ 6104~ 2018 10 946. 722. 0 0
## 3 Afga~ 6105~ 2018 10 9405. 7181. 0 0
## 4 Afga~ 6106~ 2018 10 1353. 1726. 0 0
## 5 Afga~ 6405~ 2018 10 2260. 1726. 0 0
## 6 Afga~ 8206~ 2018 10 6.56 5.02 0 0
## 7 Afga~ 0910~ 2019 10 1821 34.9 0 0
## 8 Afga~ 9018~ 2020 11 501. 19 0 0
## 9 Afga~ 8521~ 2020 12 116. 1.7 0 0
## 10 Alba~ 6103~ 2018 10 54.2 0.57 0 0
## # ... with 182,790 more rows
MUTATE
Ejemplo 1: calcule el saldo de la balanza comercial para todas las transacciones, disponibles en la base de comercio exterior.
data_comercio_exterior %>%
mutate(saldo_bc=valor_fob-valor_cif) %>%
select("pais","sac","anio","mes","saldo_bc")
## # A tibble: 751,006 x 5
## pais sac anio mes saldo_bc
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 Afganistan 0806200000 2018 6 -6448.
## 2 Afganistan 6104220000 2018 10 -3153.
## 3 Afganistan 6104620000 2018 10 -946.
## 4 Afganistan 6105100000 2018 10 -9405.
## 5 Afganistan 6106100000 2018 10 -1353.
## 6 Afganistan 6405900000 2018 10 -2260.
## 7 Afganistan 8206000000 2018 10 -6.56
## 8 Afganistan 6404110000 2019 2 -7752.
## 9 Afganistan 6405100000 2019 2 -508.
## 10 Afganistan 6405900000 2019 2 -12.4
## # ... with 750,996 more rows
Ejemplo 2: Calcule las exportaciones y las importaciones como porcentaje del comercio total, en cada transacción disponible en la base de comercio exterior, muestre sólo aquellas partidas que registren exportaciones.
options(scipen = 99999)
data_comercio_exterior %>%
mutate(Xpt=round(valor_fob/(valor_cif+valor_fob)*100,2),
Mpt=round(valor_cif/(valor_cif+valor_fob)*100,2)) %>%
select("pais","sac","anio","mes","Xpt","Mpt") %>% filter(Xpt>0)
## # A tibble: 176,180 x 6
## pais sac anio mes Xpt Mpt
## <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Afganistan 3004909100 2019 9 100 0
## 2 Albania 1701140000 2019 2 100 0
## 3 Alemania 0106200000 2018 1 100 0
## 4 Alemania 0409000000 2018 1 100 0
## 5 Alemania 0901113000 2018 1 100 0
## 6 Alemania 0901210000 2018 1 100 0
## 7 Alemania 5202990000 2018 1 100 0
## 8 Alemania 6101300000 2018 1 100 0
## 9 Alemania 6109100000 2018 1 100 0
## 10 Alemania 6109900000 2018 1 100 0
## # ... with 176,170 more rows
ARRANGE
Ejemplo: Ordenar los resultados del Ejemplo 2 de mutate, mostrando primero los resultados más recientes.
options(scipen = 99999)
data_comercio_exterior %>%
mutate(Xpt=round(valor_fob/(valor_cif+valor_fob)*100,2),
Mpt=round(valor_cif/(valor_cif+valor_fob)*100,2)) %>%
select("pais","sac","anio","mes","Xpt","Mpt") %>%
filter(Xpt>0) %>%
arrange(desc(anio),desc(mes))
## # A tibble: 176,180 x 6
## pais sac anio mes Xpt Mpt
## <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Alemania 0901113000 2020 12 100 0
## 2 Alemania 1604149000 2020 12 100 0
## 3 Alemania 3808930000 2020 12 72.8 27.2
## 4 Alemania 4202320000 2020 12 100 0
## 5 Alemania 4205009000 2020 12 100 0
## 6 Alemania 4417000000 2020 12 100 0
## 7 Alemania 4420100000 2020 12 100 0
## 8 Alemania 6103430000 2020 12 100 0
## 9 Alemania 6104630000 2020 12 100 0
## 10 Alemania 6109900000 2020 12 100 0
## # ... with 176,170 more rows
SUMMARISE
Ejemplo 1: Obtenga los totales anuales de importaciones y exportaciones.
data_comercio_exterior %>%
group_by(anio) %>%
summarise(`Total Exportaciones MM US$`=sum(valor_fob)/1e6,
`Total Importaciones MM US$`=sum(valor_cif)/1e6)
## # A tibble: 3 x 3
## anio `Total Exportaciones MM US$` `Total Importaciones MM US$`
## <dbl> <dbl> <dbl>
## 1 2018 5905. 11464.
## 2 2019 5905. 11604.
## 3 2020 5044. 10327.
Ejemplo 2: Obtenga los totales anuales de importaciones y exportaciones, que se realizan por país.
data_comercio_exterior %>%
group_by(pais,anio) %>%
summarise(`Total Exportaciones`=sum(valor_fob),
`Total Importaciones`=sum(valor_cif))
## # A tibble: 615 x 4
## # Groups: pais [229]
## pais anio `Total Exportaciones` `Total Importaciones`
## <chr> <dbl> <dbl> <dbl>
## 1 Afganistan 2018 0 23573.
## 2 Afganistan 2019 382. 13114.
## 3 Afganistan 2020 0 5427.
## 4 Albania 2018 0 18307.
## 5 Albania 2019 51392. 25660.
## 6 Albania 2020 0 368298.
## 7 Alemania 2018 20425283. 181276789.
## 8 Alemania 2019 21447921. 168946137.
## 9 Alemania 2020 36222619. 164207993.
## 10 Andorra 2018 23165. 180475.
## # ... with 605 more rows
library(readxl)
options (scipen = 9999)
nombre_archivo <- "C:/LAB 1/nombres_iso_paises.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
anios_ranking<-2017:2019
data_comercio_exterior %>%
filter(anio %in% anios_ranking) ->data_ranking
Cálculo de ranking & porcentajes
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 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|42.03 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
Tabla en formato “RAW”
library(tidyr)
insumo_reporte %>%
pivot_wider(names_from = rank,values_from = data)->mi_tabla
print(mi_tabla)
## # A tibble: 2 x 6
## 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|42.03 GTM|15.92 HND|15.9 NIC|6.66 CRI|4.46
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 2017 - 2019
anio
1
2
3
4
5
2018
USA|44.07
HND|15.34
GTM|14.36
NIC|6.87
CRI|4.39
2019
USA|42.03
GTM|15.92
HND|15.9
NIC|6.66
CRI|4.46
a Elaboración propia con base en datos del BCR
library(readxl)
library(kableExtra)
library(dplyr)
options(scipen = 999999)
load("C:/LAB 1/Update/data_comercio_exterior_actualizada.RData")
nombre_archivo<-"C:/LAB 1/nombres_iso_paises.xlsx"
nombres_iso_paises <-read_excel(nombre_archivo)
data_comercio_exterior %>%
left_join(nombres_iso_paises,
by=c("pais"="nom_pais_esp")) %>%
group_by(region,sub_region,anio) %>%
summarise('Exportaciones Totales MM US$' = sum(valor_fob)/1e6,
'Importaciones Totales MM US$' = sum(valor_cif)/1e6) %>%
kable(digits = 2) %>% kable_styling()
region
sub_region
anio
Exportaciones Totales MM US$
Importaciones Totales MM US$
África
Africa Del Norte
2018
1.96
10.40
África
Africa Del Norte
2019
1.90
8.52
África
Africa Del Norte
2020
2.12
14.20
África
Africa Del Norte
2021
0.25
5.05
África
Africa Sub-Sahariana
2018
23.62
13.51
África
Africa Sub-Sahariana
2019
4.86
9.34
África
Africa Sub-Sahariana
2020
5.15
13.68
África
Africa Sub-Sahariana
2021
0.84
4.91
Américas
América Del Norte
2018
5247.43
7354.47
Américas
América Del Norte
2019
5092.51
7035.87
Américas
América Del Norte
2020
3995.93
5478.39
Américas
América Del Norte
2021
1576.07
2370.45
Américas
América Latina Y El Caribe
2018
5846.97
8154.31
Américas
América Latina Y El Caribe
2019
6077.47
9009.65
Américas
América Latina Y El Caribe
2020
5330.89
8347.27
Américas
América Latina Y El Caribe
2021
1984.60
3050.64
Asia
Asia Central
2018
0.01
0.90
Asia
Asia Central
2019
0.00
0.66
Asia
Asia Central
2020
0.02
0.66
Asia
Asia Central
2021
0.00
0.14
Asia
Asia Meridional
2018
7.50
273.28
Asia
Asia Meridional
2019
4.95
269.53
Asia
Asia Meridional
2020
10.12
230.42
Asia
Asia Meridional
2021
3.34
126.54
Asia
Asia Occidental
2018
4.01
157.02
Asia
Asia Occidental
2019
5.64
111.85
Asia
Asia Occidental
2020
10.32
121.01
Asia
Asia Occidental
2021
4.28
93.55
Asia
Asia Oriental
2018
288.79
4466.83
Asia
Asia Oriental
2019
244.96
4466.09
Asia
Asia Oriental
2020
365.62
3865.99
Asia
Asia Oriental
2021
126.37
1805.04
Asia
Asia Sudoriental
2018
33.22
544.39
Asia
Asia Sudoriental
2019
9.07
511.61
Asia
Asia Sudoriental
2020
9.48
493.24
Asia
Asia Sudoriental
2021
6.87
210.74
Europa
Europa Del Este
2018
2.86
153.33
Europa
Europa Del Este
2019
14.39
146.40
Europa
Europa Del Este
2020
4.19
131.57
Europa
Europa Del Este
2021
0.91
75.66
Europa
Europa Del Sur
2018
165.77
782.97
Europa
Europa Del Sur
2019
168.70
620.91
Europa
Europa Del Sur
2020
142.78
611.22
Europa
Europa Del Sur
2021
48.15
255.10
Europa
Europa Oriental
2018
116.77
694.81
Europa
Europa Oriental
2019
123.61
701.12
Europa
Europa Oriental
2020
170.57
683.26
Europa
Europa Oriental
2021
65.20
243.41
Europa
Norte De Europa
2018
54.94
220.25
Europa
Norte De Europa
2019
39.20
236.00
Europa
Norte De Europa
2020
31.46
593.79
Europa
Norte De Europa
2021
23.70
95.02
Oceanía
Australia Y Nueva Zelanda
2018
16.96
78.24
Oceanía
Australia Y Nueva Zelanda
2019
22.16
76.60
Oceanía
Australia Y Nueva Zelanda
2020
9.37
68.08
Oceanía
Australia Y Nueva Zelanda
2021
5.70
17.97
Oceanía
Melanesia
2018
0.01
0.03
Oceanía
Melanesia
2019
0.01
0.03
Oceanía
Melanesia
2020
0.00
0.16
Oceanía
Melanesia
2021
0.00
0.14
Oceanía
Micronesia
2018
0.00
0.00
Oceanía
Micronesia
2019
0.00
0.07
Oceanía
Micronesia
2020
0.00
0.04
Oceanía
Micronesia
2021
0.00
0.01
Oceanía
Polinesia
2018
0.02
0.23
Oceanía
Polinesia
2019
0.02
0.31
Oceanía
Polinesia
2020
0.01
0.11
Oceanía
Polinesia
2021
0.00
0.06
NA
NA
2018
0.00
23.66
NA
NA
2019
0.00
3.12
NA
NA
2020
0.00
0.08
NA
NA
2021
0.02
0.10
INTEGRANTES:
CANALES LOPEZ, JOSUE MANUEL CL12025
HERNANDEZ ROMERO, ALAN ERNESTO HR15033
DE JESUS PAREDES, YESSICA CRISTINA DR15016
MSF. CARLOS ADEMIR PÉREZ ALAS
CIUDAD UNIVERSITARIA, SEPTIEMBRE DE 2021
SELECT
Ejemplo 1:
Usando la base de datos de comercio exterior, para El Salvador, creada en la sesión anterior, seleccione las columnas de “pais”, “sac”,“anio”,“mes”,“valor_cif”.
load("C:/LAB 1/data_comercio_exterior.RData")
library(dplyr)
library(kableExtra)
data_comercio_exterior %>%
select("pais", "sac","anio","mes","valor_cif") %>%
head() %>% kable(caption = "Ejemplo 1") %>% kable_minimal()
Ejemplo 1
pais
sac
anio
mes
valor_cif
Afganistan
0806200000
2018
6
6448.43
Afganistan
6104220000
2018
10
3153.37
Afganistan
6104620000
2018
10
946.01
Afganistan
6105100000
2018
10
9405.39
Afganistan
6106100000
2018
10
1353.32
Afganistan
6405900000
2018
10
2260.03
FILTER
Ejemplo 1: Seleccione todas las transacciones de exportación del año 2019, con Honduras o Guatemala, que sean superiores a los 100,000 US$
library(dplyr)
data_comercio_exterior %>%
select("pais", "sac","anio","mes","valor_fob") %>%
filter(anio=="2019", pais %in% c("Nicaragua","Canada"),valor_fob>100000)
## # A tibble: 830 x 5
## pais sac anio mes valor_fob
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 Canada 0602100000 2019 1 790154.
## 2 Canada 1701140000 2019 1 13353874.
## 3 Canada 6107110000 2019 1 166775.
## 4 Canada 6109100000 2019 1 131863.
## 5 Canada 6109900000 2019 1 184011.
## 6 Canada 6210400000 2019 1 145784.
## 7 Canada 0602100000 2019 2 688634.
## 8 Canada 0901113000 2019 2 224644.
## 9 Canada 1701140000 2019 2 12683064.
## 10 Canada 6107110000 2019 2 214356.
## # ... with 820 more rows
Ejemplo 2: Seleccione todas las transacciones, exportación e importación, para el último trimestre de cada año disponible en el dataframe, que se han realizado con Costa Rica.
data_comercio_exterior %>%
filter(pais=="Costa Rica",mes %in% 10:12)
## # A tibble: 6,730 x 8
## pais sac anio mes valor_cif kilogramos_impo~ valor_fob kilogramos_expo~
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Cost~ 0202~ 2018 10 63958. 21128 0 0
## 2 Cost~ 0401~ 2018 10 188962. 198997. 0 0
## 3 Cost~ 0401~ 2018 10 564231. 596498. 0 0
## 4 Cost~ 0402~ 2018 10 37842. 5677. 0 0
## 5 Cost~ 0402~ 2018 10 243936. 35618. 0 0
## 6 Cost~ 0402~ 2018 10 102270. 20075. 0 0
## 7 Cost~ 0402~ 2018 10 17255. 8263. 0 0
## 8 Cost~ 0402~ 2018 10 32573. 19754. 0 0
## 9 Cost~ 0403~ 2018 10 101404. 60552. 41789. 22884.
## 10 Cost~ 0403~ 2018 10 16499. 9150. 0 0
## # ... with 6,720 more rows
Ejemplo 3: Seleccione todas las transacciones, exportación e importación, para el último trimestre de cada año disponible en el dataframe, y que excluyan el comercio con Canada, México y Estados Unidos.
library(purrr)
`%not_in%` <- purrr::negate(`%in%`)
data_comercio_exterior %>%
filter(mes %in% 10:12,
pais %not_in% c("Colombia","Honduras","Venezuela"))
## # A tibble: 182,800 x 8
## pais sac anio mes valor_cif kilogramos_impo~ valor_fob kilogramos_expo~
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Afga~ 6104~ 2018 10 3153. 2408. 0 0
## 2 Afga~ 6104~ 2018 10 946. 722. 0 0
## 3 Afga~ 6105~ 2018 10 9405. 7181. 0 0
## 4 Afga~ 6106~ 2018 10 1353. 1726. 0 0
## 5 Afga~ 6405~ 2018 10 2260. 1726. 0 0
## 6 Afga~ 8206~ 2018 10 6.56 5.02 0 0
## 7 Afga~ 0910~ 2019 10 1821 34.9 0 0
## 8 Afga~ 9018~ 2020 11 501. 19 0 0
## 9 Afga~ 8521~ 2020 12 116. 1.7 0 0
## 10 Alba~ 6103~ 2018 10 54.2 0.57 0 0
## # ... with 182,790 more rows
MUTATE
Ejemplo 1: calcule el saldo de la balanza comercial para todas las transacciones, disponibles en la base de comercio exterior.
data_comercio_exterior %>%
mutate(saldo_bc=valor_fob-valor_cif) %>%
select("pais","sac","anio","mes","saldo_bc")
## # A tibble: 751,006 x 5
## pais sac anio mes saldo_bc
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 Afganistan 0806200000 2018 6 -6448.
## 2 Afganistan 6104220000 2018 10 -3153.
## 3 Afganistan 6104620000 2018 10 -946.
## 4 Afganistan 6105100000 2018 10 -9405.
## 5 Afganistan 6106100000 2018 10 -1353.
## 6 Afganistan 6405900000 2018 10 -2260.
## 7 Afganistan 8206000000 2018 10 -6.56
## 8 Afganistan 6404110000 2019 2 -7752.
## 9 Afganistan 6405100000 2019 2 -508.
## 10 Afganistan 6405900000 2019 2 -12.4
## # ... with 750,996 more rows
Ejemplo 2: Calcule las exportaciones y las importaciones como porcentaje del comercio total, en cada transacción disponible en la base de comercio exterior, muestre sólo aquellas partidas que registren exportaciones.
options(scipen = 99999)
data_comercio_exterior %>%
mutate(Xpt=round(valor_fob/(valor_cif+valor_fob)*100,2),
Mpt=round(valor_cif/(valor_cif+valor_fob)*100,2)) %>%
select("pais","sac","anio","mes","Xpt","Mpt") %>% filter(Xpt>0)
## # A tibble: 176,180 x 6
## pais sac anio mes Xpt Mpt
## <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Afganistan 3004909100 2019 9 100 0
## 2 Albania 1701140000 2019 2 100 0
## 3 Alemania 0106200000 2018 1 100 0
## 4 Alemania 0409000000 2018 1 100 0
## 5 Alemania 0901113000 2018 1 100 0
## 6 Alemania 0901210000 2018 1 100 0
## 7 Alemania 5202990000 2018 1 100 0
## 8 Alemania 6101300000 2018 1 100 0
## 9 Alemania 6109100000 2018 1 100 0
## 10 Alemania 6109900000 2018 1 100 0
## # ... with 176,170 more rows
ARRANGE
Ejemplo: Ordenar los resultados del Ejemplo 2 de mutate, mostrando primero los resultados más recientes.
options(scipen = 99999)
data_comercio_exterior %>%
mutate(Xpt=round(valor_fob/(valor_cif+valor_fob)*100,2),
Mpt=round(valor_cif/(valor_cif+valor_fob)*100,2)) %>%
select("pais","sac","anio","mes","Xpt","Mpt") %>%
filter(Xpt>0) %>%
arrange(desc(anio),desc(mes))
## # A tibble: 176,180 x 6
## pais sac anio mes Xpt Mpt
## <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Alemania 0901113000 2020 12 100 0
## 2 Alemania 1604149000 2020 12 100 0
## 3 Alemania 3808930000 2020 12 72.8 27.2
## 4 Alemania 4202320000 2020 12 100 0
## 5 Alemania 4205009000 2020 12 100 0
## 6 Alemania 4417000000 2020 12 100 0
## 7 Alemania 4420100000 2020 12 100 0
## 8 Alemania 6103430000 2020 12 100 0
## 9 Alemania 6104630000 2020 12 100 0
## 10 Alemania 6109900000 2020 12 100 0
## # ... with 176,170 more rows
SUMMARISE
Ejemplo 1: Obtenga los totales anuales de importaciones y exportaciones.
data_comercio_exterior %>%
group_by(anio) %>%
summarise(`Total Exportaciones MM US$`=sum(valor_fob)/1e6,
`Total Importaciones MM US$`=sum(valor_cif)/1e6)
## # A tibble: 3 x 3
## anio `Total Exportaciones MM US$` `Total Importaciones MM US$`
## <dbl> <dbl> <dbl>
## 1 2018 5905. 11464.
## 2 2019 5905. 11604.
## 3 2020 5044. 10327.
Ejemplo 2: Obtenga los totales anuales de importaciones y exportaciones, que se realizan por país.
data_comercio_exterior %>%
group_by(pais,anio) %>%
summarise(`Total Exportaciones`=sum(valor_fob),
`Total Importaciones`=sum(valor_cif))
## # A tibble: 615 x 4
## # Groups: pais [229]
## pais anio `Total Exportaciones` `Total Importaciones`
## <chr> <dbl> <dbl> <dbl>
## 1 Afganistan 2018 0 23573.
## 2 Afganistan 2019 382. 13114.
## 3 Afganistan 2020 0 5427.
## 4 Albania 2018 0 18307.
## 5 Albania 2019 51392. 25660.
## 6 Albania 2020 0 368298.
## 7 Alemania 2018 20425283. 181276789.
## 8 Alemania 2019 21447921. 168946137.
## 9 Alemania 2020 36222619. 164207993.
## 10 Andorra 2018 23165. 180475.
## # ... with 605 more rows
library(readxl)
options (scipen = 9999)
nombre_archivo <- "C:/LAB 1/nombres_iso_paises.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
anios_ranking<-2017:2019
data_comercio_exterior %>%
filter(anio %in% anios_ranking) ->data_ranking
Cálculo de ranking & porcentajes
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 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|42.03 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
Tabla en formato “RAW”
library(tidyr)
insumo_reporte %>%
pivot_wider(names_from = rank,values_from = data)->mi_tabla
print(mi_tabla)
## # A tibble: 2 x 6
## 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|42.03 GTM|15.92 HND|15.9 NIC|6.66 CRI|4.46
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 2017 - 2019
anio
1
2
3
4
5
2018
USA|44.07
HND|15.34
GTM|14.36
NIC|6.87
CRI|4.39
2019
USA|42.03
GTM|15.92
HND|15.9
NIC|6.66
CRI|4.46
a Elaboración propia con base en datos del BCR
library(readxl)
library(kableExtra)
library(dplyr)
options(scipen = 999999)
load("C:/LAB 1/Update/data_comercio_exterior_actualizada.RData")
nombre_archivo<-"C:/LAB 1/nombres_iso_paises.xlsx"
nombres_iso_paises <-read_excel(nombre_archivo)
data_comercio_exterior %>%
left_join(nombres_iso_paises,
by=c("pais"="nom_pais_esp")) %>%
group_by(region,sub_region,anio) %>%
summarise('Exportaciones Totales MM US$' = sum(valor_fob)/1e6,
'Importaciones Totales MM US$' = sum(valor_cif)/1e6) %>%
kable(digits = 2) %>% kable_styling()
region
sub_region
anio
Exportaciones Totales MM US$
Importaciones Totales MM US$
África
Africa Del Norte
2018
1.96
10.40
África
Africa Del Norte
2019
1.90
8.52
África
Africa Del Norte
2020
2.12
14.20
África
Africa Del Norte
2021
0.25
5.05
África
Africa Sub-Sahariana
2018
23.62
13.51
África
Africa Sub-Sahariana
2019
4.86
9.34
África
Africa Sub-Sahariana
2020
5.15
13.68
África
Africa Sub-Sahariana
2021
0.84
4.91
Américas
América Del Norte
2018
5247.43
7354.47
Américas
América Del Norte
2019
5092.51
7035.87
Américas
América Del Norte
2020
3995.93
5478.39
Américas
América Del Norte
2021
1576.07
2370.45
Américas
América Latina Y El Caribe
2018
5846.97
8154.31
Américas
América Latina Y El Caribe
2019
6077.47
9009.65
Américas
América Latina Y El Caribe
2020
5330.89
8347.27
Américas
América Latina Y El Caribe
2021
1984.60
3050.64
Asia
Asia Central
2018
0.01
0.90
Asia
Asia Central
2019
0.00
0.66
Asia
Asia Central
2020
0.02
0.66
Asia
Asia Central
2021
0.00
0.14
Asia
Asia Meridional
2018
7.50
273.28
Asia
Asia Meridional
2019
4.95
269.53
Asia
Asia Meridional
2020
10.12
230.42
Asia
Asia Meridional
2021
3.34
126.54
Asia
Asia Occidental
2018
4.01
157.02
Asia
Asia Occidental
2019
5.64
111.85
Asia
Asia Occidental
2020
10.32
121.01
Asia
Asia Occidental
2021
4.28
93.55
Asia
Asia Oriental
2018
288.79
4466.83
Asia
Asia Oriental
2019
244.96
4466.09
Asia
Asia Oriental
2020
365.62
3865.99
Asia
Asia Oriental
2021
126.37
1805.04
Asia
Asia Sudoriental
2018
33.22
544.39
Asia
Asia Sudoriental
2019
9.07
511.61
Asia
Asia Sudoriental
2020
9.48
493.24
Asia
Asia Sudoriental
2021
6.87
210.74
Europa
Europa Del Este
2018
2.86
153.33
Europa
Europa Del Este
2019
14.39
146.40
Europa
Europa Del Este
2020
4.19
131.57
Europa
Europa Del Este
2021
0.91
75.66
Europa
Europa Del Sur
2018
165.77
782.97
Europa
Europa Del Sur
2019
168.70
620.91
Europa
Europa Del Sur
2020
142.78
611.22
Europa
Europa Del Sur
2021
48.15
255.10
Europa
Europa Oriental
2018
116.77
694.81
Europa
Europa Oriental
2019
123.61
701.12
Europa
Europa Oriental
2020
170.57
683.26
Europa
Europa Oriental
2021
65.20
243.41
Europa
Norte De Europa
2018
54.94
220.25
Europa
Norte De Europa
2019
39.20
236.00
Europa
Norte De Europa
2020
31.46
593.79
Europa
Norte De Europa
2021
23.70
95.02
Oceanía
Australia Y Nueva Zelanda
2018
16.96
78.24
Oceanía
Australia Y Nueva Zelanda
2019
22.16
76.60
Oceanía
Australia Y Nueva Zelanda
2020
9.37
68.08
Oceanía
Australia Y Nueva Zelanda
2021
5.70
17.97
Oceanía
Melanesia
2018
0.01
0.03
Oceanía
Melanesia
2019
0.01
0.03
Oceanía
Melanesia
2020
0.00
0.16
Oceanía
Melanesia
2021
0.00
0.14
Oceanía
Micronesia
2018
0.00
0.00
Oceanía
Micronesia
2019
0.00
0.07
Oceanía
Micronesia
2020
0.00
0.04
Oceanía
Micronesia
2021
0.00
0.01
Oceanía
Polinesia
2018
0.02
0.23
Oceanía
Polinesia
2019
0.02
0.31
Oceanía
Polinesia
2020
0.01
0.11
Oceanía
Polinesia
2021
0.00
0.06
NA
NA
2018
0.00
23.66
NA
NA
2019
0.00
3.12
NA
NA
2020
0.00
0.08
NA
NA
2021
0.02
0.10
MSF. CARLOS ADEMIR PÉREZ ALAS
CIUDAD UNIVERSITARIA, SEPTIEMBRE DE 2021
SELECT
Ejemplo 1:
Usando la base de datos de comercio exterior, para El Salvador, creada en la sesión anterior, seleccione las columnas de “pais”, “sac”,“anio”,“mes”,“valor_cif”.
load("C:/LAB 1/data_comercio_exterior.RData")
library(dplyr)
library(kableExtra)
data_comercio_exterior %>%
select("pais", "sac","anio","mes","valor_cif") %>%
head() %>% kable(caption = "Ejemplo 1") %>% kable_minimal()
Ejemplo 1
pais
sac
anio
mes
valor_cif
Afganistan
0806200000
2018
6
6448.43
Afganistan
6104220000
2018
10
3153.37
Afganistan
6104620000
2018
10
946.01
Afganistan
6105100000
2018
10
9405.39
Afganistan
6106100000
2018
10
1353.32
Afganistan
6405900000
2018
10
2260.03
FILTER
Ejemplo 1: Seleccione todas las transacciones de exportación del año 2019, con Honduras o Guatemala, que sean superiores a los 100,000 US$
library(dplyr)
data_comercio_exterior %>%
select("pais", "sac","anio","mes","valor_fob") %>%
filter(anio=="2019", pais %in% c("Nicaragua","Canada"),valor_fob>100000)
## # A tibble: 830 x 5
## pais sac anio mes valor_fob
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 Canada 0602100000 2019 1 790154.
## 2 Canada 1701140000 2019 1 13353874.
## 3 Canada 6107110000 2019 1 166775.
## 4 Canada 6109100000 2019 1 131863.
## 5 Canada 6109900000 2019 1 184011.
## 6 Canada 6210400000 2019 1 145784.
## 7 Canada 0602100000 2019 2 688634.
## 8 Canada 0901113000 2019 2 224644.
## 9 Canada 1701140000 2019 2 12683064.
## 10 Canada 6107110000 2019 2 214356.
## # ... with 820 more rows
Ejemplo 2: Seleccione todas las transacciones, exportación e importación, para el último trimestre de cada año disponible en el dataframe, que se han realizado con Costa Rica.
data_comercio_exterior %>%
filter(pais=="Costa Rica",mes %in% 10:12)
## # A tibble: 6,730 x 8
## pais sac anio mes valor_cif kilogramos_impo~ valor_fob kilogramos_expo~
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Cost~ 0202~ 2018 10 63958. 21128 0 0
## 2 Cost~ 0401~ 2018 10 188962. 198997. 0 0
## 3 Cost~ 0401~ 2018 10 564231. 596498. 0 0
## 4 Cost~ 0402~ 2018 10 37842. 5677. 0 0
## 5 Cost~ 0402~ 2018 10 243936. 35618. 0 0
## 6 Cost~ 0402~ 2018 10 102270. 20075. 0 0
## 7 Cost~ 0402~ 2018 10 17255. 8263. 0 0
## 8 Cost~ 0402~ 2018 10 32573. 19754. 0 0
## 9 Cost~ 0403~ 2018 10 101404. 60552. 41789. 22884.
## 10 Cost~ 0403~ 2018 10 16499. 9150. 0 0
## # ... with 6,720 more rows
Ejemplo 3: Seleccione todas las transacciones, exportación e importación, para el último trimestre de cada año disponible en el dataframe, y que excluyan el comercio con Canada, México y Estados Unidos.
library(purrr)
`%not_in%` <- purrr::negate(`%in%`)
data_comercio_exterior %>%
filter(mes %in% 10:12,
pais %not_in% c("Colombia","Honduras","Venezuela"))
## # A tibble: 182,800 x 8
## pais sac anio mes valor_cif kilogramos_impo~ valor_fob kilogramos_expo~
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Afga~ 6104~ 2018 10 3153. 2408. 0 0
## 2 Afga~ 6104~ 2018 10 946. 722. 0 0
## 3 Afga~ 6105~ 2018 10 9405. 7181. 0 0
## 4 Afga~ 6106~ 2018 10 1353. 1726. 0 0
## 5 Afga~ 6405~ 2018 10 2260. 1726. 0 0
## 6 Afga~ 8206~ 2018 10 6.56 5.02 0 0
## 7 Afga~ 0910~ 2019 10 1821 34.9 0 0
## 8 Afga~ 9018~ 2020 11 501. 19 0 0
## 9 Afga~ 8521~ 2020 12 116. 1.7 0 0
## 10 Alba~ 6103~ 2018 10 54.2 0.57 0 0
## # ... with 182,790 more rows
MUTATE
Ejemplo 1: calcule el saldo de la balanza comercial para todas las transacciones, disponibles en la base de comercio exterior.
data_comercio_exterior %>%
mutate(saldo_bc=valor_fob-valor_cif) %>%
select("pais","sac","anio","mes","saldo_bc")
## # A tibble: 751,006 x 5
## pais sac anio mes saldo_bc
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 Afganistan 0806200000 2018 6 -6448.
## 2 Afganistan 6104220000 2018 10 -3153.
## 3 Afganistan 6104620000 2018 10 -946.
## 4 Afganistan 6105100000 2018 10 -9405.
## 5 Afganistan 6106100000 2018 10 -1353.
## 6 Afganistan 6405900000 2018 10 -2260.
## 7 Afganistan 8206000000 2018 10 -6.56
## 8 Afganistan 6404110000 2019 2 -7752.
## 9 Afganistan 6405100000 2019 2 -508.
## 10 Afganistan 6405900000 2019 2 -12.4
## # ... with 750,996 more rows
Ejemplo 2: Calcule las exportaciones y las importaciones como porcentaje del comercio total, en cada transacción disponible en la base de comercio exterior, muestre sólo aquellas partidas que registren exportaciones.
options(scipen = 99999)
data_comercio_exterior %>%
mutate(Xpt=round(valor_fob/(valor_cif+valor_fob)*100,2),
Mpt=round(valor_cif/(valor_cif+valor_fob)*100,2)) %>%
select("pais","sac","anio","mes","Xpt","Mpt") %>% filter(Xpt>0)
## # A tibble: 176,180 x 6
## pais sac anio mes Xpt Mpt
## <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Afganistan 3004909100 2019 9 100 0
## 2 Albania 1701140000 2019 2 100 0
## 3 Alemania 0106200000 2018 1 100 0
## 4 Alemania 0409000000 2018 1 100 0
## 5 Alemania 0901113000 2018 1 100 0
## 6 Alemania 0901210000 2018 1 100 0
## 7 Alemania 5202990000 2018 1 100 0
## 8 Alemania 6101300000 2018 1 100 0
## 9 Alemania 6109100000 2018 1 100 0
## 10 Alemania 6109900000 2018 1 100 0
## # ... with 176,170 more rows
ARRANGE
Ejemplo: Ordenar los resultados del Ejemplo 2 de mutate, mostrando primero los resultados más recientes.
options(scipen = 99999)
data_comercio_exterior %>%
mutate(Xpt=round(valor_fob/(valor_cif+valor_fob)*100,2),
Mpt=round(valor_cif/(valor_cif+valor_fob)*100,2)) %>%
select("pais","sac","anio","mes","Xpt","Mpt") %>%
filter(Xpt>0) %>%
arrange(desc(anio),desc(mes))
## # A tibble: 176,180 x 6
## pais sac anio mes Xpt Mpt
## <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Alemania 0901113000 2020 12 100 0
## 2 Alemania 1604149000 2020 12 100 0
## 3 Alemania 3808930000 2020 12 72.8 27.2
## 4 Alemania 4202320000 2020 12 100 0
## 5 Alemania 4205009000 2020 12 100 0
## 6 Alemania 4417000000 2020 12 100 0
## 7 Alemania 4420100000 2020 12 100 0
## 8 Alemania 6103430000 2020 12 100 0
## 9 Alemania 6104630000 2020 12 100 0
## 10 Alemania 6109900000 2020 12 100 0
## # ... with 176,170 more rows
SUMMARISE
Ejemplo 1: Obtenga los totales anuales de importaciones y exportaciones.
data_comercio_exterior %>%
group_by(anio) %>%
summarise(`Total Exportaciones MM US$`=sum(valor_fob)/1e6,
`Total Importaciones MM US$`=sum(valor_cif)/1e6)
## # A tibble: 3 x 3
## anio `Total Exportaciones MM US$` `Total Importaciones MM US$`
## <dbl> <dbl> <dbl>
## 1 2018 5905. 11464.
## 2 2019 5905. 11604.
## 3 2020 5044. 10327.
Ejemplo 2: Obtenga los totales anuales de importaciones y exportaciones, que se realizan por país.
data_comercio_exterior %>%
group_by(pais,anio) %>%
summarise(`Total Exportaciones`=sum(valor_fob),
`Total Importaciones`=sum(valor_cif))
## # A tibble: 615 x 4
## # Groups: pais [229]
## pais anio `Total Exportaciones` `Total Importaciones`
## <chr> <dbl> <dbl> <dbl>
## 1 Afganistan 2018 0 23573.
## 2 Afganistan 2019 382. 13114.
## 3 Afganistan 2020 0 5427.
## 4 Albania 2018 0 18307.
## 5 Albania 2019 51392. 25660.
## 6 Albania 2020 0 368298.
## 7 Alemania 2018 20425283. 181276789.
## 8 Alemania 2019 21447921. 168946137.
## 9 Alemania 2020 36222619. 164207993.
## 10 Andorra 2018 23165. 180475.
## # ... with 605 more rows
library(readxl)
options (scipen = 9999)
nombre_archivo <- "C:/LAB 1/nombres_iso_paises.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
anios_ranking<-2017:2019
data_comercio_exterior %>%
filter(anio %in% anios_ranking) ->data_ranking
Cálculo de ranking & porcentajes
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 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|42.03 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
Tabla en formato “RAW”
library(tidyr)
insumo_reporte %>%
pivot_wider(names_from = rank,values_from = data)->mi_tabla
print(mi_tabla)
## # A tibble: 2 x 6
## 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|42.03 GTM|15.92 HND|15.9 NIC|6.66 CRI|4.46
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 2017 - 2019
anio
1
2
3
4
5
2018
USA|44.07
HND|15.34
GTM|14.36
NIC|6.87
CRI|4.39
2019
USA|42.03
GTM|15.92
HND|15.9
NIC|6.66
CRI|4.46
a Elaboración propia con base en datos del BCR
library(readxl)
library(kableExtra)
library(dplyr)
options(scipen = 999999)
load("C:/LAB 1/Update/data_comercio_exterior_actualizada.RData")
nombre_archivo<-"C:/LAB 1/nombres_iso_paises.xlsx"
nombres_iso_paises <-read_excel(nombre_archivo)
data_comercio_exterior %>%
left_join(nombres_iso_paises,
by=c("pais"="nom_pais_esp")) %>%
group_by(region,sub_region,anio) %>%
summarise('Exportaciones Totales MM US$' = sum(valor_fob)/1e6,
'Importaciones Totales MM US$' = sum(valor_cif)/1e6) %>%
kable(digits = 2) %>% kable_styling()
region
sub_region
anio
Exportaciones Totales MM US$
Importaciones Totales MM US$
África
Africa Del Norte
2018
1.96
10.40
África
Africa Del Norte
2019
1.90
8.52
África
Africa Del Norte
2020
2.12
14.20
África
Africa Del Norte
2021
0.25
5.05
África
Africa Sub-Sahariana
2018
23.62
13.51
África
Africa Sub-Sahariana
2019
4.86
9.34
África
Africa Sub-Sahariana
2020
5.15
13.68
África
Africa Sub-Sahariana
2021
0.84
4.91
Américas
América Del Norte
2018
5247.43
7354.47
Américas
América Del Norte
2019
5092.51
7035.87
Américas
América Del Norte
2020
3995.93
5478.39
Américas
América Del Norte
2021
1576.07
2370.45
Américas
América Latina Y El Caribe
2018
5846.97
8154.31
Américas
América Latina Y El Caribe
2019
6077.47
9009.65
Américas
América Latina Y El Caribe
2020
5330.89
8347.27
Américas
América Latina Y El Caribe
2021
1984.60
3050.64
Asia
Asia Central
2018
0.01
0.90
Asia
Asia Central
2019
0.00
0.66
Asia
Asia Central
2020
0.02
0.66
Asia
Asia Central
2021
0.00
0.14
Asia
Asia Meridional
2018
7.50
273.28
Asia
Asia Meridional
2019
4.95
269.53
Asia
Asia Meridional
2020
10.12
230.42
Asia
Asia Meridional
2021
3.34
126.54
Asia
Asia Occidental
2018
4.01
157.02
Asia
Asia Occidental
2019
5.64
111.85
Asia
Asia Occidental
2020
10.32
121.01
Asia
Asia Occidental
2021
4.28
93.55
Asia
Asia Oriental
2018
288.79
4466.83
Asia
Asia Oriental
2019
244.96
4466.09
Asia
Asia Oriental
2020
365.62
3865.99
Asia
Asia Oriental
2021
126.37
1805.04
Asia
Asia Sudoriental
2018
33.22
544.39
Asia
Asia Sudoriental
2019
9.07
511.61
Asia
Asia Sudoriental
2020
9.48
493.24
Asia
Asia Sudoriental
2021
6.87
210.74
Europa
Europa Del Este
2018
2.86
153.33
Europa
Europa Del Este
2019
14.39
146.40
Europa
Europa Del Este
2020
4.19
131.57
Europa
Europa Del Este
2021
0.91
75.66
Europa
Europa Del Sur
2018
165.77
782.97
Europa
Europa Del Sur
2019
168.70
620.91
Europa
Europa Del Sur
2020
142.78
611.22
Europa
Europa Del Sur
2021
48.15
255.10
Europa
Europa Oriental
2018
116.77
694.81
Europa
Europa Oriental
2019
123.61
701.12
Europa
Europa Oriental
2020
170.57
683.26
Europa
Europa Oriental
2021
65.20
243.41
Europa
Norte De Europa
2018
54.94
220.25
Europa
Norte De Europa
2019
39.20
236.00
Europa
Norte De Europa
2020
31.46
593.79
Europa
Norte De Europa
2021
23.70
95.02
Oceanía
Australia Y Nueva Zelanda
2018
16.96
78.24
Oceanía
Australia Y Nueva Zelanda
2019
22.16
76.60
Oceanía
Australia Y Nueva Zelanda
2020
9.37
68.08
Oceanía
Australia Y Nueva Zelanda
2021
5.70
17.97
Oceanía
Melanesia
2018
0.01
0.03
Oceanía
Melanesia
2019
0.01
0.03
Oceanía
Melanesia
2020
0.00
0.16
Oceanía
Melanesia
2021
0.00
0.14
Oceanía
Micronesia
2018
0.00
0.00
Oceanía
Micronesia
2019
0.00
0.07
Oceanía
Micronesia
2020
0.00
0.04
Oceanía
Micronesia
2021
0.00
0.01
Oceanía
Polinesia
2018
0.02
0.23
Oceanía
Polinesia
2019
0.02
0.31
Oceanía
Polinesia
2020
0.01
0.11
Oceanía
Polinesia
2021
0.00
0.06
NA
NA
2018
0.00
23.66
NA
NA
2019
0.00
3.12
NA
NA
2020
0.00
0.08
NA
NA
2021
0.02
0.10
CIUDAD UNIVERSITARIA, SEPTIEMBRE DE 2021
SELECT
Ejemplo 1:
Usando la base de datos de comercio exterior, para El Salvador, creada en la sesión anterior, seleccione las columnas de “pais”, “sac”,“anio”,“mes”,“valor_cif”.
load("C:/LAB 1/data_comercio_exterior.RData")
library(dplyr)
library(kableExtra)
data_comercio_exterior %>%
select("pais", "sac","anio","mes","valor_cif") %>%
head() %>% kable(caption = "Ejemplo 1") %>% kable_minimal()
Ejemplo 1
pais
sac
anio
mes
valor_cif
Afganistan
0806200000
2018
6
6448.43
Afganistan
6104220000
2018
10
3153.37
Afganistan
6104620000
2018
10
946.01
Afganistan
6105100000
2018
10
9405.39
Afganistan
6106100000
2018
10
1353.32
Afganistan
6405900000
2018
10
2260.03
FILTER
Ejemplo 1: Seleccione todas las transacciones de exportación del año 2019, con Honduras o Guatemala, que sean superiores a los 100,000 US$
library(dplyr)
data_comercio_exterior %>%
select("pais", "sac","anio","mes","valor_fob") %>%
filter(anio=="2019", pais %in% c("Nicaragua","Canada"),valor_fob>100000)
## # A tibble: 830 x 5
## pais sac anio mes valor_fob
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 Canada 0602100000 2019 1 790154.
## 2 Canada 1701140000 2019 1 13353874.
## 3 Canada 6107110000 2019 1 166775.
## 4 Canada 6109100000 2019 1 131863.
## 5 Canada 6109900000 2019 1 184011.
## 6 Canada 6210400000 2019 1 145784.
## 7 Canada 0602100000 2019 2 688634.
## 8 Canada 0901113000 2019 2 224644.
## 9 Canada 1701140000 2019 2 12683064.
## 10 Canada 6107110000 2019 2 214356.
## # ... with 820 more rows
Ejemplo 2: Seleccione todas las transacciones, exportación e importación, para el último trimestre de cada año disponible en el dataframe, que se han realizado con Costa Rica.
data_comercio_exterior %>%
filter(pais=="Costa Rica",mes %in% 10:12)
## # A tibble: 6,730 x 8
## pais sac anio mes valor_cif kilogramos_impo~ valor_fob kilogramos_expo~
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Cost~ 0202~ 2018 10 63958. 21128 0 0
## 2 Cost~ 0401~ 2018 10 188962. 198997. 0 0
## 3 Cost~ 0401~ 2018 10 564231. 596498. 0 0
## 4 Cost~ 0402~ 2018 10 37842. 5677. 0 0
## 5 Cost~ 0402~ 2018 10 243936. 35618. 0 0
## 6 Cost~ 0402~ 2018 10 102270. 20075. 0 0
## 7 Cost~ 0402~ 2018 10 17255. 8263. 0 0
## 8 Cost~ 0402~ 2018 10 32573. 19754. 0 0
## 9 Cost~ 0403~ 2018 10 101404. 60552. 41789. 22884.
## 10 Cost~ 0403~ 2018 10 16499. 9150. 0 0
## # ... with 6,720 more rows
Ejemplo 3: Seleccione todas las transacciones, exportación e importación, para el último trimestre de cada año disponible en el dataframe, y que excluyan el comercio con Canada, México y Estados Unidos.
library(purrr)
`%not_in%` <- purrr::negate(`%in%`)
data_comercio_exterior %>%
filter(mes %in% 10:12,
pais %not_in% c("Colombia","Honduras","Venezuela"))
## # A tibble: 182,800 x 8
## pais sac anio mes valor_cif kilogramos_impo~ valor_fob kilogramos_expo~
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Afga~ 6104~ 2018 10 3153. 2408. 0 0
## 2 Afga~ 6104~ 2018 10 946. 722. 0 0
## 3 Afga~ 6105~ 2018 10 9405. 7181. 0 0
## 4 Afga~ 6106~ 2018 10 1353. 1726. 0 0
## 5 Afga~ 6405~ 2018 10 2260. 1726. 0 0
## 6 Afga~ 8206~ 2018 10 6.56 5.02 0 0
## 7 Afga~ 0910~ 2019 10 1821 34.9 0 0
## 8 Afga~ 9018~ 2020 11 501. 19 0 0
## 9 Afga~ 8521~ 2020 12 116. 1.7 0 0
## 10 Alba~ 6103~ 2018 10 54.2 0.57 0 0
## # ... with 182,790 more rows
MUTATE
Ejemplo 1: calcule el saldo de la balanza comercial para todas las transacciones, disponibles en la base de comercio exterior.
data_comercio_exterior %>%
mutate(saldo_bc=valor_fob-valor_cif) %>%
select("pais","sac","anio","mes","saldo_bc")
## # A tibble: 751,006 x 5
## pais sac anio mes saldo_bc
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 Afganistan 0806200000 2018 6 -6448.
## 2 Afganistan 6104220000 2018 10 -3153.
## 3 Afganistan 6104620000 2018 10 -946.
## 4 Afganistan 6105100000 2018 10 -9405.
## 5 Afganistan 6106100000 2018 10 -1353.
## 6 Afganistan 6405900000 2018 10 -2260.
## 7 Afganistan 8206000000 2018 10 -6.56
## 8 Afganistan 6404110000 2019 2 -7752.
## 9 Afganistan 6405100000 2019 2 -508.
## 10 Afganistan 6405900000 2019 2 -12.4
## # ... with 750,996 more rows
Ejemplo 2: Calcule las exportaciones y las importaciones como porcentaje del comercio total, en cada transacción disponible en la base de comercio exterior, muestre sólo aquellas partidas que registren exportaciones.
options(scipen = 99999)
data_comercio_exterior %>%
mutate(Xpt=round(valor_fob/(valor_cif+valor_fob)*100,2),
Mpt=round(valor_cif/(valor_cif+valor_fob)*100,2)) %>%
select("pais","sac","anio","mes","Xpt","Mpt") %>% filter(Xpt>0)
## # A tibble: 176,180 x 6
## pais sac anio mes Xpt Mpt
## <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Afganistan 3004909100 2019 9 100 0
## 2 Albania 1701140000 2019 2 100 0
## 3 Alemania 0106200000 2018 1 100 0
## 4 Alemania 0409000000 2018 1 100 0
## 5 Alemania 0901113000 2018 1 100 0
## 6 Alemania 0901210000 2018 1 100 0
## 7 Alemania 5202990000 2018 1 100 0
## 8 Alemania 6101300000 2018 1 100 0
## 9 Alemania 6109100000 2018 1 100 0
## 10 Alemania 6109900000 2018 1 100 0
## # ... with 176,170 more rows
ARRANGE
Ejemplo: Ordenar los resultados del Ejemplo 2 de mutate, mostrando primero los resultados más recientes.
options(scipen = 99999)
data_comercio_exterior %>%
mutate(Xpt=round(valor_fob/(valor_cif+valor_fob)*100,2),
Mpt=round(valor_cif/(valor_cif+valor_fob)*100,2)) %>%
select("pais","sac","anio","mes","Xpt","Mpt") %>%
filter(Xpt>0) %>%
arrange(desc(anio),desc(mes))
## # A tibble: 176,180 x 6
## pais sac anio mes Xpt Mpt
## <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Alemania 0901113000 2020 12 100 0
## 2 Alemania 1604149000 2020 12 100 0
## 3 Alemania 3808930000 2020 12 72.8 27.2
## 4 Alemania 4202320000 2020 12 100 0
## 5 Alemania 4205009000 2020 12 100 0
## 6 Alemania 4417000000 2020 12 100 0
## 7 Alemania 4420100000 2020 12 100 0
## 8 Alemania 6103430000 2020 12 100 0
## 9 Alemania 6104630000 2020 12 100 0
## 10 Alemania 6109900000 2020 12 100 0
## # ... with 176,170 more rows
SUMMARISE
Ejemplo 1: Obtenga los totales anuales de importaciones y exportaciones.
data_comercio_exterior %>%
group_by(anio) %>%
summarise(`Total Exportaciones MM US$`=sum(valor_fob)/1e6,
`Total Importaciones MM US$`=sum(valor_cif)/1e6)
## # A tibble: 3 x 3
## anio `Total Exportaciones MM US$` `Total Importaciones MM US$`
## <dbl> <dbl> <dbl>
## 1 2018 5905. 11464.
## 2 2019 5905. 11604.
## 3 2020 5044. 10327.
Ejemplo 2: Obtenga los totales anuales de importaciones y exportaciones, que se realizan por país.
data_comercio_exterior %>%
group_by(pais,anio) %>%
summarise(`Total Exportaciones`=sum(valor_fob),
`Total Importaciones`=sum(valor_cif))
## # A tibble: 615 x 4
## # Groups: pais [229]
## pais anio `Total Exportaciones` `Total Importaciones`
## <chr> <dbl> <dbl> <dbl>
## 1 Afganistan 2018 0 23573.
## 2 Afganistan 2019 382. 13114.
## 3 Afganistan 2020 0 5427.
## 4 Albania 2018 0 18307.
## 5 Albania 2019 51392. 25660.
## 6 Albania 2020 0 368298.
## 7 Alemania 2018 20425283. 181276789.
## 8 Alemania 2019 21447921. 168946137.
## 9 Alemania 2020 36222619. 164207993.
## 10 Andorra 2018 23165. 180475.
## # ... with 605 more rows
library(readxl)
options (scipen = 9999)
nombre_archivo <- "C:/LAB 1/nombres_iso_paises.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
anios_ranking<-2017:2019
data_comercio_exterior %>%
filter(anio %in% anios_ranking) ->data_ranking
Cálculo de ranking & porcentajes
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 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|42.03 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
Tabla en formato “RAW”
library(tidyr)
insumo_reporte %>%
pivot_wider(names_from = rank,values_from = data)->mi_tabla
print(mi_tabla)
## # A tibble: 2 x 6
## 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|42.03 GTM|15.92 HND|15.9 NIC|6.66 CRI|4.46
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 2017 - 2019
anio
1
2
3
4
5
2018
USA|44.07
HND|15.34
GTM|14.36
NIC|6.87
CRI|4.39
2019
USA|42.03
GTM|15.92
HND|15.9
NIC|6.66
CRI|4.46
a Elaboración propia con base en datos del BCR
library(readxl)
library(kableExtra)
library(dplyr)
options(scipen = 999999)
load("C:/LAB 1/Update/data_comercio_exterior_actualizada.RData")
nombre_archivo<-"C:/LAB 1/nombres_iso_paises.xlsx"
nombres_iso_paises <-read_excel(nombre_archivo)
data_comercio_exterior %>%
left_join(nombres_iso_paises,
by=c("pais"="nom_pais_esp")) %>%
group_by(region,sub_region,anio) %>%
summarise('Exportaciones Totales MM US$' = sum(valor_fob)/1e6,
'Importaciones Totales MM US$' = sum(valor_cif)/1e6) %>%
kable(digits = 2) %>% kable_styling()
region
sub_region
anio
Exportaciones Totales MM US$
Importaciones Totales MM US$
África
Africa Del Norte
2018
1.96
10.40
África
Africa Del Norte
2019
1.90
8.52
África
Africa Del Norte
2020
2.12
14.20
África
Africa Del Norte
2021
0.25
5.05
África
Africa Sub-Sahariana
2018
23.62
13.51
África
Africa Sub-Sahariana
2019
4.86
9.34
África
Africa Sub-Sahariana
2020
5.15
13.68
África
Africa Sub-Sahariana
2021
0.84
4.91
Américas
América Del Norte
2018
5247.43
7354.47
Américas
América Del Norte
2019
5092.51
7035.87
Américas
América Del Norte
2020
3995.93
5478.39
Américas
América Del Norte
2021
1576.07
2370.45
Américas
América Latina Y El Caribe
2018
5846.97
8154.31
Américas
América Latina Y El Caribe
2019
6077.47
9009.65
Américas
América Latina Y El Caribe
2020
5330.89
8347.27
Américas
América Latina Y El Caribe
2021
1984.60
3050.64
Asia
Asia Central
2018
0.01
0.90
Asia
Asia Central
2019
0.00
0.66
Asia
Asia Central
2020
0.02
0.66
Asia
Asia Central
2021
0.00
0.14
Asia
Asia Meridional
2018
7.50
273.28
Asia
Asia Meridional
2019
4.95
269.53
Asia
Asia Meridional
2020
10.12
230.42
Asia
Asia Meridional
2021
3.34
126.54
Asia
Asia Occidental
2018
4.01
157.02
Asia
Asia Occidental
2019
5.64
111.85
Asia
Asia Occidental
2020
10.32
121.01
Asia
Asia Occidental
2021
4.28
93.55
Asia
Asia Oriental
2018
288.79
4466.83
Asia
Asia Oriental
2019
244.96
4466.09
Asia
Asia Oriental
2020
365.62
3865.99
Asia
Asia Oriental
2021
126.37
1805.04
Asia
Asia Sudoriental
2018
33.22
544.39
Asia
Asia Sudoriental
2019
9.07
511.61
Asia
Asia Sudoriental
2020
9.48
493.24
Asia
Asia Sudoriental
2021
6.87
210.74
Europa
Europa Del Este
2018
2.86
153.33
Europa
Europa Del Este
2019
14.39
146.40
Europa
Europa Del Este
2020
4.19
131.57
Europa
Europa Del Este
2021
0.91
75.66
Europa
Europa Del Sur
2018
165.77
782.97
Europa
Europa Del Sur
2019
168.70
620.91
Europa
Europa Del Sur
2020
142.78
611.22
Europa
Europa Del Sur
2021
48.15
255.10
Europa
Europa Oriental
2018
116.77
694.81
Europa
Europa Oriental
2019
123.61
701.12
Europa
Europa Oriental
2020
170.57
683.26
Europa
Europa Oriental
2021
65.20
243.41
Europa
Norte De Europa
2018
54.94
220.25
Europa
Norte De Europa
2019
39.20
236.00
Europa
Norte De Europa
2020
31.46
593.79
Europa
Norte De Europa
2021
23.70
95.02
Oceanía
Australia Y Nueva Zelanda
2018
16.96
78.24
Oceanía
Australia Y Nueva Zelanda
2019
22.16
76.60
Oceanía
Australia Y Nueva Zelanda
2020
9.37
68.08
Oceanía
Australia Y Nueva Zelanda
2021
5.70
17.97
Oceanía
Melanesia
2018
0.01
0.03
Oceanía
Melanesia
2019
0.01
0.03
Oceanía
Melanesia
2020
0.00
0.16
Oceanía
Melanesia
2021
0.00
0.14
Oceanía
Micronesia
2018
0.00
0.00
Oceanía
Micronesia
2019
0.00
0.07
Oceanía
Micronesia
2020
0.00
0.04
Oceanía
Micronesia
2021
0.00
0.01
Oceanía
Polinesia
2018
0.02
0.23
Oceanía
Polinesia
2019
0.02
0.31
Oceanía
Polinesia
2020
0.01
0.11
Oceanía
Polinesia
2021
0.00
0.06
NA
NA
2018
0.00
23.66
NA
NA
2019
0.00
3.12
NA
NA
2020
0.00
0.08
NA
NA
2021
0.02
0.10
SELECT
Ejemplo 1:
Usando la base de datos de comercio exterior, para El Salvador, creada en la sesión anterior, seleccione las columnas de “pais”, “sac”,“anio”,“mes”,“valor_cif”.
load("C:/LAB 1/data_comercio_exterior.RData")
library(dplyr)
library(kableExtra)
data_comercio_exterior %>%
select("pais", "sac","anio","mes","valor_cif") %>%
head() %>% kable(caption = "Ejemplo 1") %>% kable_minimal()| pais | sac | anio | mes | valor_cif |
|---|---|---|---|---|
| Afganistan | 0806200000 | 2018 | 6 | 6448.43 |
| Afganistan | 6104220000 | 2018 | 10 | 3153.37 |
| Afganistan | 6104620000 | 2018 | 10 | 946.01 |
| Afganistan | 6105100000 | 2018 | 10 | 9405.39 |
| Afganistan | 6106100000 | 2018 | 10 | 1353.32 |
| Afganistan | 6405900000 | 2018 | 10 | 2260.03 |
FILTER
Ejemplo 1: Seleccione todas las transacciones de exportación del año 2019, con Honduras o Guatemala, que sean superiores a los 100,000 US$
library(dplyr)
data_comercio_exterior %>%
select("pais", "sac","anio","mes","valor_fob") %>%
filter(anio=="2019", pais %in% c("Nicaragua","Canada"),valor_fob>100000)## # A tibble: 830 x 5
## pais sac anio mes valor_fob
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 Canada 0602100000 2019 1 790154.
## 2 Canada 1701140000 2019 1 13353874.
## 3 Canada 6107110000 2019 1 166775.
## 4 Canada 6109100000 2019 1 131863.
## 5 Canada 6109900000 2019 1 184011.
## 6 Canada 6210400000 2019 1 145784.
## 7 Canada 0602100000 2019 2 688634.
## 8 Canada 0901113000 2019 2 224644.
## 9 Canada 1701140000 2019 2 12683064.
## 10 Canada 6107110000 2019 2 214356.
## # ... with 820 more rowsEjemplo 2: Seleccione todas las transacciones, exportación e importación, para el último trimestre de cada año disponible en el dataframe, que se han realizado con Costa Rica.
data_comercio_exterior %>%
filter(pais=="Costa Rica",mes %in% 10:12) ## # A tibble: 6,730 x 8
## pais sac anio mes valor_cif kilogramos_impo~ valor_fob kilogramos_expo~
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Cost~ 0202~ 2018 10 63958. 21128 0 0
## 2 Cost~ 0401~ 2018 10 188962. 198997. 0 0
## 3 Cost~ 0401~ 2018 10 564231. 596498. 0 0
## 4 Cost~ 0402~ 2018 10 37842. 5677. 0 0
## 5 Cost~ 0402~ 2018 10 243936. 35618. 0 0
## 6 Cost~ 0402~ 2018 10 102270. 20075. 0 0
## 7 Cost~ 0402~ 2018 10 17255. 8263. 0 0
## 8 Cost~ 0402~ 2018 10 32573. 19754. 0 0
## 9 Cost~ 0403~ 2018 10 101404. 60552. 41789. 22884.
## 10 Cost~ 0403~ 2018 10 16499. 9150. 0 0
## # ... with 6,720 more rowsEjemplo 3: Seleccione todas las transacciones, exportación e importación, para el último trimestre de cada año disponible en el dataframe, y que excluyan el comercio con Canada, México y Estados Unidos.
library(purrr)
`%not_in%` <- purrr::negate(`%in%`)
data_comercio_exterior %>%
filter(mes %in% 10:12,
pais %not_in% c("Colombia","Honduras","Venezuela"))## # A tibble: 182,800 x 8
## pais sac anio mes valor_cif kilogramos_impo~ valor_fob kilogramos_expo~
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Afga~ 6104~ 2018 10 3153. 2408. 0 0
## 2 Afga~ 6104~ 2018 10 946. 722. 0 0
## 3 Afga~ 6105~ 2018 10 9405. 7181. 0 0
## 4 Afga~ 6106~ 2018 10 1353. 1726. 0 0
## 5 Afga~ 6405~ 2018 10 2260. 1726. 0 0
## 6 Afga~ 8206~ 2018 10 6.56 5.02 0 0
## 7 Afga~ 0910~ 2019 10 1821 34.9 0 0
## 8 Afga~ 9018~ 2020 11 501. 19 0 0
## 9 Afga~ 8521~ 2020 12 116. 1.7 0 0
## 10 Alba~ 6103~ 2018 10 54.2 0.57 0 0
## # ... with 182,790 more rowsMUTATE
Ejemplo 1: calcule el saldo de la balanza comercial para todas las transacciones, disponibles en la base de comercio exterior.
data_comercio_exterior %>%
mutate(saldo_bc=valor_fob-valor_cif) %>%
select("pais","sac","anio","mes","saldo_bc")## # A tibble: 751,006 x 5
## pais sac anio mes saldo_bc
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 Afganistan 0806200000 2018 6 -6448.
## 2 Afganistan 6104220000 2018 10 -3153.
## 3 Afganistan 6104620000 2018 10 -946.
## 4 Afganistan 6105100000 2018 10 -9405.
## 5 Afganistan 6106100000 2018 10 -1353.
## 6 Afganistan 6405900000 2018 10 -2260.
## 7 Afganistan 8206000000 2018 10 -6.56
## 8 Afganistan 6404110000 2019 2 -7752.
## 9 Afganistan 6405100000 2019 2 -508.
## 10 Afganistan 6405900000 2019 2 -12.4
## # ... with 750,996 more rowsEjemplo 2: Calcule las exportaciones y las importaciones como porcentaje del comercio total, en cada transacción disponible en la base de comercio exterior, muestre sólo aquellas partidas que registren exportaciones.
options(scipen = 99999)
data_comercio_exterior %>%
mutate(Xpt=round(valor_fob/(valor_cif+valor_fob)*100,2),
Mpt=round(valor_cif/(valor_cif+valor_fob)*100,2)) %>%
select("pais","sac","anio","mes","Xpt","Mpt") %>% filter(Xpt>0)## # A tibble: 176,180 x 6
## pais sac anio mes Xpt Mpt
## <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Afganistan 3004909100 2019 9 100 0
## 2 Albania 1701140000 2019 2 100 0
## 3 Alemania 0106200000 2018 1 100 0
## 4 Alemania 0409000000 2018 1 100 0
## 5 Alemania 0901113000 2018 1 100 0
## 6 Alemania 0901210000 2018 1 100 0
## 7 Alemania 5202990000 2018 1 100 0
## 8 Alemania 6101300000 2018 1 100 0
## 9 Alemania 6109100000 2018 1 100 0
## 10 Alemania 6109900000 2018 1 100 0
## # ... with 176,170 more rowsARRANGE
Ejemplo: Ordenar los resultados del Ejemplo 2 de mutate, mostrando primero los resultados más recientes.
options(scipen = 99999)
data_comercio_exterior %>%
mutate(Xpt=round(valor_fob/(valor_cif+valor_fob)*100,2),
Mpt=round(valor_cif/(valor_cif+valor_fob)*100,2)) %>%
select("pais","sac","anio","mes","Xpt","Mpt") %>%
filter(Xpt>0) %>%
arrange(desc(anio),desc(mes))## # A tibble: 176,180 x 6
## pais sac anio mes Xpt Mpt
## <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Alemania 0901113000 2020 12 100 0
## 2 Alemania 1604149000 2020 12 100 0
## 3 Alemania 3808930000 2020 12 72.8 27.2
## 4 Alemania 4202320000 2020 12 100 0
## 5 Alemania 4205009000 2020 12 100 0
## 6 Alemania 4417000000 2020 12 100 0
## 7 Alemania 4420100000 2020 12 100 0
## 8 Alemania 6103430000 2020 12 100 0
## 9 Alemania 6104630000 2020 12 100 0
## 10 Alemania 6109900000 2020 12 100 0
## # ... with 176,170 more rowsSUMMARISE
Ejemplo 1: Obtenga los totales anuales de importaciones y exportaciones.
data_comercio_exterior %>%
group_by(anio) %>%
summarise(`Total Exportaciones MM US$`=sum(valor_fob)/1e6,
`Total Importaciones MM US$`=sum(valor_cif)/1e6)## # A tibble: 3 x 3
## anio `Total Exportaciones MM US$` `Total Importaciones MM US$`
## <dbl> <dbl> <dbl>
## 1 2018 5905. 11464.
## 2 2019 5905. 11604.
## 3 2020 5044. 10327.Ejemplo 2: Obtenga los totales anuales de importaciones y exportaciones, que se realizan por país.
data_comercio_exterior %>%
group_by(pais,anio) %>%
summarise(`Total Exportaciones`=sum(valor_fob),
`Total Importaciones`=sum(valor_cif))## # A tibble: 615 x 4
## # Groups: pais [229]
## pais anio `Total Exportaciones` `Total Importaciones`
## <chr> <dbl> <dbl> <dbl>
## 1 Afganistan 2018 0 23573.
## 2 Afganistan 2019 382. 13114.
## 3 Afganistan 2020 0 5427.
## 4 Albania 2018 0 18307.
## 5 Albania 2019 51392. 25660.
## 6 Albania 2020 0 368298.
## 7 Alemania 2018 20425283. 181276789.
## 8 Alemania 2019 21447921. 168946137.
## 9 Alemania 2020 36222619. 164207993.
## 10 Andorra 2018 23165. 180475.
## # ... with 605 more rowslibrary(readxl)
options (scipen = 9999)
nombre_archivo <- "C:/LAB 1/nombres_iso_paises.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
anios_ranking<-2017:2019
data_comercio_exterior %>%
filter(anio %in% anios_ranking) ->data_rankingCálculo de ranking & porcentajes
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 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|42.03 1
## 7 2019 GTM|15.92 2
## 8 2019 HND|15.9 3
## 9 2019 NIC|6.66 4
## 10 2019 CRI|4.46 5Tabla en formato “RAW”
library(tidyr)
insumo_reporte %>%
pivot_wider(names_from = rank,values_from = data)->mi_tabla
print(mi_tabla)## # A tibble: 2 x 6
## 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|42.03 GTM|15.92 HND|15.9 NIC|6.66 CRI|4.46Tabla 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") | anio | 1 | 2 | 3 | 4 | 5 |
|---|---|---|---|---|---|
| 2018 | USA|44.07 | HND|15.34 | GTM|14.36 | NIC|6.87 | CRI|4.39 |
| 2019 | USA|42.03 | GTM|15.92 | HND|15.9 | NIC|6.66 | CRI|4.46 |
| a Elaboración propia con base en datos del BCR |
library(readxl)
library(kableExtra)
library(dplyr)
options(scipen = 999999)
load("C:/LAB 1/Update/data_comercio_exterior_actualizada.RData")
nombre_archivo<-"C:/LAB 1/nombres_iso_paises.xlsx"
nombres_iso_paises <-read_excel(nombre_archivo)
data_comercio_exterior %>%
left_join(nombres_iso_paises,
by=c("pais"="nom_pais_esp")) %>%
group_by(region,sub_region,anio) %>%
summarise('Exportaciones Totales MM US$' = sum(valor_fob)/1e6,
'Importaciones Totales MM US$' = sum(valor_cif)/1e6) %>%
kable(digits = 2) %>% kable_styling()| region | sub_region | anio | Exportaciones Totales MM US$ | Importaciones Totales MM US$ |
|---|---|---|---|---|
| África | Africa Del Norte | 2018 | 1.96 | 10.40 |
| África | Africa Del Norte | 2019 | 1.90 | 8.52 |
| África | Africa Del Norte | 2020 | 2.12 | 14.20 |
| África | Africa Del Norte | 2021 | 0.25 | 5.05 |
| África | Africa Sub-Sahariana | 2018 | 23.62 | 13.51 |
| África | Africa Sub-Sahariana | 2019 | 4.86 | 9.34 |
| África | Africa Sub-Sahariana | 2020 | 5.15 | 13.68 |
| África | Africa Sub-Sahariana | 2021 | 0.84 | 4.91 |
| Américas | América Del Norte | 2018 | 5247.43 | 7354.47 |
| Américas | América Del Norte | 2019 | 5092.51 | 7035.87 |
| Américas | América Del Norte | 2020 | 3995.93 | 5478.39 |
| Américas | América Del Norte | 2021 | 1576.07 | 2370.45 |
| Américas | América Latina Y El Caribe | 2018 | 5846.97 | 8154.31 |
| Américas | América Latina Y El Caribe | 2019 | 6077.47 | 9009.65 |
| Américas | América Latina Y El Caribe | 2020 | 5330.89 | 8347.27 |
| Américas | América Latina Y El Caribe | 2021 | 1984.60 | 3050.64 |
| Asia | Asia Central | 2018 | 0.01 | 0.90 |
| Asia | Asia Central | 2019 | 0.00 | 0.66 |
| Asia | Asia Central | 2020 | 0.02 | 0.66 |
| Asia | Asia Central | 2021 | 0.00 | 0.14 |
| Asia | Asia Meridional | 2018 | 7.50 | 273.28 |
| Asia | Asia Meridional | 2019 | 4.95 | 269.53 |
| Asia | Asia Meridional | 2020 | 10.12 | 230.42 |
| Asia | Asia Meridional | 2021 | 3.34 | 126.54 |
| Asia | Asia Occidental | 2018 | 4.01 | 157.02 |
| Asia | Asia Occidental | 2019 | 5.64 | 111.85 |
| Asia | Asia Occidental | 2020 | 10.32 | 121.01 |
| Asia | Asia Occidental | 2021 | 4.28 | 93.55 |
| Asia | Asia Oriental | 2018 | 288.79 | 4466.83 |
| Asia | Asia Oriental | 2019 | 244.96 | 4466.09 |
| Asia | Asia Oriental | 2020 | 365.62 | 3865.99 |
| Asia | Asia Oriental | 2021 | 126.37 | 1805.04 |
| Asia | Asia Sudoriental | 2018 | 33.22 | 544.39 |
| Asia | Asia Sudoriental | 2019 | 9.07 | 511.61 |
| Asia | Asia Sudoriental | 2020 | 9.48 | 493.24 |
| Asia | Asia Sudoriental | 2021 | 6.87 | 210.74 |
| Europa | Europa Del Este | 2018 | 2.86 | 153.33 |
| Europa | Europa Del Este | 2019 | 14.39 | 146.40 |
| Europa | Europa Del Este | 2020 | 4.19 | 131.57 |
| Europa | Europa Del Este | 2021 | 0.91 | 75.66 |
| Europa | Europa Del Sur | 2018 | 165.77 | 782.97 |
| Europa | Europa Del Sur | 2019 | 168.70 | 620.91 |
| Europa | Europa Del Sur | 2020 | 142.78 | 611.22 |
| Europa | Europa Del Sur | 2021 | 48.15 | 255.10 |
| Europa | Europa Oriental | 2018 | 116.77 | 694.81 |
| Europa | Europa Oriental | 2019 | 123.61 | 701.12 |
| Europa | Europa Oriental | 2020 | 170.57 | 683.26 |
| Europa | Europa Oriental | 2021 | 65.20 | 243.41 |
| Europa | Norte De Europa | 2018 | 54.94 | 220.25 |
| Europa | Norte De Europa | 2019 | 39.20 | 236.00 |
| Europa | Norte De Europa | 2020 | 31.46 | 593.79 |
| Europa | Norte De Europa | 2021 | 23.70 | 95.02 |
| Oceanía | Australia Y Nueva Zelanda | 2018 | 16.96 | 78.24 |
| Oceanía | Australia Y Nueva Zelanda | 2019 | 22.16 | 76.60 |
| Oceanía | Australia Y Nueva Zelanda | 2020 | 9.37 | 68.08 |
| Oceanía | Australia Y Nueva Zelanda | 2021 | 5.70 | 17.97 |
| Oceanía | Melanesia | 2018 | 0.01 | 0.03 |
| Oceanía | Melanesia | 2019 | 0.01 | 0.03 |
| Oceanía | Melanesia | 2020 | 0.00 | 0.16 |
| Oceanía | Melanesia | 2021 | 0.00 | 0.14 |
| Oceanía | Micronesia | 2018 | 0.00 | 0.00 |
| Oceanía | Micronesia | 2019 | 0.00 | 0.07 |
| Oceanía | Micronesia | 2020 | 0.00 | 0.04 |
| Oceanía | Micronesia | 2021 | 0.00 | 0.01 |
| Oceanía | Polinesia | 2018 | 0.02 | 0.23 |
| Oceanía | Polinesia | 2019 | 0.02 | 0.31 |
| Oceanía | Polinesia | 2020 | 0.01 | 0.11 |
| Oceanía | Polinesia | 2021 | 0.00 | 0.06 |
| NA | NA | 2018 | 0.00 | 23.66 |
| NA | NA | 2019 | 0.00 | 3.12 |
| NA | NA | 2020 | 0.00 | 0.08 |
| NA | NA | 2021 | 0.02 | 0.10 |