#Grupo de trabajo, Santiago de Jesús García Vásquez,GV13044, Marco Antonio Aguilera Calles AC13023, Jessica Lissette Gámez Cuellar GC13028
options (scipen = 999)
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(readxl)
load("C:/Users/lisse/Desktop/Comercio exterior/data_comercio_exterior_actualizada.RData")
nombre_archivo <- "C:/Users/lisse/Desktop/Comercio exterior/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#Select jemplo 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”.
library(dplyr)
library(kableExtra)##
## Attaching package: 'kableExtra'## The following object is masked from 'package:dplyr':
##
## group_rowsdata_comercio_exterior %>%
select("pais", "sac", "anio", "mes", "valor_cif") %>%
head() %>% kable(caption = "Ejemplo 1") %>% kable_minimal() | pais | sac | anio | mes | valor_cif |
|---|---|---|---|---|
| — | NA | NA | NA | 0 |
| — | NA | NA | NA | 0 |
| — | NA | NA | NA | 0 |
| delim = " | NA | NA | NA | 0 |
| delim = " | NA | NA | NA | 0 |
| delim = " | NA | NA | NA | 0 |
#Filter Ejemplo 1: Seleccione todas las transacciones de exportación del año 2020, con Canada o Nicaragua, que sean superiores a los 200,000 US$
library(dplyr)
data_comercio_exterior %>%
select("pais", "sac","anio","mes","valor_fob") %>%
filter(anio=="2020", pais %in% c("Canada","Nicaragua"),valor_fob>200000)## # A tibble: 1,227 x 5
## pais sac anio mes valor_fob
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 Canada 0602100000 2020 1 818698.
## 2 Canada 0602100000 2020 1 818698.
## 3 Canada 0602100000 2020 1 818698.
## 4 Canada 6103430000 2020 1 514207.
## 5 Canada 6103430000 2020 1 514207.
## 6 Canada 6103430000 2020 1 514207.
## 7 Canada 6109100000 2020 1 324587.
## 8 Canada 6109100000 2020 1 324587.
## 9 Canada 6109100000 2020 1 324587.
## 10 Canada 6110300000 2020 1 260173.
## # ... with 1,217 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 Guatemala.
data_comercio_exterior %>%
filter(pais=="Guatemala",mes %in% 08:12) # 10:12 genera el vector c(08,09,10,11,12)## # A tibble: 55,676 x 18
## pais sac anio mes valor_cif kilogramos_impo~ valor_fob kilogramos_expo~
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Guatemala 0105110000 2018 8 221304. 23598. 380761 41550
## 2 Guatemala 0105110000 2018 8 0 0 380761 41550
## 3 Guatemala 0105110000 2018 8 0 0 380761 41550
## 4 Guatemala 0202300000 2018 8 411624. 89989. 0 0
## 5 Guatemala 0207120000 2018 8 324148. 190806. 0 0
## 6 Guatemala 0207139100 2018 8 5220 2771. 0 0
## 7 Guatemala 0207139200 2018 8 0 0 5871. 3022
## 8 Guatemala 0207139200 2018 8 0 0 5871. 3022
## 9 Guatemala 0207139200 2018 8 0 0 5871. 3022
## 10 Guatemala 0207141000 2018 8 13300 32768. 75600 86553.
## # ... with 55,666 more rows, and 10 more variables: nom_pais_ingles <chr>,
## # iso_2 <chr>, iso_3 <chr>, codigo_pais <dbl>, region <chr>,
## # cod_region <dbl>, sub_region <chr>, cod_sub_region <dbl>,
## # region_intermedia <chr>, cod_region_intermedia <dbl>Ejemplo 3: Seleccione todas las transacciones, exportación e importación, para el primer trimestre de cada año disponible en el dataframe, y que excluyan el comercio con Guatemala, Alemania y Colombia.
library(purrr)
`%not_in%` <- purrr::negate(`%in%`)
data_comercio_exterior %>%
filter(mes %in% 01:03,
pais %not_in% c("Guatemala","Alemania","Colombia"))## # A tibble: 350,366 x 18
## pais sac anio mes valor_cif kilogramos_impo~ valor_fob kilogramos_expo~
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Afganistan 6404110000 2019 2 7752. 6748. 0 0
## 2 Afganistan 6405100000 2019 2 508. 442. 0 0
## 3 Afganistan 6405900000 2019 2 12.4 10.8 0 0
## 4 Afganistan 8414510000 2019 2 1263. 1099. 0 0
## 5 Afganistan 8509400000 2019 2 81.2 70.7 0 0
## 6 Afganistan 8516400000 2019 2 233. 203. 0 0
## 7 Afganistan 8523521000 2019 2 50.7 0.2 0 0
## 8 Albania 6403919000 2018 1 375. 12.3 0 0
## 9 Albania 6104690000 2018 2 109. 2.78 0 0
## 10 Albania 6104690000 2018 3 72.3 1.71 0 0
## # ... with 350,356 more rows, and 10 more variables: nom_pais_ingles <chr>,
## # iso_2 <chr>, iso_3 <chr>, codigo_pais <dbl>, region <chr>,
## # cod_region <dbl>, sub_region <chr>, cod_sub_region <dbl>,
## # region_intermedia <chr>, cod_region_intermedia <dbl>#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: 1,423,918 x 5
## pais sac anio mes saldo_bc
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 "---" <NA> NA NA 0
## 2 "---" <NA> NA NA 0
## 3 "---" <NA> NA NA 0
## 4 " delim = \"" <NA> NA NA 0
## 5 " delim = \"" <NA> NA NA 0
## 6 " delim = \"" <NA> NA NA 0
## 7 "```" <NA> NA NA 0
## 8 "```" <NA> NA NA 0
## 9 "```" <NA> NA NA 0
## 10 "```{r setup, include=FALSE}" <NA> NA NA 0
## # ... with 1,423,908 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 Importaciones.
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(Mpt>0)## # A tibble: 897,518 x 6
## pais sac anio mes Xpt Mpt
## <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Afganistan 0806200000 2018 6 0 100
## 2 Afganistan 6104220000 2018 10 0 100
## 3 Afganistan 6104620000 2018 10 0 100
## 4 Afganistan 6105100000 2018 10 0 100
## 5 Afganistan 6106100000 2018 10 0 100
## 6 Afganistan 6405900000 2018 10 0 100
## 7 Afganistan 8206000000 2018 10 0 100
## 8 Afganistan 6404110000 2019 2 0 100
## 9 Afganistan 6405100000 2019 2 0 100
## 10 Afganistan 6405900000 2019 2 0 100
## # ... with 897,508 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(Mpt>0) %>%
arrange(desc(anio),desc(mes))## # A tibble: 897,518 x 6
## pais sac anio mes Xpt Mpt
## <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Albania 9801002000 2021 7 0 100
## 2 Albania 9801002000 2021 7 0 100
## 3 Alemania 0406400000 2021 7 0 100
## 4 Alemania 0406400000 2021 7 0 100
## 5 Alemania 0406909000 2021 7 0 100
## 6 Alemania 0406909000 2021 7 0 100
## 7 Alemania 0602100000 2021 7 0 100
## 8 Alemania 0602100000 2021 7 0 100
## 9 Alemania 1105201000 2021 7 0 100
## 10 Alemania 1105201000 2021 7 0 100
## # ... with 897,508 more rows#Summarise group_by(variable 1, variable 2…) %>% summarise(resultado 1= función de agregación(variable),resultado 2= función de agregación(variable)
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: 5 x 3
## anio `Total Exportaciones MM US$` `Total Importaciones MM US$`
## <dbl> <dbl> <dbl>
## 1 2018 17714. 11830.
## 2 2019 17830. 12018.
## 3 2020 15132. 10327.
## 4 2021 7693. 16709.
## 5 NA 0 0#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)
)## `summarise()` has grouped output by 'pais'. You can override using the `.groups` argument.## # A tibble: 817 x 4
## # Groups: pais [248]
## pais anio `Total Exportaciones` `Total Importacion~
## <chr> <dbl> <dbl> <dbl>
## 1 "---" NA 0 0
## 2 " delim = \"" NA 0 0
## 3 "```" NA 0 0
## 4 "```{r setup, include=FALSE}" NA 0 0
## 5 "```{r}" NA 0 0
## 6 "Afganistan" 2018 0 23573.
## 7 "Afganistan" 2019 1146. 13114.
## 8 "Afganistan" 2020 0 5427.
## 9 "Afganistan" 2021 75747. 0
## 10 "Albania" 2018 0 18307.
## # ... with 807 more rows#2.Generé una función personalizada que Obtenga un ranking, anual, de los “K” principales socios comerciales de El Salvador, para el periodo año inicio-año final. Presente sus resultados en el siguiente formato: Top K Socios comerciales, periodo año inicio – año final, datos en porcentaje de las exportaciones totales.
options (scipen = 999)
library(dplyr)
library(readxl)
anios_ranking <- 2018:2021
data_comercio_exterior %>%
filter(anio %in% anios_ranking) -> data_ranking
data_ranking %>%
group_by(anio, iso_3) %>%
summarise(total = sum(valor_fob)) %>%
mutate(percent = round(prop.table(total) * 100, 2)) %>%
slice_max(n = 11, 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## `summarise()` has grouped output by 'anio'. You can override using the `.groups` argument.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 2018 MEX|2.44 6
## 7 2018 PAN|2.08 7
## 8 2018 DOM|1.65 8
## 9 2018 CHN|1.45 9
## 10 2018 ESP|0.82 10
## 11 2018 ITA|0.55 11
## 12 2019 USA|41.88 1
## 13 2019 GTM|15.95 2
## 14 2019 HND|15.91 3
## 15 2019 NIC|6.68 4
## 16 2019 CRI|4.5 5
## 17 2019 MEX|2.53 6
## 18 2019 PAN|2.05 7
## 19 2019 DOM|1.77 8
## 20 2019 CAN|1.08 9
## 21 2019 CHN|0.87 10
## 22 2019 ESP|0.83 11
## 23 2020 USA|39.18 1
## 24 2020 GTM|16.89 2
## 25 2020 HND|15.44 3
## 26 2020 NIC|7.26 4
## 27 2020 CRI|4.65 5
## 28 2020 MEX|2.46 6
## 29 2020 PAN|1.89 7
## 30 2020 DOM|1.78 8
## 31 2020 CHN|1.54 9
## 32 2020 KOR|1.21 10
## 33 2020 DEU|0.72 11
## 34 2021 USA|40.59 1
## 35 2021 GTM|16.98 2
## 36 2021 HND|15.82 3
## 37 2021 NIC|6.99 4
## 38 2021 CRI|4.04 5
## 39 2021 MEX|2.15 6
## 40 2021 KOR|1.98 7
## 41 2021 PAN|1.9 8
## 42 2021 DOM|1.6 9
## 43 2021 DEU|0.9 10
## 44 2021 TWN|0.73 11Tabla en formato “RAW”
library(tidyr)
insumo_reporte %>%
pivot_wider(names_from = rank, values_from = data) -> mi_tabla
print(mi_tabla)## # A tibble: 4 x 12
## anio `1` `2` `3` `4` `5` `6` `7` `8` `9` `10` `11`
## <dbl> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
## 1 2018 USA|44.07 HND|1~ GTM|1~ NIC|6~ CRI|~ MEX|~ PAN|~ DOM|~ CHN|~ ESP|~ ITA|~
## 2 2019 USA|41.88 GTM|1~ HND|1~ NIC|6~ CRI|~ MEX|~ PAN|~ DOM|~ CAN|~ CHN|~ ESP|~
## 3 2020 USA|39.18 GTM|1~ HND|1~ NIC|7~ CRI|~ MEX|~ PAN|~ DOM|~ CHN|~ KOR|~ DEU|~
## 4 2021 USA|40.59 GTM|1~ HND|1~ NIC|6~ CRI|~ MEX|~ KOR|~ PAN|~ DOM|~ DEU|~ TWN|~Tabla en Formato Requerido
library(kableExtra)
mi_tabla %>%
kable(caption = paste("Top K", "de Exportaciones periodo",
min(2018), "-", max(2021))) %>%
add_footnote(label = "Elaboración propia con base en datos del BCR", notation = "symbol") %>%
kable_material(html_font = "sans-serif") | anio | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 2018 | USA|44.07 | HND|15.34 | GTM|14.36 | NIC|6.87 | CRI|4.39 | MEX|2.44 | PAN|2.08 | DOM|1.65 | CHN|1.45 | ESP|0.82 | ITA|0.55 |
| 2019 | USA|41.88 | GTM|15.95 | HND|15.91 | NIC|6.68 | CRI|4.5 | MEX|2.53 | PAN|2.05 | DOM|1.77 | CAN|1.08 | CHN|0.87 | ESP|0.83 |
| 2020 | USA|39.18 | GTM|16.89 | HND|15.44 | NIC|7.26 | CRI|4.65 | MEX|2.46 | PAN|1.89 | DOM|1.78 | CHN|1.54 | KOR|1.21 | DEU|0.72 |
| 2021 | USA|40.59 | GTM|16.98 | HND|15.82 | NIC|6.99 | CRI|4.04 | MEX|2.15 | KOR|1.98 | PAN|1.9 | DOM|1.6 | DEU|0.9 | TWN|0.73 |
| * Elaboración propia con base en datos del BCR |