Instalar paquetes del Banco Mundial

#install.packages("WDI")
#install.packages("wbstats")
#install.packages("tidyverse")

Sacar información de 1 país

library(wbstats)

gdp_data <- wb_data(country = "MX", indicator = "NY.GDP.PCAP.CD", start_date = 1973, end_date = 2022)
summary(gdp_data)
##     iso2c              iso3c             country               date     
##  Length:49          Length:49          Length:49          Min.   :1973  
##  Class :character   Class :character   Class :character   1st Qu.:1985  
##  Mode  :character   Mode  :character   Mode  :character   Median :1997  
##                                                           Mean   :1997  
##                                                           3rd Qu.:2009  
##                                                           Max.   :2021  
##  NY.GDP.PCAP.CD        unit            obs_status          footnote        
##  Min.   :  981.5   Length:49          Length:49          Length:49         
##  1st Qu.: 2569.2   Class :character   Class :character   Class :character  
##  Median : 5650.0   Mode  :character   Mode  :character   Mode  :character  
##  Mean   : 5751.7                                                           
##  3rd Qu.: 9068.3                                                           
##  Max.   :10928.9                                                           
##   last_updated       
##  Min.   :2022-09-16  
##  1st Qu.:2022-09-16  
##  Median :2022-09-16  
##  Mean   :2022-09-16  
##  3rd Qu.:2022-09-16  
##  Max.   :2022-09-16
head(gdp_data)
## # A tibble: 6 × 9
##   iso2c iso3c country  date NY.GDP.PCAP.CD unit  obs_status footnote last_upda…¹
##   <chr> <chr> <chr>   <dbl>          <dbl> <chr> <chr>      <chr>    <date>     
## 1 MX    MEX   Mexico   1973           981. <NA>  <NA>       <NA>     2022-09-16 
## 2 MX    MEX   Mexico   1974          1242. <NA>  <NA>       <NA>     2022-09-16 
## 3 MX    MEX   Mexico   1975          1476. <NA>  <NA>       <NA>     2022-09-16 
## 4 MX    MEX   Mexico   1976          1454. <NA>  <NA>       <NA>     2022-09-16 
## 5 MX    MEX   Mexico   1977          1301. <NA>  <NA>       <NA>     2022-09-16 
## 6 MX    MEX   Mexico   1978          1589. <NA>  <NA>       <NA>     2022-09-16 
## # … with abbreviated variable name ¹​last_updated
tail(gdp_data)
## # A tibble: 6 × 9
##   iso2c iso3c country  date NY.GDP.PCAP.CD unit  obs_status footnote last_upda…¹
##   <chr> <chr> <chr>   <dbl>          <dbl> <chr> <chr>      <chr>    <date>     
## 1 MX    MEX   Mexico   2016          8745. <NA>  <NA>       <NA>     2022-09-16 
## 2 MX    MEX   Mexico   2017          9288. <NA>  <NA>       <NA>     2022-09-16 
## 3 MX    MEX   Mexico   2018          9687. <NA>  <NA>       <NA>     2022-09-16 
## 4 MX    MEX   Mexico   2019          9950. <NA>  <NA>       <NA>     2022-09-16 
## 5 MX    MEX   Mexico   2020          8432. <NA>  <NA>       <NA>     2022-09-16 
## 6 MX    MEX   Mexico   2021          9926. <NA>  <NA>       <NA>     2022-09-16 
## # … with abbreviated variable name ¹​last_updated
library(ggplot2)

ggplot(gdp_data, aes(x = date, y = NY.GDP.PCAP.CD)) + geom_point()

ggplot(gdp_data, aes(x = date, y = NY.GDP.PCAP.CD)) + geom_col()

ggplot(gdp_data, aes(x = date, y = NY.GDP.PCAP.CD)) + geom_col(fill ="red") + geom_point(color = "blue")

Sacar información de varios países

more_gdp_data<- wb_data(country = c("NG", "HT", "KE"),indicator = "NY.GDP.PCAP.CD", start_date = 1981, end_date = 2015)

ggplot(more_gdp_data, aes(x = date, y = NY.GDP.PCAP.CD, color= country, shape = country)) + geom_point()

Conclusión y Aprendizaje

En este trabajo, la librería más importante a descargar es la de WDI puesto a que es la principal para definir los datos que buscamos recopilar para después analizarlos y compararlos.

Según lo aprendido en clase, es relativamente sencillo el utilizar esta librería pero definitivamente se necesita acceso a las redes Wifi o de datos para que pueda compilar de manera satisfactoría el código y se pueda descargar la librería correspondiente para la generación de datos del Banco Mundial.

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