WBI

Instalar paquetes

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

Llamar la librería y conectar con los datos que queremos obtener

#library(wbstats)

#gdp_data <- wb_data(country="MX", indicator= "NY.GDP.PCAP.CD" , start_date = 1973, end_date = 2022)
#summary(gdp_data)

#head(gdp_data)

#tail(gdp_data)

Realizar grafica GGPLOT

#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")

Información de varios países

#more_gdp_data <- wb_data(country=c("NG" , "HT" , "KE"), )

Conclusión

Obtuvimos información del banco mundial en este ejercicio de R. Para poder realizar esta actividad fue necesario descargar varias paqueterías y posteriormente llamara a las librerías. Todos esto con la finalidad de extraer datos de México indicando la fecha en un determinado tiempo, por ejemplo de 10 años o hasta 50 años, indicando la fecha completa. En este caso lo realizamos para obtener el GDP y obtuvimos que para el 2010 obtuvo un mayor incremento de GDP, también al utilizar la función no solamente podíamos obtener de México sino de otros países del mundo.

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