##Banco Mundial (wbstats)

##El Banco Mundial es una tremenda fuente de datos socioeconómicos globales; abarcando varias décadas y docenas de temas, tiene el potencial de arrojar luz sobre numerosos problemas globales. Para ayudar a brindar acceso a esta fuente de información, el propio Banco Mundial proporciona una API RESTful bien estructurada. El objetivo de la wbstats R-package es proporcionar un puente entre estas alternativas y permitir que los investigadores se centren en sus preguntas de investigación y no en la cuestión de acceder a los datos. El wbstats paquete R permite a los investigadores buscar y descargar rápidamente los datos de su interés particular de manera programática y reproducible; esto facilita una integración perfecta en su flujo de trabajo y permite que el análisis se vuelva a ejecutar rápidamente en diferentes áreas de interés y con acceso en tiempo real a los últimos datos disponibles.

##Características destacadas del WBSTATS paquete en R: ##• Utiliza la versión 2 de la API del Banco Mundial que brinda acceso a más indicadores y metadatos que la versión anterior de la API ##• Acceso a todos los datos anuales, trimestrales y mensuales disponibles en la API ##• Soporte para buscar y descargar datos en varios idiomas ##• Devuelve datos en formato ancho (predeterminado) o largo ##• Compatibilidad con consultas de valores más recientes

##a. Prepare un documento en Rmardown Mostrando ejemplos de acceso a la información, para cada una de las API señaladas. Explicando en cada caso la sintaxis de los comandos empleados.

#Paso 1. Instalar paquetes Como primer paso, instalamos los paquetes del Banco Mundial para así poder acceder a sus datos.

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

#Paso 2. Información de 1 país Obtuvimos la información de un solo país por medio del uso de una librería. Además, mostramos un resumen de la información obtenida.

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

#Paso 3. Imprimir head y tail Imprimimos los 6 primeros y últimos valores de la Base de Datos.

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

#Paso 4. Graficamos la información obtenida

#geom_point

library(ggplot2)

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

#geom_col

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

#geom_col y geom_point

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

#Paso 5. Información de varios países Obtuvimos la información de 3 países para compararlos.

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

#Paso 6. Gráfica de varios países Para poder comparar más visualmente, graficamos nuestros datos.

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

##Conclusiones R nos permite acceder a librerías de información enormes, tal como la del Banco Mundial. El tener claro que se tiene toda esta información es de mucha valía, más por todo el análisis que se puede hacer con toda esta información.