Explique ¿Qué son las estructuras de datos? (10%)

Explique ¿Cómo se clasifican las estructuras de datos en R? (20%)

Clasificación de Estructuras de Datos

Fuente: Elaboración propia

Represente gráficamente la instrucción anti_join(A,B), a través de un diagrama de Venn y explique su significado práctico. (20%)

#ejemplo del amti_join en R
library(dplyr)

library(readxl)
tab_1 <- read_excel("C:/Users/Usuario/Desktop/tab_1.xlsx")

#imprimiremos la tabla para ver su contenido
print(tab_1)

## # A tibble: 3 × 2
##   x1       x2
##   <chr> <dbl>
## 1 A         1
## 2 B         2
## 3 C         3

tab_2 <- read_excel("C:/Users/Usuario/Desktop/tab_2.xlsx")

#imprimiremos la tabla para ver su contenido
print(tab_2)

## # A tibble: 3 × 2
##   x1    x3   
##   <chr> <chr>
## 1 A     T    
## 2 B     F    
## 3 D     T

#usaremos el anti_join para que nos seleccione solo los datos que se encuentran en la tab_1 pero que no se encuentre en tab_2

anti_join(tab_1, tab_2, by = "x1")

## # A tibble: 1 × 2
##   x1       x2
##   <chr> <dbl>
## 1 C         3

Ejercicio 1 [10%]

library(dplyr)
totales_pais_anios <- function(codigo, periodo) {
  Exp_Imp_Total <- data_comercio_exterior %>%
    group_by(iso_3, anio) %>%
    summarise(Exp = sum(valor_fob) / 1e6,
              Imp = sum(valor_cif) / 1e6)
  
  Exp_Imp_Total %>% filter(iso_3 == codigo, anio %in% periodo)
}

Ejercicio 2 [10%]

tabla_HND <- totales_pais_anios("HND", 2017:2020)
colnames(tabla_HND) <- c("Pais", "anio", "Exp_HND", "Imp_HND")

tabla_HND %>% mutate(Exp_Netas_HND = Exp_HND - Imp_HND) -> tabla_HND

tabla_GTM <- totales_pais_anios("GTM", 2017:2020)
colnames(tabla_GTM) <- c("Pais", "anio", "Exp_GTM", "Imp_GTM")
tabla_GTM %>% mutate(Exp_Netas_GTM = Exp_GTM - Imp_GTM) -> tabla_GTM

tabla_HND %>% left_join(tabla_GTM, by = c("anio" = "anio")) -> mi_tabla

mi_tabla %>% select("anio",
                    "Exp_HND",
                    "Imp_HND",
                    "Exp_Netas_HND",
                    "Exp_GTM",
                    "Imp_GTM",
                    "Exp_Netas_GTM")

## # A tibble: 4 × 7
##    anio Exp_HND Imp_HND Exp_Netas_HND Exp_GTM Imp_GTM Exp_Netas_GTM
##   <dbl>   <dbl>   <dbl>         <dbl>   <dbl>   <dbl>         <dbl>
## 1  2017    797.    583.         214.     792.   1046.         -254.
## 2  2018    906.    754.         152.     848.   1170.         -322.
## 3  2019    946.    827.         119.     948.   1273.         -325.
## 4  2020    475.    412.          62.6    523.    774.         -251.

Ejercicio 3 [10%]

source(file = "C:/Users/Usuario/Desktop/REBE/METODOS MAE/COMERCIO EXTERIOR/R/funciones_comercio_exterior.R")

library(readr)
library(dplyr)
library(knitr)
library(kableExtra)
resultado_balassa = data.frame(
  "años" = 2017:2020,
  "IB_GTA" = sapply(
    X = 2017:2020,
    FUN = indicadores_Balassa_capitulo,
    codigo_pais = 320,
    capitulo = "01"
  ),
  "IB_HND" = sapply(
    X = 2017:2020,
    FUN = indicadores_Balassa_capitulo,
    codigo_pais = 340,
    capitulo = "01"
  )
)
resultado_balassa %>% head() %>%
  kable(
    caption = "**Índice de Balassa: Guatemala y Honduras para el periodo 2017-2020",
    col.names = c("Año", "IB_GTA", "IB_HND"),
    align = c("c", "c", "c"),
    digits = 2
  ) %>%
  kable_classic(html_font = "Times New Roman",
                font_size = 14) %>%
  row_spec(0, bold = T) %>%
  footnote(general_title = "**Fuente:**",
           general = "Elaboración propia con base en datos del BCR")

Ejercicio 4 [20%]

top_socios_comerciales <-
  function(anios_ranking = 2017:2020,
           numero_socios = 10,
           posiciones_decimales = 2,
           titulo_pie_tabla = "Fuente:",
           pie_tabla = "Elaboración para el Parcial 1 MAE118 2022") {
    #Filtro Años Requeridos
    data_comercio_exterior %>%
      filter(anio %in% anios_ranking) -> data_ranking
    
    #Cálculo de Porcentajes
    data_ranking %>%
      group_by(anio, iso_3) %>%
      summarise(total = sum(valor_fob)) %>%
      mutate(percent = round(prop.table(total) * 100, posiciones_decimales)) %>%
      slice_max(n = numero_socios, 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
    names(insumo_reporte) <- c("Año", "Data", "Rank")
    
    #Formato Tabla original
    library(tidyr)
    insumo_reporte %>%
      pivot_wider(names_from = Rank, values_from = Data) -> mi_tabla
    
    #Formato Tabla Final
    library(kableExtra)
    mi_tabla %>%
      kable(
        caption = paste(
          "Top",
          numero_socios,
          "de Exportaciones Periodo",
          min(anios_ranking),
          "-",
          max(anios_ranking),
          "."
        ),
        align = "c"
      ) %>%
      kable_classic(html_font = "Times New Roman",
                    font_size = 14) %>%
      column_spec(1, bold = T) %>%
      row_spec(0, bold = T, color = "black") %>%
      footnote(general_title = titulo_pie_tabla,
               general = pie_tabla)
  }

#Prueba con Valores por Default
top_socios_comerciales()