Solucion Parcial 1 MAE118
Hazel Zuriel Menendez Ceron MC16036
2022-10-10
PARTE TEORICA
1. Explique ¿Qué son las estructuras de datos?
Son bases de datos que contienen datos de diferentes tipos. Cuando se tienen varios datos sean del mismo tipo o de diferente tipo y lo colocamos juntos se arma una estructura de datos dentro de R. Son formas de almacenar la información, para manipular, buscar e insertar datos de manera eficiente.
2. Explique como se clasifican las estructuras de datos
Las estructuras tienen diferentes características. Entre ellas, las que distinguen a una estructura de otra son su número de dimensiones y si son homogeneas o hereterogeneas.
| Dimensiones | Homogéneas | Heterogéneas |
|---|---|---|
| 1 | Vector | Listas |
| 2 | Matriz | Data Frame |
| n | Array |
Se caracterizan por ser de una dimensión (unidimensional), por ejemplo, una línea o fila con información, pero que contienen datos del mismo tipo (homogénea). Un vector se crea con la función “c”
vector01 <- c(1:5)
print(vector01)## [1] 1 2 3 4 5vector02 <- c("Manzana", "Pera", "Mango")
print(vector02)## [1] "Manzana" "Pera" "Mango"Es una estructura de datos de dos dimensiones (filas y columnas). Contiene solo un tipo de dato (homogéneas): numeric, logical, character
mi_matriz<- matrix(1:6, ncol = 2, nrow = 3)
print(mi_matriz)## [,1] [,2]
## [1,] 1 4
## [2,] 2 5
## [3,] 3 6mi_matriz02<-matrix(c("rojo", "verde", "naranja", "negro"), ncol = 2)
print(mi_matriz02)## [,1] [,2]
## [1,] "rojo" "naranja"
## [2,] "verde" "negro"Es la estructura de datos más importante y más usada dentro de R, ya que es una estructura de datos bidimensional que permite almacenar diferentes tipos de datos al mismo tiempo (heterogénea)
temp <- c(20.37, 18.56, 18.4, 21.96, 29.53, 28.16,
36.38, 36.62, 40.03, 27.59, 22.15, 19.85)
mes <- c("enero", "febrero", "marzo", "abril", "mayo", "junio",
"julio", "agosto", "septiembre", "octubre", "noviembre", "diciembre")
Clima <- data.frame(mes = mes, temperatura = temp)
print (Clima)## mes temperatura
## 1 enero 20.37
## 2 febrero 18.56
## 3 marzo 18.40
## 4 abril 21.96
## 5 mayo 29.53
## 6 junio 28.16
## 7 julio 36.38
## 8 agosto 36.62
## 9 septiembre 40.03
## 10 octubre 27.59
## 11 noviembre 22.15
## 12 diciembre 19.85Es una colección de datos de estructura de datos que pueden ser de diferentes tipos (heterogéneas). Se usan al momento de comprimir o guardar datos en algún lugar
mi_vector <- 1:10
mi_matriz <- matrix(1:4, nrow = 2)
mi_df <- data.frame("num" = 1:3, "let" = c("a", "b", "c"))
mi_lista <- list("un_vector" = mi_vector, "una_matriz" = mi_matriz, "un_df" = mi_df)
print (mi_lista)## $un_vector
## [1] 1 2 3 4 5 6 7 8 9 10
##
## $una_matriz
## [,1] [,2]
## [1,] 1 3
## [2,] 2 4
##
## $un_df
## num let
## 1 1 a
## 2 2 b
## 3 3 c3. Represente gráficamente la instrucción anti_join (A,B), a través de un diagrama de Venn y explique sus significado práctico
Al momento de realizar la union de dos o más estructuras de datos, la función de dplyr anti_join va a unir los datos de la tabla A más no los de la tabla B. Es decir, identifica o filtra aquellos datos que no se encuentran en el segundo data frame
Ejemplo anti_join
library(sqldf)
library(tidyverse)
library(gapminder)
PIBpercap <- gapminder %>%
filter(year == 2007) %>%
filter(country %in% c("Spain", "Peru", "India", "Australia", "Japan", "Canada")) %>%
select(country, continent, gdpPercap)
life_exp <- gapminder %>%
filter(year == 2007) %>%
filter(country %in% c("Spain", "Australia", "Singapore", "Canada", "Japan", "Mongolia", "Brazil")) %>%
select(country, continent, lifeExp)
anti_join(PIBpercap, life_exp)## # A tibble: 2 × 3
## country continent gdpPercap
## <fct> <fct> <dbl>
## 1 India Asia 2452.
## 2 Peru Americas 7409.PARTE PRÁCTICA
load("C:\\Users\\hazel\\Desktop\\CICLO II-2022\\METODOS\\UNIDAD I\\PARCIAL1\\data_comercio_exterior_2017_2022.RData")
nombre_archivo<-"C:\\Users\\hazel\\Desktop\\CICLO II-2022\\METODOS\\UNIDAD I\\nombres_iso_paises.xlsx"
nombres_iso_paises<- read_excel(nombre_archivo)
data_comercio_exterior_2017_2022 %>%
left_join(nombres_iso_paises,
by = c("pais" = "nom_pais_esp"))->data_comercio_exterior_2017_2022EJERCICIO 1:
Hacer una funcion que se llame totales_pais_anios que use como argumentos el codigo del pais iso de tres caracteres, para el elegir el socio comercial de el salvador y permita obtener las exportaciones y las importaciones para un periodo especifico.
totales_pais_anios<-function(iso_3, periodo){
data_comercio_exterior_2017_2022 %>%
filter(iso_3==!!iso_3, anio %in% periodo) %>%
group_by(anio) %>%
summarise("Exportaciones Totales"=sum(valor_fob)/1e6,
"Importaciones Totales"=sum(valor_cif)/1e6)
}# Probando función:
totales_pais_anios(iso_3 = "PAN", periodo = 2017:2019) %>%
kable(caption= "Probando función X e M",
digits= 1, align= "l") %>%
kable_styling(bootstrap_options = "striped", full_width = TRUE)| anio | Exportaciones Totales | Importaciones Totales |
|---|---|---|
| 2017 | 121.8 | 76.4 |
| 2018 | 122.5 | 62.6 |
| 2019 | 122.1 | 74.4 |
Ejercicio 2:
Usando la función creada en el ejercicio 1 y los comandos que sean necesarios, genere la siguiente tabla: PAN=panama, BLZ=Belice.
tabla_1 <- totales_pais_anios(iso_3 = "GTM", periodo = 2017:2019)
colnames(tabla_1) <- c("anio","Exportaciones_GTM", "Importaciones_GTM")
tabla_1 %>% mutate(Ratio_GTM=Importaciones_GTM/Exportaciones_GTM)->tabla_1
tabla_2<-totales_pais_anios("HND", 2017:2019)
colnames(tabla_2)<-c("anio", "Exportaciones_HND", "Importaciones_HND")
tabla_2 %>% mutate(Ratio_HND=Importaciones_HND/Exportaciones_HND)->tabla_2
tabla_1 %>% left_join(tabla_2, by= c("anio"="anio")) %>%
select("anio","Exportaciones_GTM", "Importaciones_GTM", "Ratio_GTM",
"Exportaciones_HND", "Importaciones_HND", "Ratio_HND") -> tabla_final
kable(tabla_final) %>% kable_styling()| anio | Exportaciones_GTM | Importaciones_GTM | Ratio_GTM | Exportaciones_HND | Importaciones_HND | Ratio_HND |
|---|---|---|---|---|---|---|
| 2017 | 792.2283 | 1045.856 | 1.320145 | 796.8583 | 583.3582 | 0.7320727 |
| 2018 | 847.9121 | 1169.597 | 1.379385 | 905.7280 | 753.9197 | 0.8323909 |
| 2019 | 948.2554 | 1273.099 | 1.342570 | 945.6884 | 826.9239 | 0.8744147 |
Ejercicio 3:
Obtenga los indicadores de Balassa, para el capitulo “01”, usando las funciones provistas en clase
source(file = "C:/Users/hazel/Desktop/CICLO II-2022/METODOS/UNIDAD I/PARCIAL1/funciones_comercio_exterior_2.R",echo = TRUE,max.deparse.length = 100,encoding = "utf-8")##
## > library(dplyr)
##
## > library(readxl)
##
## > library(stringr)
##
## > load("C:\\Users\\hazel\\Desktop\\CICLO II-2022\\METODOS\\UNIDAD I\\PARCIAL1\\data_comercio_exterio ..." ... [TRUNCATED]
##
## > nombre_archivo <- "C:\\Users\\hazel\\Desktop\\CICLO II-2022\\METODOS\\UNIDAD I\\nombres_iso_paises ..." ... [TRUNCATED]
##
## > nombres_iso_paises <- read_excel(nombre_archivo)
##
## > data_comercio_exterior_2017_2022 <- data_comercio_exterior_2017_2022 %>%
## + left_join(nombres_ .... [TRUNCATED]
##
## > herramientas_mostrar_paises <- function() {
## + paises <- nombres_iso_paises %>% select(nom_pais .... [TRUNCATED]
##
## > herramientas_mostrar_regiones <- function() {
## + nombres_iso_paises %>% group_by(region, cod_re .... [TRUNCATED]
##
## > herramientas_mostrar_paises_en_tabla <- function() {
## + data_comercio_exterior_2017_2022 %>% gr .... [TRUNCATED]
##
## > indicadores_IVCR_capitulo <- function(codigo_pais,
## + capitulo, anio) {
## + codigo_pais <- e .... [TRUNCATED]
##
## > indicadores_IVCR_partida <- function(codigo_pais,
## + partida, anio) {
## + codigo_pais <- enq .... [TRUNCATED]
##
## > indicadores_Balassa_capitulo <- function(codigo_pais,
## + capitulo, anio, normalizado = TRUE) { .... [TRUNCATED]
##
## > indicadores_Balassa_partida <- function(codigo_pais,
## + partida, anio, normalizado = TRUE) {
## + .... [TRUNCATED]
##
## > indicadores_IHH_Herfindahl_Hirschmann_anual_texto <- function(codigo_pais,
## + anio, normalizad .... [TRUNCATED]
##
## > indicadores_IHH_Herfindahl_Hirschmann_anual <- function(codigo_pais,
## + anio, normalizado = TR .... [TRUNCATED]capitulo<-"01"
data.frame("anios"=2017:2020,
"IB_GTM"=sapply(X=2017:2020,FUN = indicadores_Balassa_capitulo,codigo_pais=320,capitulo=capitulo),
"IB_HND"=sapply(X=2017:2020,FUN = indicadores_Balassa_capitulo,codigo_pais=340,capitulo=capitulo))%>%
kable(caption = "Indicador de Balassa de El Salvador con: Guatemala y Honduras, durante el periodo 2017-2020, para el capitulo “01” del SAC",
digits = 2,align = "l")%>%
kable_styling(bootstrap_options = "striped",
full_width = TRUE)%>%
add_footnote(label="Elaboración propia con base en datos del BCR",
notation="symbol") %>% kable_minimal()| anios | IB_GTM | IB_HND |
|---|---|---|
| 2017 | 0.91 | 0.19 |
| 2018 | 0.91 | 0.11 |
| 2019 | 0.90 | -0.01 |
| 2020 | 0.92 | 0.38 |
| * Elaboración propia con base en datos del BCR |
EJERCICIO 4:
Genera una función que obtenga un ranking anual de los “k” principales socios comerciales de El Salvador para el periodo anio_inicio-anio_final. Utilicela para generar el top 10 de socios comerciales para el periodo 2018-2020, la tabla deberá tener el pie de página “Elaborado para el parcial 1 MAE118 2022”
tabla_top_k<-function(df_comercio,
top_k=10,
anio_inicio, anio_final,
decimales=2,
pie_pagina= "Elaboración propia, con base en información del BCR"){
df_comercio %>%
filter(anio>=anio_inicio,anio<=anio_final) %>%
group_by(anio,iso_3) %>%
summarise(total=sum(valor_fob)) %>%
mutate(percent=round(prop.table(total)*100,decimales)) %>%
slice_max(n = top_k,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() %>% rename(`Año`=anio) %>%
pivot_wider(names_from = rank,values_from = data) %>% as.data.frame() %>%
kable(caption = paste("Top",top_k,"de Exportaciones periodo", min(anio_inicio),"-",max(anio_final))) %>%
add_footnote(label = pie_pagina)
}
tabla_top_k(df_comercio = data_comercio_exterior_2017_2022,
anio_inicio = 2018, anio_final = 2020,
top_k = 10,
decimales = 2,
pie_pagina = "Elaborado para el parcial 1 MAE118 2022")%>%
kable_styling(bootstrap_options = "striped", full_width = TRUE)## `summarise()` has grouped output by 'anio'. You can override using the
## `.groups` argument.| Año | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
|---|---|---|---|---|---|---|---|---|---|---|
| 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 |
| 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 |
| 2020 | NA|43.24 | GTM|16.87 | HND|15.45 | NIC|7.25 | CRI|4.63 | MEX|2.47 | PAN|1.87 | DOM|1.78 | DEU|0.72 | ITA|0.69 |
| a Elaborado para el parcial 1 MAE118 2022 |