CV19001_P1_
WENDY MARISOL CABEZAS VENTURA
2022-10-08
Parte 1-Teoría
Pregunta 1
Explique ¿Qué son las estructuras de datos?
Las estructuras de datos son objetos que contienen datos. Cuando trabajamos con R, lo que estamos haciendo es manipular estas estructuras. Con estas estructuras podemos manejar una enorme cantidad de datos sobre el tema de investigación de nuestro interés.
Pregunta 2
Explique ¿Cómo se clasifican las estructuras de datos en R?
Las estructuras de datos se pueden clasificar segun su número de dimensiones y si son homogeneas o hereterogeneas.
- Homogeneas: estructura de datos que solo almacena un solo tipo de datos (character, numeric, logical, etc.)
- Heterogeneas: estructura de datos que puede almacenar varios tipos de datos (character, numeric, logical, etc.)
Pregunta 3
Representa gráficamente la instrucción anti_join(X,Y) a través de un diagrama de Venn y explique su significado
El anti_join(X,Y) representara todos los elementos que pertenecen al conjunto X pero que no se encuentran en el conjunto Y. En palabras más sencillas, se muestran todos los datos que pertenecen a X, excluyendo totalmente los elementos que pertenecen a Y
Parte 2-Práctica
#Carga de la base de datos proporcionada en clase:
load("C:/Users/Wendy/Downloads/Wendy Marisol Cabezas Ventura - data_parcial_1_2021.RData")
library(dplyr)
data_comercio_exterior <- data_comercio_exterior %>% left_join(nombres_iso_paises,by=c("pais"="nom_pais_esp"))Ejercicio 1
Elabore una funcion que se llame totales_pais_anios, que use como argumentos el codigo de pais iso de tres caracteres, para elegir el socio comercial de El Salvador, y permita obtener las exportaciones y las importaciones para un periodo especifico.
library(dplyr)
totales_pais_anios<-function(codigo,periodo){
total_Expo_Impo<-data_comercio_exterior %>%
group_by(iso_3,anio)%>%summarise(`Total Exportaciones MM US$`=sum(valor_fob)/1e6,
`Total Importaciones MM US$`=sum(valor_cif)/1e6)
total_Expo_Impo %>% filter(iso_3==codigo,anio %in% periodo)
}Ejercicio 2
Usando la funcion creada en el ejercicio 1 y los comandos que sean necesarios, genere la siguiente tabla:(nota ratio es el cociente entre importaciones y Exportaciones) GTM=Guatemala, HND=Honduras.
library(kableExtra)
library(dplyr)
datos_GTM<-totales_pais_anios("GTM", 2017:2020)
colnames(datos_GTM)<-c("Pais", "anio", "Exportaciones_GTM", "Importaciones_GTM")
datos_GTM <- datos_GTM %>% mutate(Ratio_GTM=Importaciones_GTM/Exportaciones_GTM)
datos_HND<-totales_pais_anios("HND",2017:2020)
colnames(datos_HND)<-c("Pais", "anio", "Exportaciones_HND", "Importaciones_HND")
datos_HND <- datos_HND %>% mutate(Ratio_HND=Importaciones_HND/Exportaciones_HND)
datos_HND %>% left_join(datos_GTM, by= c("anio"="anio")) ->tabla_GTM_HND
tabla_GTM_HND %>% select("anio","Exportaciones_HND", "Importaciones_HND","Ratio_HND","Exportaciones_GTM", "Importaciones_GTM","Ratio_GTM")->tabla_GTM_HND
tabla_GTM_HND %>% kable(caption = paste("Exportaciones, Importaciones y Ratio de El Salvador con Guatemala y Honduras, en Millones de Dólares de US")) %>% kable_classic(html_font = "Times New Roman",
font_size = 14) %>%
row_spec(0, bold = T, color = "black") %>%
footnote(general_title = "**Fuente**:",
general = "Elaboración propia, con base en información del BCR") | anio | Exportaciones_HND | Importaciones_HND | Ratio_HND | Exportaciones_GTM | Importaciones_GTM | Ratio_GTM |
|---|---|---|---|---|---|---|
| 2017 | 796.8583 | 583.3582 | 0.7320727 | 792.2283 | 1045.8558 | 1.320145 |
| 2018 | 905.7280 | 753.9197 | 0.8323909 | 847.9121 | 1169.5972 | 1.379385 |
| 2019 | 945.6884 | 826.9239 | 0.8744147 | 948.2554 | 1273.0989 | 1.342570 |
| 2020 | 474.6502 | 412.0073 | 0.8680229 | 523.3755 | 774.0205 | 1.478901 |
| Fuente: | ||||||
| Elaboración propia, con base en información del BCR |
Ejercicio 3
Obtenga los indicadores de Balassa, para el capitulo “01”, usando las funciones provistas en clase
#Cargando funciones
source(
file = "C:/Users/Wendy/Downloads/funciones_comercio_exterior.R",
echo = TRUE,
max.deparse.length = 100,
encoding = "utf-8"
)##
## > options(scipen = 999)
##
## > library(dplyr)
##
## > library(readxl)
##
## > library(stringr)
##
## > load("C:/Users/Wendy/Downloads/Wendy Marisol Cabezas Ventura - data_parcial_1_2021.RData")
##
## > nombres_iso_paises <- nombres_iso_paises
##
## > data_comercio_exterior <- data_comercio_exterior %>%
## + left_join(nombres_iso_paises, by = c(p .... [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 %>% group_by(pai .... [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]#Obteniendo el indicador
library(readr)
library(dplyr)
library(knitr)
library(kableExtra)
resultado_balassa = data.frame("años"=2017:2020,
"IB_GTM"= 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_GTM", "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")| Año | IB_GTM | IB_HND |
|---|---|---|
| 2017 | 0.86 | -0.04 |
| 2018 | 0.86 | -0.13 |
| 2019 | 0.84 | -0.24 |
| 2020 | 0.92 | 0.41 |
| Fuente: | ||
| Elaboración propia con base en datos del BCR |
Ejercicio 4
Genera una funcion que obtengan un ranking, anual, de los “k” princpiales socios comerciales de El Salvador, para el periodo año inicio-año final. presente sus resultados con el formato brindado:
options(scipen=999)
library(dplyr)
library(tidyr)
library(kableExtra)
Ranking_socios_comerciales_ES<- function(k,anios){
anios_ranking<-anios
data_comercio_exterior%>%
filter(anio %in% anios_ranking )-> data_ranking
data_ranking %>%
group_by(anio, iso_3) %>%
summarise(Total_Exportaciones= sum(valor_fob)) %>%
mutate(porcentaje=
round(prop.table(Total_Exportaciones)*100,2)) %>%
slice_max(n=k, order_by = Total_Exportaciones) %>%
as.data.frame() %>%
group_by(anio) %>%
mutate(rank=row_number(),data=paste(iso_3,"|",porcentaje, sep ="")) %>%
select(anio,data,rank) %>%
as.data.frame()->Exportaciones
Exportaciones %>%
pivot_wider(names_from = rank,
values_from = data)->mi_tabla
mi_tabla %>% kable(caption = paste("TOP",k,"Socios Comerciales,", "periodo", min(anios_ranking),"-",max(anios_ranking),"datos en porcentaje de las exportaciones totales")) %>% kable_classic(html_font = "Times New Roman",
font_size = 14) %>%
row_spec(0, bold = T, color = "black") %>%
footnote(general_title = "**Fuente**:",
general = "Elaboración propia, con base en información del BCR")
}
#Aplicación
Ranking_socios_comerciales_ES(10,2018:2020)| anio | 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 | USA|36.8 | GTM|16.92 | HND|15.34 | NIC|7.52 | CRI|5.08 | MEX|2.42 | PAN|1.97 | DOM|1.81 | KOR|1.61 | CHN|1.6 |
| Fuente: | ||||||||||
| Elaboración propia, con base en información del BCR |