项目作者: fmgarciadiaz

项目描述 :
Version CRAN del Paquete Portal Hacienda para acceder a la API del Ministerio de Hacienda
高级语言: R
项目地址: git://github.com/fmgarciadiaz/PortalHacienda-CRAN.git
创建时间: 2020-05-25T01:03:24Z
项目社区:https://github.com/fmgarciadiaz/PortalHacienda-CRAN

开源协议:

下载


CRAN
status
Lifecycle:
experimental
DOI
Downloads
R-CMD-check

" class="reference-link">PortalHacienda

Un paquete de interfase a la API del Portal de Datos del Ministerio de
Hacienda

  • Buscar series en la descripción de los meta-datos
  • Descargar las series directamente de la API del Portal
  • Extender y proyectar rápidamente series descargadas (funcionalidad
    muy básica)

Instalación

Para instalar el paquete desde CRAN con:

  1. install.packages("PortalHacienda")

Instalar versión de desarrollo:

  1. # install.packages("devtools")
  2. devtools::install_github("fmgarciadiaz/PortalHacienda-CRAN")

Nota: Debe instalarse previamente el paquete devtools para
permitir la descarga desde github.

Ejemplo

Búsqueda de series en la base de meta-datos online con Search_online.

  1. # Cargar el paquete
  2. library(PortalHacienda)
  3. #> =============================================================================
  4. #> Acceso API Portal Datos Hacienda - v 0.1.7 - 06-2023 por F.García Díaz
  5. # Buscar series relacionadas con el tipo de cambio
  6. Series_TCN <- Search_online("tipo de cambio")
  7. #> Downloading time-series database...
  8. #> | | | 0% | | | 1% | |= | 1% | |= | 2% | |== | 2% | |== | 3% | |== | 4% | |=== | 4% | |==== | 5% | |==== | 6% | |===== | 6% | |===== | 7% | |===== | 8% | |====== | 8% | |====== | 9% | |======= | 9% | |======= | 10% | |======= | 11% | |======== | 11% | |======== | 12% | |========= | 12% | |========= | 13% | |========= | 14% | |========== | 14% | |========== | 15% | |=========== | 15% | |=========== | 16% | |============ | 16% | |============ | 17% | |============ | 18% | |============= | 18% | |============= | 19% | |============== | 19% | |============== | 20% | |============== | 21% | |=============== | 21% | |=============== | 22% | |================ | 22% | |================ | 23% | |================= | 24% | |================= | 25% | |================== | 25% | |================== | 26% | |=================== | 27% | |=================== | 28% | |==================== | 28% | |==================== | 29% | |===================== | 29% | |===================== | 30% | |===================== | 31% | |====================== | 31% | |====================== | 32% | |======================= | 32% | |======================= | 33% | |======================== | 34% | |======================== | 35% | |========================= | 35% | |========================= | 36% | |========================== | 36% | |========================== | 37% | |========================== | 38% | |=========================== | 38% | |=========================== | 39% | |============================ | 39% | |============================ | 40% | |============================ | 41% | |============================= | 41% | |============================= | 42% | |============================== | 42% | |============================== | 43% | |=============================== | 44% | |=============================== | 45% | |================================ | 45% | |================================ | 46% | |================================= | 46% | |================================= | 47% | |================================= | 48% | |================================== | 48% | |================================== | 49% | |=================================== | 49% | |=================================== | 50% | |=================================== | 51% | |==================================== | 51% | |====================================== | 55% | |======================================= | 55% | |======================================= | 56% | |======================================== | 57% | |======================================== | 58% | |========================================= | 58% | |========================================= | 59% | |========================================== | 59% | |========================================== | 60% | |========================================== | 61% | |=========================================== | 61% | |=========================================== | 62% | |============================================ | 62% | |============================================ | 63% | |============================================= | 64% | |============================================= | 65% | |============================================== | 65% | |============================================== | 66% | |=============================================== | 67% | |=============================================== | 68% | |================================================ | 68% | |================================================ | 69% | |================================================= | 69% | |================================================= | 70% | |================================================= | 71% | |================================================== | 71% | |================================================== | 72% | |=================================================== | 72% | |=================================================== | 73% | |==================================================== | 74% | |==================================================== | 75% | |===================================================== | 75% | |===================================================== | 76% | |====================================================== | 77% | |====================================================== | 78% | |======================================================= | 78% | |======================================================= | 79% | |======================================================== | 79% | |======================================================== | 80% | |======================================================== | 81% | |========================================================= | 81% | |========================================================= | 82% | |========================================================== | 82% | |========================================================== | 83% | |========================================================== | 84% | |=========================================================== | 84% | |=========================================================== | 85% | |============================================================ | 85% | |============================================================ | 86% | |============================================================= | 87% | |============================================================= | 88% | |============================================================== | 88% | |============================================================== | 89% | |=============================================================== | 89% | |=============================================================== | 90% | |=============================================================== | 91% | |================================================================ | 91% | |================================================================ | 92% | |================================================================= | 92% | |================================================================= | 93% | |================================================================== | 94% | |================================================================== | 95% | |=================================================================== | 95% | |=================================================================== | 96% | |==================================================================== | 97% | |==================================================================== | 98% | |===================================================================== | 98% | |===================================================================== | 99% | |======================================================================| 99% | |======================================================================| 100%
  9. # Borrar la columna de links que devuelve la búsqueda y un par más
  10. Series_TCN$distribucion_url_descarga <- NULL
  11. Series_TCN$dataset_id <- NULL
  12. Series_TCN$dataset_descripcion <- NULL
  13. # mostrar prieras tres líneas de la tabla
  14. kableExtra::kable_styling(knitr::kable(head(Series_TCN,3) ,"html"),
  15. font_size = 6,
  16. bootstrap_options = c("striped", "hover", "condensed", "responsive"),fixed_thead = T)


































































































catalogo_id

distribucion_id

serie_id

indice_tiempo_frecuencia

serie_titulo

serie_unidades

serie_descripcion

distribucion_titulo

distribucion_descripcion

dataset_responsable

dataset_fuente

dataset_titulo

dataset_tema

serie_indice_inicio

serie_indice_final

serie_valores_cant

serie_dias_no_cubiertos

serie_actualizada

serie_valor_ultimo

serie_valor_anterior

serie_var_pct_anterior

siep

1.1

tcrse_2weZeH

R/P1M

tcrse_alimentos

Índice - Base Noviembre 2015=100

Índice de Tipo de Cambio Real Sectorial Efectivo. Producción y
procesamiento de alimentos

Índice de Tipo de Cambio Real Sectorial Efectivo (series)

Índice de Tipo de Cambio Real Sectorial Efectivo en formato de series de
tiempo

Ministerio de Producción. Secretaría de Transformación Productiva.
Subsecretaría de Desarrollo y Planeamiento Productivo.

Ministerio de Producción. Secretaría de la Transformación Productiva.
Subsecretaría de Desarrollo y Planeamiento Productivo.

Índice de Tipo de Cambio Real Sectorial Efectivo

Sector Externo

2014-01-01

2018-07-01

55

51

TRUE

156.4

155.6

0.0051414

siep

1.1

tcrse_49xDd3

R/P1M

tcrse_impresion

Índice - Base Noviembre 2015=100

Índice de Tipo de Cambio Real Sectorial Efectivo. Actividades de
impresión

Índice de Tipo de Cambio Real Sectorial Efectivo (series)

Índice de Tipo de Cambio Real Sectorial Efectivo en formato de series de
tiempo

Ministerio de Producción. Secretaría de Transformación Productiva.
Subsecretaría de Desarrollo y Planeamiento Productivo.

Ministerio de Producción. Secretaría de la Transformación Productiva.
Subsecretaría de Desarrollo y Planeamiento Productivo.

Índice de Tipo de Cambio Real Sectorial Efectivo

Sector Externo

2014-01-01

2018-07-01

55

51

TRUE

155.9

155.7

0.0012845

siep

1.1

tcrse_4sgTaJ

R/P1M

tcrse_cuero

Índice - Base Noviembre 2015=100

Índice de Tipo de Cambio Real Sectorial Efectivo. Productos del cuero

Índice de Tipo de Cambio Real Sectorial Efectivo (series)

Índice de Tipo de Cambio Real Sectorial Efectivo en formato de series de
tiempo

Ministerio de Producción. Secretaría de Transformación Productiva.
Subsecretaría de Desarrollo y Planeamiento Productivo.

Ministerio de Producción. Secretaría de la Transformación Productiva.
Subsecretaría de Desarrollo y Planeamiento Productivo.

Índice de Tipo de Cambio Real Sectorial Efectivo

Sector Externo

2014-01-01

2018-07-01

55

51

TRUE

151.7

151.0

0.0046358

Bajar serie de tipo de cambio con Get y extender 12 períodos con
Forecast (usa modelo auto-detectado del paquete forecast y
extiende según la frecuencia detectada, días, meses o años). Luego hacer
un plot sencillo.

  1. TCN <- Forecast(Get("174.1_T_DE_CATES_0_0_32" , start_date = 2000), 12)
  2. #> Downloading data series...
  3. #> Loaded 279 data points, from 2000-01-01 to 2023-03-01. Periodicity: monthly
  4. #> Registered S3 method overwritten by 'quantmod':
  5. #> method from
  6. #> as.zoo.data.frame zoo
  7. #> Warning in .check_tzones(e1, e2): 'tzone' attributes are inconsistent
  8. #> Time-series extended 12 data points, using auto-detected model: ARIMA(0,2,3)(0,0,1)[12]
  9. # Mostrar resultado
  10. plot(TCN , main = "Tipo de Cambio Nominal ($/USD)")

También se pueden obtener varias series al mismo tiempo, separando con
comas…

  1. plot(Get("6.2_AGCS_2004_T_39,6.2_IM_2004_T_23,6.2_C_2004_T_12") , legend.loc = "topleft" , main = "VAB sectorial ($ de 2004)")
  2. #> Downloading data series...
  3. #> Loaded 228 data points, from 2004-01-01 to 2022-10-01. Periodicity: quarterly

En caso de cargar varias series y desear proyecciones automáticas,
utilizar la variante vectorial de Forecast, que es vForecast:

  1. TCN <- vForecast(Get("120.1_PCE_1993_0_24,120.1_ED1_1993_0_26"),12)
  2. #> Downloading data series...
  3. #> Loaded 70 data points, from 1986-01-01 to 2020-01-01. Periodicity: yearly
  4. #> Warning in .check_tzones(e1, e2): 'tzone' attributes are inconsistent
  5. #> Time-series extended 12 data points, using auto-detected models

Nota:

Las series se cargan en formato XTS, con la periodicidad auto-detectada
por el paquete xts. La periocidiad es usada por la función Forecast
para correcta detección de estacionalidad y lags. Forecast agrega
demás intervalos de confianza del 95%.

Cómo citar

Fernando García Díaz. (2020, June 14).
fmgarciadiaz/PortalHacienda-CRAN.
https://doi.org/10.5281/zenodo.3893947

Estado del Proyecto

  • Aprobado en CRAN!
  • Funcionalidad básica
  • Captura de errores - conexión de internet, errores devueltos por
    la API, timeout, etc.
  • Mejorar la documentación
  • Mejora de la función Search_online (i.e. evitar una descarga por
    búsqueda)