-
Notifications
You must be signed in to change notification settings - Fork 0
/
inflacion.py
543 lines (417 loc) · 24.4 KB
/
inflacion.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
# -----------------------------------------------Librerias------------------------------------------------
import streamlit as st
import pandas as pd
import folium
from streamlit_folium import st_folium
import geopandas as gpd
import plotly.express as px
from PIL import Image
import plotly.graph_objects as go
# --------------------------------------------Titulos----------------------------------------------------
APP_title = "INFLACIÓN ARGENTINA"
APP_sub_title = "origen: datos.gob.ar"
st.set_page_config(APP_title)
st.title(APP_title)
st.caption(APP_sub_title)
#Imagen
st.image("https://img.freepik.com/vector-premium/bandera-acuarela-argentina-ilustracion-trazo-pincel_97886-10157.jpg", width=800)
# ---------------------------------------Load DATA------------------------------------------------------
mundial= pd.read_csv(r"mundial.csv")
geomund = gpd.read_file(r"countries.geojson")
inflacion = pd.read_csv(r"indice-precios-al-consumidor-nivel-general-base-diciembre-2016-mensual.csv")
salarios = pd.read_csv(r"salarios.csv")
tipo_de_cambio = pd.read_csv(r"tipo_de_cambio.csv")
balanza_comercial = pd.read_excel(r"balanmensual.xls")
balanza_pagos = pd.read_csv(r"balanza_pagos.csv")
ipc = pd.read_csv(r"IPC2.csv",sep=",")
# Creamos las pestañas que dividen nuestra app
tabs = st.tabs(['ARG y el mundo','Argentina',"Variables influyentes", "Serie temporal"])
#------------------------------------------------------------------------Primer PESTAÑA: Arg y el mundo---------------------------------------------------------------------
tab_plots = tabs[0]
with tab_plots:
st.write("""En este análisis vamos a tomar los datos a partir del 2016,
y ver la relación entre algunas variables importantes y la inflación.""")
st.markdown("""La inflación es el aumento generalizado del nivel de precios de una economía,
medida como la variación porcentual de dichos precios.""")
def mapa_mundial(df,fecha):
fig = px.choropleth(
df, geojson=geomund, color=fecha,
featureidkey="properties.ISO_A3", locations='Country Code',
color_continuous_scale="Viridis",
# range_color=(0,200),
labels={fecha:"Inflacion anual(en %)", "Country Code":""},
hover_name = 'Country Name',
width=700,
height=450,
)
return fig
col=mundial.columns[5:]
fecha = st.selectbox(
'Selecciona el año a visualizar',
col,
len(col)-1
)
st.plotly_chart(mapa_mundial(mundial,fecha))
st.write("2022")
image = Image.open('Imagenes/Arg_y_el_mundo_top.jpg')
st.image(image, caption='Fuente : https://datosmacro.expansion.com/')
#-------------------------------------------------------------------------------SEGUNDA PESTAÑA: Argentina------------------------------------------------------------------------------------
tab_plots = tabs[1]
with tab_plots:
# Colocamos el grafico de la evolucion de la inflacion
fig = px.line(inflacion, x="indice_tiempo", y=inflacion["ipc_ng_nacional"]-100, markers=True, title='Evolucion de la inflación en Argentina (Base dic 2016)',
labels={"indice_tiempo":"","y":"Inflación"}, template="plotly_dark")
annotations = []
# Source
annotations.append(dict(xref='paper', yref='paper', x=0.5, y=-0.1,
xanchor='center', yanchor='top',
text='Fuente: datos.gob.ar',
font=dict(family='Arial',
size=12,
color='rgb(150,150,150)'),
showarrow=False))
fig.update_layout(annotations=annotations)
st.plotly_chart(fig)
st.write("""La inflación en Argentina ha evidenciado una tendencia ascendente a lo largo de los últimos veinte años,
llegando a niveles por encima del 90 % anual. En cambio, la gran mayoría de los países del mundo ha logrado mantener
tasas relativamente bajas y estables. Así, Argentina permaneció catorce de los últimos dieciséis años entre las diez
economías con mayor inflación y está a punto de unirse al pequeño club que enfrentó tasas superiores al 100 % en al
menos un año de la última década (Burkina Faso, Líbano, Sudán del Sur, Sudán del Norte, Venezuela y Zimbabue)""")
# Grafico de la inflacion mes a mes
fig2 = px.line(inflacion, x="indice_tiempo", y=inflacion["ipc_ng_nacional_tasa_variacion_mensual"]*100, title='Inflación mensual en %',
markers=True,
labels={"indice_tiempo":"","ipc_ng_nacional_tasa_variacion_mensual":"Inflación var mensual"},
template="plotly_dark")
annotations = []
# Source
annotations.append(dict(xref='paper', yref='paper', x=0.5, y=-0.1,
xanchor='center', yanchor='top',
text='Fuente: datos.gob.ar',
font=dict(family='Arial',
size=12,
color='rgb(150,150,150)'),
showarrow=False))
fig2.update_layout(annotations=annotations)
st.plotly_chart(fig2)
st.write("""En este caso podemos ver como la inflación mensual en argentina fue aumentando poco a poco
llegando a extremos en los cuales se tiene una inflación mensual igual a la que tiene otro país en un año""")
st.markdown("---")
st.write("""En el siguiente grafico pueden ver la inflación de las diferentes regiones de Argentina en diferentes años""")
# Colocamos la tabla
def tabla(df,fecha):
df=df.round(2)
df=df[["Regiones",fecha]].transpose()
st.write("Inflacion Anual")
st.write(df)
def display_map(df,fecha):
html = open("Imagenes/map.html","r",encoding="utf-8").read()
st.components.v1.html(html,width=700, height=450)
# map = folium.Map(location=[-36.375962, -65.287933], zoom_start = 3 )
# choropleth = folium.Choropleth(
# geo_data=gpd.read_file(r"RegionesArgentina.geojson"),
# data = df,
# columns = ("Regiones","2017","2018","2019","2020","2021","2022"),
# key_on= "feature.properties.index",
# line_opacity=0.8,
# highlight=True
# )
# choropleth.geojson.add_to(map)
# for feature in choropleth.geojson.data["features"]:
# Regiones = feature["properties"]["index"]
# feature["properties"]["IPC"] = "IPC acumulado: " + str(df.loc[df["Regiones"]==Regiones,fecha])
# choropleth.geojson.add_child(
# folium.features.GeoJsonTooltip(["index"], labels=False)
# )
# st_map = st_folium(map,width=700, height=450)
def main():
#Load DATA
geo = gpd.read_file(r"RegionesArgentina.geojson")
inflacionmap = pd.read_csv(r"inflacionTT.csv")
inflacionmes = pd.read_csv(r"inflacionnoac.csv")
a = inflacionmap.columns[1:]
fecha = st.selectbox("Año",a,len(a)-1)
# Funciones
tabla(inflacionmes,fecha)
display_map(inflacionmes,fecha)
if __name__ == "__main__":
main()
#-------------------------------------------------------------------------------TERCERA PESTAÑA:Variables influyentes ------------------------------------------------------------------------------------
tab_plots = tabs[2]
with tab_plots:
# --------------------------------------------------------Salarios-----------------------------------------------------
st.title("Salarios")
st.write("""Cuando suben los precios, sube la presión para que se incrementen los salarios, ya que los trabajadores
no desean perder poder adquisitivo. No obstante, muchas empresas no tienen capacidad para poder
afrontar una subida generalizada del salario de sus trabajadores, que determinaría una nueva subida de sus costes.
Entrando asi en un espiral precios-salarios que no para de crecer.""")
# Grafico 1 salarios
fig3 = px.line(salarios, x="indice_tiempo", y=salarios.columns[2:5], title='Evolución de los salarios', markers=True,
labels={"indice_tiempo":"","value":"Valores"}, template="plotly_dark")
annotations = []
# Source
annotations.append(dict(xref='paper', yref='paper', x=0.5, y=-0.1,
xanchor='center', yanchor='top',
text='Fuente: datos.gob.ar',
font=dict(family='Arial',
size=12,
color='rgb(150,150,150)'),
showarrow=False))
fig3.update_layout(annotations=annotations)
fig3.update_xaxes(
rangeslider_visible=True
)
st.plotly_chart(fig3)
# Grafico 2 salarios
fig4 = px.line(salarios, x="indice_tiempo", y=salarios.columns[5:8],
title='Evolución de los salarios(en porcentaje de aumento mensual)', markers=True,
labels={"indice_tiempo":"","value":"Valores"}, template="plotly_dark")
annotations = []
# Source
annotations.append(dict(xref='paper', yref='paper', x=0.5, y=-0.1,
xanchor='center', yanchor='top',
text='Fuente: datos.gob.ar',
font=dict(family='Arial',
size=12,
color='rgb(150,150,150)'),
showarrow=False))
fig4.update_layout(annotations=annotations)
fig4.update_xaxes(
rangeslider_visible=True
)
st.plotly_chart(fig4)
st.write("""Aquí podemos ver como el salario general sigue al salario registrado,
mientras el que más muestra picos diferenciados es el salario no registrado.""")
# Grafico salarios vs inflación
fig5 = px.histogram(salarios, x="indice_tiempo", y="Salarios general", histfunc="avg",
title="Comparación evolución salarios vs IPC",
template="plotly_dark",labels={"indice_tiempo":"","avg of Salarios general":"Valores"})
fig5.update_traces(xbins_size="M1", hovertemplate=None)
fig5.update_xaxes(showgrid=True)
fig5.update_layout(bargap=0.1)
fig5.add_trace(go.Scatter(x=salarios["indice_tiempo"], y=salarios["IPC general"], name="IPC"))
fig5.update_layout(hovermode="x unified")
annotations = []
# Source
annotations.append(dict(xref='paper', yref='paper', x=0.5, y=-0.1,
xanchor='center', yanchor='top',
text='Fuente: datos.gob.ar',
font=dict(family='Arial',
size=12,
color='rgb(150,150,150)'),
showarrow=False))
fig5.update_layout(annotations=annotations)
st.plotly_chart(fig5)
st.write("""En este grafico podemos ver como el aumento de salarios potencia el aumento de la inflación""")
# ---------------------------------------------------------------------Tipo de cambio real------------------------------------------
st.title("Tipo de cambio real")
st.write("""El tipo de cambio real entre las monedas de dos países es un indicador de los precios de una cesta
de bienes y servicios de un país con respecto a los de otro país.
Indica la relación a la que podemos intercambiar los bienes de un país por los de otro país.
""")
st.write("""Entre inflación y tipo de cambio existe una correspondencia inversa, es decir,
que un aumento en la inflación terminaría depreciando la moneda, pues el aumento en los
precios locales debe llevar un aumento en el tipo de cambio para mantener los precios reales
y alineados con los globales.""")
st.write("""Si a alguien le interesa profundizar en el tema puede leer este articulo
https://observatorio.unr.edu.ar/10-preguntas-para-entender-las-variaciones-del-tipo-de-cambio/""")
# Grafico de tipo de cambio vs IPC (Variacion )
fig6 = px.histogram(tipo_de_cambio, x="indice_tiempo", y="Tipo de cambio real multilateral(Var %)", title="Comparación evolución tipo de cambio vs IPC (Variacion)",
template="plotly_dark",labels={"indice_tiempo":""})
fig6.update_traces(xbins_size="M1", hovertemplate=None)
fig6.update_xaxes(showgrid=True)
fig6.update_layout(bargap=0.1)
fig6.add_trace(go.Scatter(x=tipo_de_cambio["indice_tiempo"], y=tipo_de_cambio["IPC general(Var %)"], name="IPC"))
fig6.update_layout(hovermode="x unified")
annotations = []
# Source
annotations.append(dict(xref='paper', yref='paper', x=0.5, y=-0.1,
xanchor='center', yanchor='top',
text='Fuente: datos.gob.ar',
font=dict(family='Arial',
size=12,
color='rgb(150,150,150)'),
showarrow=False))
fig.update_layout(annotations=annotations)
st.plotly_chart(fig6)
# ----------------------------------------------------------Balanza comercial-------------------------------------------------------------------
st.title("Balanza comercial")
st.write("""La balanza comercial es un indicador que mide la relación entre las exportaciones y las importaciones
de un país en un determinado periodo. La balanza comercial no incluye los servicios prestados a o desde
otros países ni tampoco los movimientos de capitales.""")
gr = balanza_comercial[["Mes","Total mensual exp","Total mensual imp"]]
#Grafico evolución de la balanza comercial
fig7 = px.line(gr, x="Mes", y=gr.columns[1:3],
title='Evolución de la balanza comercial(en millones de dolares)', markers=True,
labels={"Mes":"","value":"Valores","variable":""}, template="plotly_dark")
annotations = []
# Source
annotations.append(dict(xref='paper', yref='paper', x=0.5, y=-0.1,
xanchor='center', yanchor='top',
text='Fuente: Indec',
font=dict(family='Arial',
size=12,
color='rgb(150,150,150)'),
showarrow=False))
fig7.update_layout(annotations=annotations)
fig7.update_layout(hovermode="x unified")
newnames = {'Total mensual exp':'Exportación', 'Total mensual imp': 'Importación'}
fig7.for_each_trace(lambda t: t.update(name = newnames[t.name],
legendgroup = newnames[t.name],
hovertemplate = None)
)
st.plotly_chart(fig7)
# -------------------------------------------------------Balanza de pagos-------------------------------------------------
st.title("Balanza de pagos")
st.write("""La balanza de pagos comprende la cuenta corriente, la cuenta de capital y la cuenta financiera.""")
st.write("La cuenta corriente brinda información de:")
st.markdown("""
• El comercio de bienes y servicios, tanto exportaciones como importaciones.
• El ingreso primario, o los ingresos y egresos devengados provenientes de rentas (por ejemplo, cobros y pagos de intereses o remisión de utilidades).
• El ingreso secundario, o las transferencias corrientes (tales como las remesas).
Cuando la cuenta corriente arroja un resultado positivo se está en presencia de un superávit, mientras
que un saldo negativo constituye un déficit.
Por su parte, la cuenta de capital abarca las transferencias de capital (una donación de activos de
capital o las condonaciones o quitas de deuda, por ejemplo) y la adquisición o disposición de activos
no financieros no producidos.
Por último, la cuenta financiera comprende las transacciones de activos y pasivos financieros con
extranjeros (no residentes), distinguiendo el tipo funcional de inversión, es decir, inversión directa, de
cartera, derivados financieros, otra inversión y activos de reserva """)
# Grafico evolucion balanza de pagos
fig8 = px.histogram(balanza_pagos, x=balanza_pagos.columns[0], y='Capacidad/Necesidad de financiamiento',
title="Balanza de pagos",
template="plotly_dark",labels={"Unnamed: 0":"","Capacidad/Necesidad de financiamiento":"Valores"})
fig8.update_traces(xbins_size="M1", hovertemplate=None)
fig8.update_xaxes(showgrid=True)
fig8.update_layout(bargap=0.1)
annotations = []
# Source
annotations.append(dict(xref='paper', yref='paper', x=0.5, y=-0.1,
xanchor='center', yanchor='top',
text='Fuente: datos.gob.ar',
font=dict(family='Arial',
size=12,
color='rgb(150,150,150)'),
showarrow=False))
fig8.update_layout(annotations=annotations)
st.plotly_chart(fig8)
st.write("""La importancia de la balanza de pagos radica en que nos permite conocer si el país está en déficit o superávit.
Este último lo definimos cuando el saldo de la balanza es positivo, que significa que el estado obtuvo más
ingresos que egresos""")
# ------------------------------------------------------Serie temporal----------------------------------------------------
tab_plots = tabs[3]
with tab_plots:
st.title("ARIMA")
st.write("""En principio mostramos la distribución de la inflación a lo largo de los años""")
fig9= px.line(ipc, x="Periodo", y=' Nacional ',template="plotly_dark",
labels={"Periodo":""," Nacional ":"IPC"})
annotations = []
# Source
annotations.append(dict(xref='paper', yref='paper', x=0.5, y=-0.1,
xanchor='center', yanchor='top',
text='Fuente: INDEC',
font=dict(family='Arial',
size=12,
color='rgb(150,150,150)'),
showarrow=False))
fig9.update_layout(annotations=annotations)
st.plotly_chart(fig9)
st.write("Utilizamos la prueba de Dickey-Fuller aumentada (ADF) para chequear si la serie es estacionaria o no.")
st.write("""**¿Cuáles son nuestras hipótesis?**""")
st.markdown("$H_{0}$: tiene una raíz unitaria (serie no estacionaria).")
st.markdown("$H_{1}$: no tiene una raíz unitaria (serie estacionaria).")
st.code("""from statsmodels.tsa.stattools import adfuller
data = ipc.values
stat, p, lags, obs, crit, t = adfuller(data)
print('stat=%.3f, p=%.3f' % (stat, p))
if p > 0.05:
print('Probablemente no estacionaria')
else:
print('Probablemente estacionaria')""")
st.write("""**stat=-3.110, p=0.026
Probablemente estacionaria**""")
# image= Image.open('Imagenes/ad_fuller.png')
# st.image(image, width=800)
st.write("""Una vez que sabemos que la serie probablemente es estacionaria, aplicamos la siguiente función para ver
cuáles son los mejores hiperparametros del modelo ARIMA.""")
st.code("""# evaluate an ARIMA model for a given order (p,d,q)
def evaluate_arima_model(X, arima_order):
# prepare training dataset
train_size = int(len(X) * 0.66)
train, test = X[0:train_size], X[train_size:]
history = [x for x in train]
# make predictions
predictions = list()
for t in range(len(test)):
model = ARIMA(history, order=arima_order)
model_fit = model.fit()
yhat = model_fit.forecast()[0]
predictions.append(yhat)
history.append(test[t])
# calculate out of sample error
rmse = sqrt(mean_squared_error(test, predictions))
return rmse""")
st.code("""# evaluate combinations of p, d and q values for an ARIMA model
def evaluate_models(dataset, p_values, d_values, q_values):
dataset = dataset.astype('float32')
best_score, best_cfg = float("inf"), None
for p in p_values:
for d in d_values:
for q in q_values:
order = (p,d,q)
try:
rmse = evaluate_arima_model(dataset, order)
if rmse < best_score:
best_score, best_cfg = rmse, order
print('ARIMA%s RMSE=%.3f' % (order,rmse))
except:
continue
print('Best ARIMA%s RMSE=%.3f' % (best_cfg, best_score))""")
st.code("""# Evaluamos los parametros / evaluate parameters
p_values = [0, 1, 2, 4, 6, 8, 10]
d_values = range(0, 3)
q_values = range(0, 3)
warnings.filterwarnings("ignore")
evaluate_models(ipc.values, p_values, d_values, q_values)""")
image= Image.open('Imagenes/evaluate_parameters.png')
st.image(image)
st.write("Como vemos en la imagen anterior, los mejores hiperparametros son (8,1,1), por ende, vamos a utilizar esos.")
st.write("""Aplicamos ARIMA(8,1,1) y vemos su resultado""")
image= Image.open('Imagenes/arima.png')
st.image(image)
st.markdown("Con la siguiente grafica podemos ver lo siguiente:")
st.markdown("Arriba a la izquierda: los errores residuales parecen fluctuar alrededor de una media de cero y tienen una varianza uniforme.")
st.markdown("Arriba a la derecha: el gráfico de densidad sugiere una distribución normal con media cero.")
st.write("""Abajo a la izquierda: Todos los puntos deben estar perfectamente alineados con la línea roja.
Cualquier desviación significativa implicaría que la distribución está sesgada.""")
st.write("""Abajo a la derecha: El gráfico Correlogram, también conocido como ACF, muestra que los errores residuales no están auto correlacionados.
Cualquier auto correlación implicaría que existe algún patrón en los errores residuales que no se explican en el modelo.
Por lo tanto, deberá buscar más X (predictores) para el modelo.""")
image= Image.open('Imagenes/arimaa.png')
st.image(image)
st.write("En el siguiente grafico vemos la predicción vs la serie original, si bien se acerca, vemos que no es perfecto")
image= Image.open('Imagenes/arimab.png')
st.image(image)
st.write("""Para comprobar la calidad del ajuste del modelo entrenado a los datos de la serie temporal proporcionados,
podemos usar el método `predict` del modelo ARIMA entrenado para trazar los valores reales y pronosticados
uno encima del otro. Verifiquemos qué tan bien funciona la predicción:""")
image= Image.open('Imagenes/arimac.png')
st.image(image)
st.write("Test MAPE: 0.526")
st.write("""MAPE: Mean Absolute Percent Error (Media del Error Absoluto en Porcentaje) mide el promedio del error en porcentaje.""")
st.write("""52,6 % de MAPE que implica que el modelo tiene una precisión de alrededor del 47.4 % para predecir. No es un buen valor, pero seguimos con la prediccion final""")
st.write("""Por último, hacemos el pronóstico de 12 meses (1 año) con el modelo entrenado, obteniendo la siguiente gráfica:""")
image= Image.open('Imagenes/arimad.png')
st.image(image)
st.markdown("""Valores pronosticados por el modelo:""")
st.markdown("- Enero : 5.26825204")
st.markdown("- Febrero : 4.90362904")
st.markdown("- Marzo : 5.0569651")
st.markdown("- Abril : 4.81403047")
st.markdown("- Mayo : 4.96768265")
st.markdown("- Junio : 5.4474125")
st.markdown("- Julio : 5.46244198")
st.markdown("- Agosto : 5.37474489")
st.markdown("- Septiembre : 5.48295512")
st.markdown("- Octubre : 5.43303108")
st.markdown("- Noviembre : 5.44979314")
st.markdown("- Diciembre : 5.58631082")