Nothing
README.md
In PortalHacienda: Acceder Con R a Los Datos Del Portal De Hacienda
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:
install.packages("PortalHacienda")
Instalar versión de desarrollo:
# install.packages("devtools")
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.
# Cargar el paquete
library(PortalHacienda)
#> =============================================================================
#> Acceso API Portal Datos Hacienda - v 0.1.7 - 06-2023 por F.García Díaz
# Buscar series relacionadas con el tipo de cambio
Series_TCN <- Search_online("tipo de cambio")
#> Downloading time-series database...
#> | | | 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%
# Borrar la columna de links que devuelve la búsqueda y un par más
Series_TCN$distribucion_url_descarga <- NULL
Series_TCN$dataset_id <- NULL
Series_TCN$dataset_descripcion <- NULL
# mostrar prieras tres líneas de la tabla
kableExtra::kable_styling(knitr::kable(head(Series_TCN,3) ,"html"),
font_size = 6,
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.
TCN <- Forecast(Get("174.1_T_DE_CATES_0_0_32" , start_date = 2000), 12)
#> Downloading data series...
#> Loaded 279 data points, from 2000-01-01 to 2023-03-01. Periodicity: monthly
#> Registered S3 method overwritten by 'quantmod':
#> method from
#> as.zoo.data.frame zoo
#> Warning in .check_tzones(e1, e2): 'tzone' attributes are inconsistent
#> Time-series extended 12 data points, using auto-detected model: ARIMA(0,2,3)(0,0,1)[12]
# Mostrar resultado
plot(TCN , main = "Tipo de Cambio Nominal ($/USD)")
También se pueden obtener varias series al mismo tiempo, separando con
comas…
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)")
#> Downloading data series...
#> 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:
TCN <- vForecast(Get("120.1_PCE_1993_0_24,120.1_ED1_1993_0_26"),12)
#> Downloading data series...
#> Loaded 70 data points, from 1986-01-01 to 2020-01-01. Periodicity: yearly
#> Warning in .check_tzones(e1, e2): 'tzone' attributes are inconsistent
#> 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
- [x] Aprobado en CRAN!
- [x] Funcionalidad básica
- [x] Captura de errores - conexión de internet, errores devueltos por
la API, timeout, etc.
- [x] Mejorar la documentación
- [ ] Mejora de la función Search_online (i.e. evitar una descarga por
búsqueda)
Try the PortalHacienda package in your browser
Any scripts or data that you put into this service are public.
PortalHacienda documentation built on May 31, 2023, 7:27 p.m.
R Package Documentation
Browse R Packages
We want your feedback!
Note that we can't provide technical support on individual packages. You should contact the package authors for that.
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:
install.packages("PortalHacienda")
Instalar versión de desarrollo:
# install.packages("devtools")
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.
# Cargar el paquete
library(PortalHacienda)
#> =============================================================================
#> Acceso API Portal Datos Hacienda - v 0.1.7 - 06-2023 por F.García Díaz
# Buscar series relacionadas con el tipo de cambio
Series_TCN <- Search_online("tipo de cambio")
#> Downloading time-series database...
#> | | | 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%
# Borrar la columna de links que devuelve la búsqueda y un par más
Series_TCN$distribucion_url_descarga <- NULL
Series_TCN$dataset_id <- NULL
Series_TCN$dataset_descripcion <- NULL
# mostrar prieras tres líneas de la tabla
kableExtra::kable_styling(knitr::kable(head(Series_TCN,3) ,"html"),
font_size = 6,
bootstrap_options = c("striped", "hover", "condensed", "responsive"),fixed_thead = T)
Bajar serie de tipo de cambio con Get y extender 12 períodos con
Forecast (usa modelo auto-detectado del paquete forecast y
extiende según la frecuencia detectada, días, meses o años). Luego hacer
un plot sencillo.
TCN <- Forecast(Get("174.1_T_DE_CATES_0_0_32" , start_date = 2000), 12)
#> Downloading data series...
#> Loaded 279 data points, from 2000-01-01 to 2023-03-01. Periodicity: monthly
#> Registered S3 method overwritten by 'quantmod':
#> method from
#> as.zoo.data.frame zoo
#> Warning in .check_tzones(e1, e2): 'tzone' attributes are inconsistent
#> Time-series extended 12 data points, using auto-detected model: ARIMA(0,2,3)(0,0,1)[12]
# Mostrar resultado
plot(TCN , main = "Tipo de Cambio Nominal ($/USD)")
También se pueden obtener varias series al mismo tiempo, separando con comas…
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)")
#> Downloading data series...
#> 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:
TCN <- vForecast(Get("120.1_PCE_1993_0_24,120.1_ED1_1993_0_26"),12)
#> Downloading data series...
#> Loaded 70 data points, from 1986-01-01 to 2020-01-01. Periodicity: yearly
#> Warning in .check_tzones(e1, e2): 'tzone' attributes are inconsistent
#> 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
- [x] Aprobado en CRAN!
- [x] Funcionalidad básica
- [x] Captura de errores - conexión de internet, errores devueltos por la API, timeout, etc.
- [x] Mejorar la documentación
- [ ] Mejora de la función Search_online (i.e. evitar una descarga por búsqueda)
Try the PortalHacienda package in your browser
Any scripts or data that you put into this service are public.
R Package Documentation
Browse R Packages
We want your feedback!
Note that we can't provide technical support on individual packages. You should contact the package authors for that.
Embedding an R snippet on your website
Add the following code to your website.
For more information on customizing the embed code, read Embedding Snippets.