Parte 3 Acceso

Haver Analytics tiene distintas formas para consultar las series de tiempo que podemos usar:

3.1 Aplicación DLX

La forma más accesible y fácil para usar las series de tiempo de Haver Analytics es directamente desde su aplicación DLX View & Graph.

Figure 3.1: Ícono de aplicación de DLX.

En esta aplicación se pueden seleccionar las series de interés, ver su gráfica y bases de datos, lo cual es muy intuitivo. En la barra superior se encuentran opciones más avanzadas con las cuales se pueden añadir múltiples series, exportar las bases de datos a Excel, personalizar funciones utilizando las series, dar formato a la gráfica, entre otras opciones.

Figure 3.2: Aplicación DLX para Haver Analytics.

Tip: la tabla de datos presenta la información en formato utilizado por el programa de Haver, el cual recomiendo cambiar a formato de columna para visualizar una serie en cada columna. Para hacer este cambio hay que dar click derecho sobre la tabla y seleccionar “column mode”.

3.2 Add-in para Excel

Las series de Haver Analytics se pueden consultar directamente desde Excel utilizando el add-in DLX. Para verificar si se tiene instalado este complemento, en Excel deberías tener una pestaña que diga DLX.

Una vez seleccionada la pestaña, se deben seguir los siguientes pasos:

Seleccionar las series, dando click en el ícono DLXVG3, el cual abre un catálogo para seleccionar las series.
Seleccionar rango, usando el ícono DLXRanger, seleccionar la frecuencia y rangod e fechas de las series de tiempo.
Correr la consulta, la cual se puede correr para la hoja seleccionada dando click en “Retrieve Worksheet”, o todas las series del archivo dando click en “Retrieve Workbook”.

Figure 3.3: DLX add-in para Excel.

3.3 Consulta con R

El primer paso es instalar el paquete, corriendo la siguiente línea desde R o RStudio:

install.packages("Haver", repos="http://www.haver.com/r/")

Después habrá que llamar las librerías y fijar la ruta a las bases de datos con los siguientes comandos:

# llamar librería de Haver Analytics y tidyverse
library(Haver)
library(tidyverse)

# fijar la ruta de las bases de datos
haver.path()

## [1] "\\\\bmapps\\Bases de Informacion\\DLX\\DATA\\"

Posteriormente hay que llamar a las series que nos interesen, y su metadata, las cuales se pueden graficar o manipular.

# ejemplo de consulta de serie
currency <- haver.data(codes=c("c273fmce"), database = "EMERGELA", freq="q", start=as.Date("2010-01-01", format="%Y-%m-%d"))

# cambio de nombre
colnames(currency)[colnames(currency) == "c273fmce"] <- "Currency_in_Circulation"

# ver inicio de serie para identificar su estructura
currency %>% head()

##         Currency_in_Circulation
## 2010-Q1                597193.9
## 2010-Q2                577815.5
## 2010-Q3                588091.8
## 2010-Q4                693423.1
## 2011-Q1                634711.8
## 2011-Q2                635323.3

# imprimir metadata
haver.datamd(currency)

## 
## HaverMetaData object:
## 
##   database code     startdate  enddate    frequency numobs
## 1 emergela c273fmce 1989-01-31 2020-11-30 M         383   
##   descriptor                    
## 1 Mexico: Monetary Aggregates:..
## 
##   # of series records : 1
##   database path       : \\bmapps\Bases de Informacion\DLX\DATA\
##   query date and time : 2020-12-03 23:55:17

# convertir serie a data.frame
currency <- data.frame(currency)
currency$date <- row.names(currency)

# gráficar serie
currency %>% ggplot() +
  geom_line(aes(x = date, 
                y = Currency_in_Circulation, 
                group = 1), color="darkred") +
  theme_bw() +
  theme(axis.text.x = element_text(angle = 60, vjust = 0.5)) + 
  scale_x_discrete(breaks = currency$date[seq(1, length(currency$date), by = 2)])+
  scale_y_continuous(limits = c(500000, 2000000), 
                     labels = scales::dollar) +
  labs(x = "Date", y = "Currency in Circulation")

## Warning: Removed 1 row(s) containing missing values (geom_path).

Para acceder a la guía completa del paquete Haver en R puedes:

correr el siguiente comando en RStudio: help("Haver"), o
ingresar a la página oficial de Haver Analytics, dar click en Client area donde te pedirán un código de usuario³, seleccionar Resources, después ingresar en Using DLX Data with Third Party Statistical Software, y selecionar la guía de usuario para R (Haver Analytics 2018).

3.4 Consulta con Python

El primer paso es instalar el paquete de Haver en Python, lo cual se puede relaizar de la siguiente manera:⁴

interfaz: desde PowerShell/Terminal, correr el siguiente comando:

pip install Haver --extra-index-url https://urldefense.proofpoint.com/v2/url?u=http-3A__www.haver.com_Python&d=DwIGAg&c=AKs6EwELrBZKOG9H-C2eL9nCFyT6KLG5z2zMuwOnNTA&r=1xye9t3tMb09G6CmueM5cDX4CvWN9LC-lHqLRumN6Ls&m=OzpuOY3Klwky0-MpBXHqoFFIN7cUKTHg3FHaKc18LaY&s=yWr_0mX3wkhn60y5OE2ZDv2Hb-rIrBaVzLVAmE0ghkA&e=  --trusted-host https://urldefense.proofpoint.com/v2/url?u=http-3A__www.haver.com&d=DwIGAg&c=AKs6EwELrBZKOG9H-C2eL9nCFyT6KLG5z2zMuwOnNTA&r=1xye9t3tMb09G6CmueM5cDX4CvWN9LC-lHqLRumN6Ls&m=OzpuOY3Klwky0-MpBXHqoFFIN7cUKTHg3FHaKc18LaY&s=KJOUUR_knntVVk2lyRqTBi8i7JLK_cfqqjh5Kcu1ReE&e=

…si esto no funciona, se tiene que realizar una instalación manual.

manual:
1. ingresar a la página http://www.haver.com/Python/Haver/,
2. descargar el archivo de formato wheel, con extensión ‘whl’, que corresponda a la versión que tengas instalada de Python. Por ejemplo, el archivo Haver-1.1.0-cp35-cp35mwin_amd64.whl corresponde a la versión instalada de Python 3.5
3. Desde PowerShell/Terminal, ir a la carpeta donde se encuentre el archivo descargado en el punto anterior y correr el siguiente comando reemplazando ‘archivo_wheel’ por el nombre del archivo descargado

pip install archivo_wheel.whl

Ya instalado el paquete de Haver en Python, podemos empezar a trabajar ya sea directamente con Python o a través de alguna de sus interfaces (Jupyter Lab, Jupyter Notebook, Spider). Lo primero que tenemos que hacer es llamar las librerías y fijar la ruta a las bases de datos con los siguientes comandos:

# llamar librerias de Python
import Haver as hv
import pandas as pd
import numpy as np
import altair as alt

# fijar la ruta de haver
hv.path()

## '\\\\bmapps\\Bases de Informacion\\dlx\\data\\'

Posteriormente hay que llamar a las series que nos interesen, y su metadata, las cuales se pueden graficar o manipular.

# ejemplo de consulta de serie
currency = hv.data(codes=["c273fmce"], database="EMERGELA", 
                   frequency="q", startdate="2010-01-01")

# cambio de nombre
currency = currency.reset_index().dropna().rename(columns = {"index": "fecha", "c273fmce":"Currency_in_Circulation"})
currency.fecha = [str(i) for i in currency.fecha]

# obtener metadata
currency_md = hv.metadata(codes=["c273fmce"], database="EMERGELA").T

# graficar
alt.Chart(currency).mark_line(color="darkred").encode(
    x=alt.X('fecha', title="Date"),
    y=alt.Y('Currency_in_Circulation:Q', title="Currency in Circulation"),
    tooltip=['fecha', 'Currency_in_Circulation']
).properties(
    width=500
)

Para acceder a la guía completa del paquete Haver en Python puedes:

ingresar a la página oficial de Haver Analytics, dar click en Client area donde te pedirán un código de usuario⁵, seleccionar Resources, después ingresar en Using DLX Data with Third Party Statistical Software, y selecionar la guía de usuario para Python (Haver Analytics 2020).

Referencias

Haver Analytics. 2018. “Package ’Haver’. Access Haver Analytics Databases from R.” Haver Analytics. http://www.haver.com/clientarea/docs/Haver_R_2.4_userguide.pdf/.

Haver Analytics. 2020. “Haver Python Reference.” Haver Analytics. http://www.haver.com/clientarea/docs/Haver_Python_Reference_Guide.pdf/.

El código de usuario lo puedes solicitar por correo a Mateo Echeverri mateo@haver.com o Haver Hotline data@haver.com.↩︎
Basado en script para uso de Haver por primera vez, compartido por Mateo Echeverri (2019) de Haver Analytics.↩︎
El código de usuario lo puedes solicitar por correo a Mateo Echeverri mateo@haver.com o Haver Hotline data@haver.com.↩︎