通货膨胀率与CPI倍数国家/地区，与R

Question

我必须计算从2015年到2019年的通货膨胀率。我必须用CPI来做这件事，这是我在四年中每个月的数据。这意味着我必须计算去年同月的增长率百分比。

他们问我几个国家的计算结果，然后计算或显示2015-2019年期间的平均值。

这是我的数据库：

 data <- read.table("https://pastebin.com/raw/6cetukKb")

​

​

我已经尝试了quantmod，dplyr，lubridate包，但我不能做CPI转换。

我试过了，但我知道它是不正确的：

data$year <- year(data$date)
anual_cpi <- data %>%    group_by(year) %>% summarize(cpi = mean(Argentina))
  anual_cpi$adj_factor <- anual_cpi$cpi/anual_cpi$cpi[anual_cpi$year == 2014]

**

更新

**

我的老师给了我们一个关于如何获得结果的提示，但当我试图将其添加到代码中时，我得到了一个错误。

data %>%
  tidyr::pivot_longer(cols = Antigua_Barbuda:Barbados) %>%
  group_by(name, year) %>%
  summarise(value = mean(value)) %>%
  mutate((change=(x-lag(x,1))/lag(x,1)*100))



| Antigua_Barbuda   | -1.55     |
|-----------------  |-------    |
| Argentina         | 1.03      |
| Aruba             | -1.52     |
| Bahamas           | -1.56     |
| Barbados          | -1.38     |

其中"value“对应于每个国家在整个2015-2019年期间的平均通货膨胀

Answer 1

我们可以使用data.table方法

library(data.table)
melt(fread("https://pastebin.com/raw/6cetukKb"), 
    id.var = c('date', 'year', 'period', 'periodName'))[, 
    .(value = mean(value)), .(variable, year)][,
      adj_factor := value/value[year == 2014]][]
#           variable year     value adj_factor
# 1: Antigua_Barbuda 2014  96.40000  1.0000000
# 2: Antigua_Barbuda 2015  96.55833  1.7059776
# 3: Antigua_Barbuda 2016  96.08333  1.0146075
# 4: Antigua_Barbuda 2017  98.40833  0.9900235
# 5: Antigua_Barbuda 2018  99.62500  0.5822618
# 6: Antigua_Barbuda 2019 101.07500  1.0484959
# 7:       Argentina 2014  56.60000  1.0000000
# ..

Answer 2

您应该使用header = TRUE读取数据，因为第一行是列的名称。然后获取长格式的数据，这使得计算变得很容易。

在此之后，您可以执行任何您想要的计算。例如，执行与您的尝试相同的步骤，即将所有值与2014年的值相除，您可以对每个国家/地区执行此操作。

library(dplyr)

data <- read.table("https://pastebin.com/raw/6cetukKb", header = TRUE)

data %>%
  tidyr::pivot_longer(cols = Antigua_Barbuda:Barbados) %>%
  group_by(name, year) %>%
  summarise(value = mean(value)) %>%
  mutate(adj_factor = value/value[year == 2014])

#  name             year value adj_factor
#   <chr>           <int> <dbl>      <dbl>
# 1 Antigua_Barbuda  2014  96.4      1    
# 2 Antigua_Barbuda  2015  96.6      1.00 
# 3 Antigua_Barbuda  2016  96.1      0.997
# 4 Antigua_Barbuda  2017  98.4      1.02 
# 5 Antigua_Barbuda  2018  99.6      1.03 
# 6 Antigua_Barbuda  2019 101.       1.05 
# 7 Argentina        2014  56.6      1    
# 8 Argentina        2015  64.0      1.13 
# 9 Argentina        2016  89.9      1.59 
#10 Argentina        2017 113.       2.00 
# … with 20 more rows