Using Python to Gather Data from FRED for the Solow Model

This script gathers and generates data for Solow. The second two functions plot the data using matplotlib and save the visualizations in a PDF.

import pandas as pd

pd.core.common.is_list_like = pd.api.types.is_list_like

import pandas_datareader.data as web

import datetime

import matplotlib.pyplot as plt

from matplotlib.backends.backend_pdf import PdfPages

def gather_data(data_codes, start, end = datetime.datetime.today(), freq = "A"):

    i = 0

    # dct.items() calls key and value that key points to

    for key, val in data_codes.items():

        if i == 0:

            # Create dataframe for first variable, then rename column

            df = web.DataReader(val, "fred", start, end).resample(freq).first()

            df.rename(columns = {val:key}, inplace = True) 

            i = None

        else:

            # If dataframe already exists, add new column

            df[key] = web.DataReader(val, "fred", start, end).resample(freq).first()

            

    return df

    

def plot_lines(df, plot_vars, linewidth = 1, logy = False, figsize = (40,20), 

    secondary_y = None, pp = None):

    

    fig, ax = plt.subplots(figsize = figsize)

    

    legend_scale = 20 / figsize[1]

    # If no secondary_y (axis), plot all variables at once

    if secondary_y == None:

        df[plot_vars].plot.line(linewidth = linewidth, logy = logy, ax = ax)

        ax.legend(bbox_to_anchor=(0, 1.035 + .045 * len(plot_vars) * legend_scale), 

                  loc=2)

    # Otherwise, create a new axis and plot each variable individually

    else:

        ax2 = ax.twinx()

        for var in plot_vars:

            if var == secondary_y: 

                df[var].plot.line(linewidth = linewidth, logy = logy, ax = ax2, c = "C9",

                  label = var + " (right)")

            else:

                df[var].plot.line(linewidth = linewidth, logy = logy, ax = ax)

        # If there are two axes, then gather lines from each axis

        lines = ax.get_lines() + ax2.get_lines()

        # then gather the label from each line

        labels = [l.get_label() for l in lines]

        # and use the lines and labels to create the legend

        ax.legend(lines, labels, bbox_to_anchor=(0, 

                1.04 + .045 * len(plot_vars) * legend_scale), loc=2)

    # Turn the text on the x-axis so that it reads vertically

    ax.tick_params(axis='x', rotation=90)

    # Get rid of tick lines perpendicular to the axis for aesthetic

    ax.tick_params('both', length=0, which='both')

    # save image if PdfPages object was passed

    if pp != None: pp.savefig(fig, bbox_inches = "tight")

def plot_scatter(df, plot_vars, s = 75, figsize = (40, 20), pp = None):

    # Create plot for every unique pair of variables

    for var1 in plot_vars:

        for var2 in plot_vars:

            if var1 != var2:

                fig, ax = plt.subplots(figsize = figsize)

                # Create list of years from index

                # Year will be represented by color

                df["Year"] = [int(str(ind)[:4]) for ind in df.index]

                df.plot.scatter(x = var1, y = var2, s = s, ax = ax, c = "Year",

                                cmap = "viridis")

                # Turn the text on the x-axis so that it reads vertically

                ax.tick_params(axis='x', rotation=90)

                # Get rid of tick lines perpendicular to the axis for aesthetic

                ax.tick_params('both', length=0, which='both')

                # save image if PdfPages object was passed

                if pp != None: pp.savefig(fig, bbox_inches = "tight")

# Create PDF that will hold visualizations

pp = PdfPages("Capital Measures " + str(datetime.datetime.today())[:10] + ".pdf")

# set default fontsize for text in plot

plt.rcParams.update({'font.size': 32})

# Choose data from FRED

# Keys will be used to name variable. Key points to FRED code

data_codes  = {"Capital Stock":"RKNANPUSA666NRUG",

               "Nominal GDP":"GDP",

               "Price Level":"GDPDEF",

               "Population":"B230RC0A052NBEA"}

# Select start and end dates

start = datetime.datetime(1950, 1, 1)

end = datetime.datetime(2019, 1, 31)

# Check if data has been gathered.

# If data needs to be gathered again, clear variables or restart kernel

if "data_gathered" not in locals():

    df = gather_data(data_codes, start = start, 

          end = end, freq = "A")

    # After data is downloaded create new data and transform data

    # set population to millions        

    df["Population"] = df["Population"] / 10 ** 3

    # set NGDP to millions

    df["Nominal GDP"] = df["Nominal GDP"] * 10 ** 3

    # Make 2011 base year for price level to match capital stock values

    df["Price Level"] = df["Price Level"].div(df["Price Level"].loc["2011"].values[0])

    # Create RGDP using 2011 prices

    df["Real GDP"] = df["Nominal GDP"].div(df["Price Level"])

    # Use population as proxy for L

   # y = Y / L

    df["Real GDP Per Capita"] = df["Real GDP"].div(df["Population"])

    # k = K / L

    df["Effective Capital Stock"] = df["Capital Stock"].div(df["Population"])

    # Estimate Solow's A

    # y = Ak**.5

    # A = y / k ** .5

    df["Efficiency of Capital"] = df["Real GDP Per Capita"].div(df["Effective Capital Stock"] ** (1/2))

    data_gathered = True

####### Plot Variables #######

plot_vars = ["Effective Capital Stock"]

plot_lines(df, plot_vars, linewidth = 3, logy = True, pp = pp)

plot_vars = ["Efficiency of Capital", "Real GDP Per Capita"]

plot_lines(df, plot_vars, linewidth = 3, logy = True, 

           secondary_y = "Efficiency of Capital", pp = pp)

plot_scatter(df, plot_vars, pp = pp)

pp.close()

Some figures generated: