파이썬으로 IMF에서 각국의 GDP 수집하기 (v.2025)
이번 글에서는 파이썬을 사용하여 IMF(국제통화기금)에서 WEO(World Economic Outlook) 데이터베이스를 통해 세계 경제 데이터를 수집하고 GDP(국내총생산) 데이터를 조회하고 시각화하는 방법을 소개합니다.
WEO 데이터베이스에는 각국의 GDP, 인플레이션, 실업률 등 다양한 경제 지표가 포함되어 있습니다. 여기서는 GDP 데이터를 중심으로 다룹니다.
다음 내용을 다룹니다:
- WEO 데이터를 SDMX 3.0 API를 통해 수집하는 방법
- GDP 데이터 조회 및 시각화 방법
필요한 라이브러리 설치
Section titled “필요한 라이브러리 설치”먼저 필요한 파이썬 라이브러리를 설치합니다. pandas, requests, matplotlib 라이브러리가 필요합니다.
pip install pandas requests matplotlibWEO 데이터 수집
Section titled “WEO 데이터 수집”IMF의 WEO 데이터는 SDMX 3.0 API를 통해 접근할 수 있습니다. 다음은 파이썬을 사용하여 GDP 데이터를 수집하는 예제 코드입니다.
import jsonimport requests
def get_weo_data(): # Dataset # - Dataset name: World Economic Outlook (WEO) # - ID: WEO # - Agency: IMF.RES # - Version: 9.0.0 "IMF.RES,WEO"
# Data Query # https://api.imf.org/external/sdmx/3.0/data/{context}/{agencyID}/{resourceID}/{version}/{key}[?c][&updatedAfter][&firstNObservations][&lastNObservations][&dimensionAtObservation][&attributes][&measures][&includeHistory][&asOf] url = "https://api.imf.org/external/sdmx/3.0/data/dataflow/IMF.RES/WEO/9.0.0/*"
res = requests.get(url) data = json.loads(res.text)
return dataget_weo_data 함수를 호출하여 WEO 데이터를 수집할 수 있습니다.
import json
with open("weo_data.json", "w") as fout: data = get_weo_data() json.dump(data, fout)수집한 데이터는 SDMX 3.0 형식으로 제공되서 파싱이 필요합니다.
GDP 데이터 조회 및 시각화
Section titled “GDP 데이터 조회 및 시각화”데이터를 살펴보면 dataSets 키 아래에 여러 국가와 지표가 포함되어 있습니다. 그런데 키 값이 복잡하므로, 이를 해석하기 위해서는 structures 키 아래의 정보를 참고해야 합니다.
다음은 데이터를 파싱하여 판다스 데이터프레임으로 변환하는 예제 코드입니다.
output = []
for data_set in data_sets: structure = structures[data_set["structure"]] series_dims = structure["dimensions"]["series"] obs_dims = structure["dimensions"]["observation"]
for series_key, series_content in data_set["series"].items(): # series dimensions 파싱 dim_indices = series_key.split(":") series_info = {}
for i, dim_index in enumerate(dim_indices): dim_id = series_dims[i]["id"] dim_value_id = series_dims[i]["values"][int(dim_index)]["id"] series_info[dim_id] = dim_value_id
# series attributes 파싱 attributes_info = {} for attr_value, struct_attr in zip(series_content.get("attributes", []), structure["attributes"]["series"]): attr_id = struct_attr["id"]
# coded attribute는 index로 제공 => value id로 변환 if isinstance(attr_value, int): attr_id_value = struct_attr["values"][attr_value]["id"] else: attr_id_value = attr_value # uncoded string
attributes_info[attr_id] = attr_id_value
# observations 처리 if "observations" not in series_content: continue
for obs_key, obs_value in series_content["observations"].items(): obs_idx = int(obs_key) obs_dim_value = obs_dims[0]["values"][obs_idx]["value"] value = obs_value[0]
row = { **series_info, **attributes_info, "TIME_PERIOD": obs_dim_value, "VALUE": value } output.append(row)
# pandas DF 생성import pandas as pddf = pd.DataFrame(output)df.dataframe tbody tr th { vertical-align: top;}
.dataframe thead th { text-align: right;}| COUNTRY | INDICATOR | FREQUENCY | SCALE | DECIMALS_DISPLAYED | OVERLAP | COUNTRY_UPDATE_DATE | TIME_PERIOD | VALUE | |
|---|---|---|---|---|---|---|---|---|---|
| 0 | ABW | BCA | A | 9 | 3 | OL | 9/19/2025 | 1999 | -435000000 |
| 1 | ABW | BCA | A | 9 | 3 | OL | 9/19/2025 | 2000 | 213000000 |
| 2 | ABW | BCA | A | 9 | 3 | OL | 9/19/2025 | 2001 | 310000000 |
| 3 | ABW | BCA | A | 9 | 3 | OL | 9/19/2025 | 2002 | -333000000 |
| 4 | ABW | BCA | A | 9 | 3 | OL | 9/19/2025 | 2003 | -167000000 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 354235 | ZWE | TXG_RPCH | A | 0 | 3 | OL | 9/5/2025 | 2026 | -0.814 |
| 354236 | ZWE | TXG_RPCH | A | 0 | 3 | OL | 9/5/2025 | 2027 | 4.939 |
| 354237 | ZWE | TXG_RPCH | A | 0 | 3 | OL | 9/5/2025 | 2028 | 4.226 |
| 354238 | ZWE | TXG_RPCH | A | 0 | 3 | OL | 9/5/2025 | 2029 | 3.698 |
| 354239 | ZWE | TXG_RPCH | A | 0 | 3 | OL | 9/5/2025 | 2030 | 3.604 |
354240 rows × 9 columns
위 코드에서는 다음과 같은 작업을 수행합니다:
- data_sets와 structures를 추출하여 각각의 시리즈와 관측치를 파싱합니다.
- series_key를 ”:“로 분리하여 각 차원의 값을 추출합니다.
- series_content의 attributes를 구조체의 attributes와 매핑하여 속성 값을 추출합니다.
- observations를 순회하며 각 관측치의 시간과 값을 추출하여 최종적으로 판다스 데이터프레임으로 변환합니다.
이제 df 데이터프레임에는 각국의 GDP 데이터가 포함되어 있습니다. 이를 활용하여 다양한 분석과 시각화를 수행할 수 있습니다.
특정 데이터를 조회하기 위해서 국가 코드, 지표 코드 등을 알아야 합니다. 예를 들어, 미국은 “USA”, 한국은 “KOR”입니다. 주요 GDP 지표는 다음과 같습니다:
- 실질 GDP (현재 가격): NGDP_R
- 실질 GDP (전년 대비 증감률): NGDP_RPCH
- GDP 갭 (실질 GDP - 잠재 GDP): NGAP_NPGDP
다음 링크에서 각국의 GDP 데이터를 직접 조회할 수도 있습니다: https://data.imf.org/en/Data-Explorer?datasetUrn=IMF.RES:WEO(9.0.0)
조회한 테이블 좌측의 ℹ️ 아이콘을 클릭하면 Timeseries code를 확인할 수 있는데, 여기서 국가 코드와 지표 코드를 알 수 있습니다. 예를 들어, Timeseries code: KOR.NGDP_RPCH.A는 한국(KOR)의 실질 GDP 성장률(NGDP_RPCH)을 의미합니다. A는 연간 데이터를 나타냅니다.
다음은 미국과 한국의 실질 GDP와 실질 GDP 성장률을 시각화하는 예제 코드입니다.
import matplotlib.pyplot as plt
# NGDP_R: 실질 GDP (현재 가격)# NGDP_RPCH: 실질 GDP (전년 대비 증감률)# NGAP_NPGDP: GDP 갭 (실질 GDP - 잠재 GDP)
fig, axes = plt.subplots(nrows=2, ncols=3, figsize=(12, 6))
# 미국us_data = df[(df["COUNTRY"] == "USA") & (df["INDICATOR"] == "NGDP_R")].copy()us_data["VALUE"] = pd.to_numeric(us_data["VALUE"])us_data.plot(x="TIME_PERIOD", y="VALUE", title="US Real GDP Over Time", kind="line", ax=axes[0, 0])us_data = df[(df["COUNTRY"] == "USA") & (df["INDICATOR"] == "NGDP_RPCH")].copy()us_data["VALUE"] = pd.to_numeric(us_data["VALUE"])us_data.plot(x="TIME_PERIOD", y="VALUE", title="US Real GDP Growth Rate Over Time", kind="line", ax=axes[0, 1])us_data = df[(df["COUNTRY"] == "USA") & (df["INDICATOR"] == "NGAP_NPGDP")].copy()us_data["VALUE"] = pd.to_numeric(us_data["VALUE"])us_data.plot(x="TIME_PERIOD", y="VALUE", title="US GDP Gap Over Time", kind="line", ax=axes[0, 2])
# 한국kr_data = df[(df["COUNTRY"] == "KOR") & (df["INDICATOR"] == "NGDP_R")].copy()kr_data["VALUE"] = pd.to_numeric(kr_data["VALUE"])kr_data.plot(x="TIME_PERIOD", y="VALUE", title="Korea Real GDP Over Time", kind="line", ax=axes[1, 0])kr_data = df[(df["COUNTRY"] == "KOR") & (df["INDICATOR"] == "NGDP_RPCH")].copy()kr_data["VALUE"] = pd.to_numeric(kr_data["VALUE"])kr_data.plot(x="TIME_PERIOD", y="VALUE", title="Korea Real GDP Growth Rate Over Time", kind="line", ax=axes[1, 1])kr_data = df[(df["COUNTRY"] == "KOR") & (df["INDICATOR"] == "NGAP_NPGDP")].copy()kr_data["VALUE"] = pd.to_numeric(kr_data["VALUE"])kr_data.plot(x="TIME_PERIOD", y="VALUE", title="Korea GDP Gap Over Time", kind="line", ax=axes[1, 2])
plt.tight_layout()
양국의 실질 GDP는 꾸준히 증가하는 추세를 보이며, 실질 GDP 성장률은 경기 변동에 따라 등락을 반복하는 모습을 확인할 수 있습니다.
GDP 갭 역시 경제 상황에 따라 변화하는 모습을 시각적으로 파악할 수 있습니다. 잠재 GDP는 경제가 완전 고용 상태에서 생산할 수 있는 최대 생산량을 나타내는데, GDP 갭이 양수일 경우 실제 GDP가 잠재 GDP를 초과하는 상태를 의미하며, 음수일 경우 그 반대를 의미합니다. GDP 갭이 양수로 크면 인플레이션 압력이 증가할 수 있고, 음수로 크면 경기 침체의 신호일 수 있습니다.
이와 같이 파이썬을 활용하여 IMF WEO 데이터베이스에서 각국의 GDP 데이터를 수집하고 분석할 수 있습니다. 미국, 한국 외에도 다양한 국가의 GDP 데이터를 동일한 방법으로 수집하여 비교 분석할 수 있습니다.
