-
Notifications
You must be signed in to change notification settings - Fork 0
/
99_01-solutions.Rmd
991 lines (707 loc) · 37.7 KB
/
99_01-solutions.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
# Lösungen der Übungsaufgaben {#loesungen}
```{r, echo=FALSE, warning=FALSE, message=FALSE}
library(tidyverse)
```
## Kapitel 2: Objekte und Datenstrukturen {-}
__Lösung zur Übungsaufgabe \@ref(exr:ue2a1)__:
Am sinnvollsten ist eine Liste `list()`, da diese heterogene Objekttypen beinhalten kann. Ein Dataframe lohnt sich bei nur einem Fall eher nicht.
```{r}
myself <- list(
name = "Julian", # Texte als character
year = 1988L, # Jahr als numeric - oder noch präziser als Integer
from_bavaria = FALSE # Binäre Entscheidung als logical
)
```
Auch wenn wir hier alle Werte z. B. als Text repräsentieren könnten, ist es immer sinnvoll, den Objekttypen zu verwenden, der am besten zu den Werten passt -- numerische (`year`) und logische Objekte (`from_bavaria`) ermöglichen uns mehr Rechenoptionen, einfacheres Filtern von Datensätzen etc.
---
__Lösung zur Übungsaufgabe \@ref(exr:ue2a2)__:
```{r}
values <- c(1.2, 1.3, 0.8, 0.7, 0.7, 1.5, 1.1, 1.0, 1.1, 1.2, 1.1)
average <- mean(values)
above_average <- values > average
sum(above_average) / length(values)
```
1. In der ersten Zeile ordnen wir `values` einen numerischen Vektor aus einigen Zahlen zu
2. In der zweiten Zeile berechnen wir den Mittelwert von `values` und weisen diesen `average` zu.
3. `values > average` prüft nun für jeden Wert in `values`, ob dieser größer als der Mittelwert (gespeichert in `average` ist). Dies erzeugt einen `logical`-Vektor, den wir `above_average` zuweisen.
4. `sum(above_average)` zählt, wie viele `TRUE`-Werte in dem Vektor sind. Das ist darauf zurückzuführen, dass `TRUE` die numerische Entsprechung `1`, `FALSE` die numerische Entsprechung `0` hat; `sum()` wandelt den logischen Vektor automatisch in einen numerischen um. Wir teilen dies durch die Anzahl der Werte in `values` und bekommen als Ergebnis, dass 63.6 % der Werte in `values` über dem Mittelwert liegen. (Etwas schneller hätten wir dieses Ergebnis auch bekommen, wenn wir die letzte Zeile durch `mean(above_average)` ersetzen.)
---
__Lösung zur Übungsaufgabe \@ref(exr:ue2a3)__:
```{r}
str(mtcars)
```
`mtcars` enthält 11 Variablen, allesamt `numeric`, und 32 Fälle.
```{r}
mean(mtcars$cyl)
```
Im Durchschnitt haben die Fahrzeuge ca. 6.2 Zylinder.
Um einen Teildatensatz `cars_short`, der lediglich die Variablen `mpg` und `hp` enthält, zu erstellen, führen viele Wege zum Ziel, z. B.:
```{r}
cars_short <- mtcars[, c("mpg", "hp")]
cars_short <- mtcars[c("mpg", "hp")] # Steht nur eine Angabe in den eckigen Klammern, interpretiert R dies als Spaltenangabe
cars_short <- data.frame(mtcars$mpg, mtcars$hp)
```
## Kapitel 3: Funktionen {-}
__Lösung zur Übungsaufgabe \@ref(exr:ue3a1)__:
Um die gewünschte Sequenz zu erzeugen, benötigen wir die Argumente `from` (Startwert), `to` (Endwert) und `by` (Zunahmewert).
```{r}
seq(from = 0, to = 100, by = 5)
```
Da es sich, wie wir der Funktionsdokumentation entnehmen können, dabei um die ersten drei Funktionsargumente handelt, können wir diese auch unbenannt übergeben:
```{r}
seq(0, 100, 5)
```
__Lösung zur Übungsaufgabe \@ref(exr:ue3a2)__:
Unsere Funktion benötigt lediglich ein Argument, die Temperatur in Grad Fahrenheit (als numerischen Wert), und soll diese in Grad Celsius mit der Formel $°C = (°F - 32) × 5/9$ umwandeln:
```{r}
fahrenheit_to_celsius <- function(fahrenheit) {
celsius <- (fahrenheit - 32) * 5/9
return(celsius)
}
# Unsere neue Funktion kann sogar mehrere Temperaturwerte auf einmal umrechnen
fahrenheit_to_celsius(c(0, 50, 80, 100))
```
__Lösung zur Übungsaufgabe \@ref(exr:ue3a3)__:
Für das erste zusätzliche Feature, der Anzahl der fehlenden Werte, müssen wir `descriptives_vector` lediglich ein Element hinzufügen (das wir z. B. `Missing` nennen), in dem eben diese Anzahl festgehalten wird. Mit der Funktion `is.na()` prüfen wir jeden Wert eines Vektors darauf, ob es sich um einen fehlenden Wert `NA` handelt, mit der Summenfunktion `sum()` können wir diese addieren. Wir ändern `descriptives_vector` daher wie folgt:
```{r, eval=FALSE}
descriptives_vector <- c(
n = length(x),
Missing = sum(is.na(x)), # Hier zählen wir die fehlenden Werte
M = mean(x, na.rm = na.rm),
SD = sd(x, na.rm = na.rm),
Minimum = min(x, na.rm = na.rm),
Maximum = max(x, na.rm = na.rm),
Median = median(x, na.rm = na.rm)
)
```
Für das zweite zusätzliche Feature, Rundung auf eine gewünsche Anzahl an Nachkommastelle, benötigen wir die `round()`-Funktion, mit dem wir `descriptives_vector` abschließend runden, und ein zusätzliches Argument, mit dem die gewünschte Anzahl an Nachkommastellen übergeben werden kann. Da dieses Argument bei der `round()`-Funktion `digits` heißt, nennen wir es aus Konsistenzgründen auch in unserer Funktion so. Um standardmäßig auf zwei Nachkommastellen zu runden, geben wir dem Argument den Default-Wert `2`. Der vollständige Funktionscode sieht also wie folgt aus:
```{r}
descriptives <- function(x, na.rm = FALSE, digits = 2) { # Zusätzliches Argument digits mit Default-Wert 2
# Vektor mit Variablenbeschreibung erstellen
descriptives_vector <- c(
n = length(x),
Missing = sum(is.na(x)), # Hier zählen wir die fehlenden Werte
M = mean(x, na.rm = na.rm),
SD = sd(x, na.rm = na.rm),
Minimum = min(x, na.rm = na.rm),
Maximum = max(x, na.rm = na.rm),
Median = median(x, na.rm = na.rm)
)
# Vektor runden
descriptives_vector <- round(descriptives_vector, digits = digits)
return(descriptives_vector)
}
```
Wir haben nun eine flexibel einsetzbare Funktion, um schnell relevante Kennwerte einer numerischen Variablen zu erhalten:
```{r}
descriptives(iris$Sepal.Length)
descriptives(mtcars$cyl, digits = 1)
```
## Kapitel 4: Kontrollstrukturen {-}
__Lösung zur Übungsaufgabe \@ref(exr:ue4a1)__:
Erneut gibt es verschiedene Möglichkeiten, den Entscheidungsbaum abzubilden. Wenn wir uns pro `if ()` bzw. `else ()` oder `else if ()` auf das Prüfen einer Bedingung beschränken wollen, benötigen wir einen verschachtelten Baum, also eine Bedinung in einer Bedingung:
```{r, eval=FALSE}
if (news_channel != "Internet") { # Prüfen, ob news_channel NICHT "Internet" ist...
news_category <- "Offline" # dann news_category "Offline" zuweisen
} else { # Falls das nicht der Fall ist, also news_channel "Internet" ist..
if (news_website == "Twitter") { # dann prüfen wir ob news_category "Twitter" ist
news_category <- "SNS" # falls das so ist, weisen wir news_category "SNS" zu
} else if (news_website == "Facebook") { # analog verfahren wir mit Facebook
news_category <- "SNS" #
} else if (news_website == "Instagram") { # analog mit Instagram
news_category <- "SNS" #
} else { # falls das alles nicht zutrifft
news_category <- "Online: Sonstige" # weisen wir "Online: Sonstige" zu
}
}
```
Das erzeugt allerdings einen ziemlich langen Entscheidungsbaum und einige Redundanzen, da wir für `"Twitter"`, `"Facebook"` und `"Instagram"` jeweils dieselbe Aktion, `news_category <- "SNS"` ausführen. Wir können diese Bedingungen also auch verknüpfen:
```{r, eval=FALSE}
if (news_channel != "Internet") { # Prüfen, ob news_channel NICHT "Internet" ist...
news_category <- "Offline" # dann news_category "Offline" zuweisen
} else { # Falls das nicht der Fall ist, also news_channel "Internet" ist..
if (news_website == "Twitter" | news_website == "Facebook" | news_website == "Instagram") {
news_category <- "SNS" # Alle Bedingungen mit ODER verbunden, dann SNS zuweisen
} else { # falls das nicht zutrifft
news_category <- "Online: Sonstige" # weisen wir "Online: Sonstige" zu
} # und haben uns einige Zeilen gespart
}
```
Tatsächlich können wir auch die Verschachtelung aufheben, da nach `if (news_channel != "Internet")` folgt, dass bei allen anschließenden `else if()`-Bedingungen `news_channel == "Internet"` ist:
```{r, eval=FALSE}
if (news_channel != "Internet") {
news_category <- "Offline"
} else if (news_website == "Twitter" | news_website == "Facebook" | news_website == "Instagram") {
news_category <- "SNS"
} else {
news_category <- "Online: Sonstige"
}
```
Und noch kürzer wir der Entscheidungsbaum, wenn wir den `%in%`-Operator verwenden:
```{r, eval=FALSE}
SNS <- c("Twitter", "Facebook", "Instagram")
if (news_channel != "Internet") {
news_category <- "Offline"
} else if (news_website %in% SNS) {
news_category <- "SNS"
} else {
news_category <- "Online: Sonstige"
}
```
---
__Lösung zur Übungsaufgabe \@ref(exr:ue4a2)__:
Beim ersten Platzhalter müssen wir einen `for`-Loop, wie in Kapitel \@ref(forloops) beschrieben, einfügen und uns für einen Namen für das Iterator-Objekt entscheiden. Da wir über den Vektor `variables` loopen, bietet sich der Singular `variable` an (aber natürlich funktioniert auch jeder andere Objektname). Diesen müssen wir dann bei den folgenden Platzhaltern ergänzen:
```{r}
numeric_summary <- function(data) {
# Alle Variablennamen in Vektor speichern
variables <- names(data)
# Leere Liste für Ausgabe vorbereiten
summary_list <- list()
# Über alle Variablen iterieren
for (variable in variables) { # Wir loopen über variables
variable_vector <- data[[variable]] # Und arbeiten nun immer mit dem Iterator-Objekt variable
if (is.numeric(variable_vector)) { # Prüfen ob die Variable numerisch ist
# Mittelwert und Standardabweichung dieser Variablen der summary_list hinzufügen
summary_list[[variable]] <- c(
M = mean(variable_vector),
SD = sd(variable_vector)
)
}
}
# Summary List ausgeben
return(summary_list)
}
```
Diese Funktion erzeugt uns nun auf einen Schlag eine Kurzzusammenfassung anhand von Mittelwert und Standardabweichung _aller_ numerischen Variablen in einem Datensatz:
```{r}
numeric_summary(iris)
numeric_summary(mtcars)
```
## Kapitel 8: Daten laden, modifizieren und speichern {-}
__Lösung zur Übungsaufgabe \@ref(exr:ue8a1)__:
Wir benötigen die `read_csv()`-Funktion, da alle Werte durch Kommas getrennt sind. Falls der Datensatz im Hauptverzeichnis des Projektordners liegt, genügt die Angabe von `"facebook_europawahl.csv"` als Argument:
```{r, eval=FALSE}
facebook_europawahl <- read_csv("facebook_europawahl.csv")
```
Liegt der Datensatz in einem Unterordner, muss der Dateipfad entsprechend als Argument angepasst werden, z. b. `"data/facebook_europawahl.csv"`.
```{r, echo=FALSE}
facebook_europawahl <- read_csv("data/facebook_europawahl.csv")
```
---
__Lösung zur Übungsaufgabe \@ref(exr:ue8a2)__:
Um den Datensatz zu filtern, benötigen wir zunächst die Schreibweisen der Partei-Accounts. Hierzu bietet es sich an, die `party`-Variable auszuzählen:
```{r}
count(facebook_europawahl, party)
```
Ebenfalls optional, aber hilfreich ist es, die entsprechenden Parteiseiten in einem Vektor zu speichern:
```{r}
bt_parteien <- c("alternativefuerde", "B90DieGruenen", "CDU", "CSU", "FDP", "linkspartei", "SPD")
```
Nun filtern wir den Datensatz zunächst nach Parteien:
```{r}
df_bt_parteien <- filter(facebook_europawahl, party %in% bt_parteien)
```
Dann wählen wir nur die gewünschten Variablen aus:
```{r}
df_reduziert <- select(df_bt_parteien, party, timestamp, type,
comments_count, shares_count, reactions_count)
```
Und schließlich erzeugen wir die neue Variable `total_count`:
```{r}
df_mit_tc <- mutate(df_reduziert,
total_count = sum(c(comments_count, shares_count, reactions_count), na.rm = TRUE))
df_mit_tc
```
Warum addieren wir nicht einfach alle Spalten ohne die Summenfunktion?
```{r}
df_mit_total2 <- mutate(df_reduziert, total_count = comments_count + shares_count + reactions_count)
df_mit_total2
```
Dies führt augenscheinlich zunächst zum gleichen Ergebnis, hat aber ein Problem: kommen in einer der drei Facebook-Metriken fehlende Werte in Form von `NA` vor, ist das Ergebnis in `total_count` ebenfalls `NA`. Der Summenfunktion `sum()` können wir mit dem Argument `na.rm = TRUE` mitteilen, dass fehlende Werte nicht berücksichtigt werden sollen:
```{r, results="hold"}
# Fehlende Werte zählen:
sum(is.na(df_mit_tc$total_count))
sum(is.na(df_mit_total2$total_count))
```
Wählen wir diese `+`-Variante, haben wir also 5 fehlende Werte in unserem `total_count`, bei der ersten Variante keine.
Nun können wir den Datensatz abspeichern:
```{r, eval=FALSE}
write_csv(df_mit_tc, "data/df_reduziert.csv")
saveRDS(df_mit_tc, "data/df_reduziert.rds")
```
---
__Lösung zur Übungsaufgabe \@ref(exr:ue8a3)__:
Zunächst wählen wir nur die Woche vor der Wahl aus. Hierzu können wir die `timestamp`-Variable anfiltern -- Text, der wie ein Datum aussieht, wir dabei automatisch in ein Datum konvertiert:
```{r}
df_woche_vor_wahl <- filter(facebook_europawahl, timestamp >= "2019-05-20")
```
Nun gruppieren wir den Datensatz nach `party`:
```{r}
df_group_by_party <- group_by(df_woche_vor_wahl, party)
```
Und schließlich berechnen wir mit `summarize()` die gewünschten Kennwerte:
```{r}
summarize(df_group_by_party,
M_comments = mean(comments_count, na.rm = TRUE),
SD_comments = sd(comments_count, na.rm = TRUE),
M_shares = mean(shares_count, na.rm = TRUE),
SD_shares = sd(shares_count, na.rm = TRUE),
M_reactions = mean(reactions_count, na.rm = TRUE),
SD_reactions = sd(reactions_count, na.rm = TRUE))
```
## Kapitel 9: Der Pipe-Operator `%>%` {-}
__Lösung zur Übungsaufgabe \@ref(exr:ue9a1)__:
Dank Pipes können wir uns bei Übungsaufgabe \@ref(exr:ue8a2) die ganzen Zwischendatensätze sparen. Es ist jedoch sinnvoll, vor dem Speichern ein Datensatz-Objekt zuzuweisen, da wir dieses auf zweierlei Arten speichern möchten. Auch nach dem erstmaligen Laden bietet es sich an, den Originaldatensatz zunächst als Objekt zuzuweisen:
```{r, message=FALSE}
facebook_europawahl <- read_csv("data/facebook_europawahl.csv")
bt_parteien <- c("alternativefuerde", "B90DieGruenen", "CDU", "CSU", "FDP", "linkspartei", "SPD")
df_reduziert <- facebook_europawahl %>%
filter(party %in% bt_parteien) %>%
select(party, timestamp, type, comments_count, shares_count, reactions_count) %>%
mutate(total_count = sum(c(comments_count, shares_count, reactions_count), na.rm = TRUE))
df_reduziert
```
Anschließend können wir den Datensatz wieder speichern:
```{r, eval=FALSE}
write_csv(df_ungrouped, "data/df_reduziert.csv")
saveRDS(df_ungrouped, "data/df_reduziert.rds")
```
Die Schritte aus Übungsaufgabe \@ref(exr:ue8a3) können wir ebenfalls in eine Pipe verpacken -- da wir den Datensatz nicht speichern bzw. weiter mit diesem arbeiten, ist auch keine Objektzuweisung erforderlich:
```{r}
facebook_europawahl %>%
filter(timestamp >= "2019-05-20") %>%
group_by(party) %>%
summarize(M_comments = mean(comments_count, na.rm = TRUE),
SD_comments = sd(comments_count, na.rm = TRUE),
M_shares = mean(shares_count, na.rm = TRUE),
SD_shares = sd(shares_count, na.rm = TRUE),
M_reactions = mean(reactions_count, na.rm = TRUE),
SD_reactions = sd(reactions_count, na.rm = TRUE))
```
## Kapitel 10: Daten umstrukturieren und zusammenfügen {-}
__Lösung zur Übungsaufgabe \@ref(exr:ue10a1)__:
Da wir den Datensatz vom Wide- ins Long-Format transformieren, benötigen wir die Funktion `pivot_longer()`:
```{r, message=FALSE}
facebook_europawahl <- read_csv("data/facebook_europawahl.csv")
facebook_europawahl %>%
select(id, party, timestamp, comments_count, shares_count, reactions_count) %>%
pivot_longer(c(comments_count, shares_count, reactions_count), names_to = "metric")
```
__Lösung zur Übungsaufgabe \@ref(exr:ue10a2)__:
Wir laden zunächst den zusätzlichen Datensatz:
```{r, message=FALSE}
facebook_codings <- read_csv("data/facebook_codings.csv")
facebook_codings
```
Wie wir sehen, ist die `id`-Variable anders sortiert als im Datensatz `facebook_europawahl`. Wollen wir die Datensätze mittels `bind_cols()` zusammenfügen, müssten wir `facebook_codings` vorab mittels `arrange()` entsprechend `facebook_europawahl` sortieren.
Sicherer und genauso simpel ist allerdings `left_join()`:
```{r}
joined_df <- facebook_europawahl %>%
left_join(facebook_codings, by = "id")
joined_df
```
Wir sehen, dass der neue Datensätze weiterhin 902 Zeilen hat, aber nun alle 38 Variablen aus beiden Datensätzen umfasst. Zur Sicherheit sollten wir überprüfen, ob doppelte Werte in der `id`-Variablen vorkommen, um auszuschließen, dass Fälle bei der Join-Operation verdoppelt wurden. Dafür können wir die `distinct()`-Funktion nutzen, die nur einzigartige Werte der angegebenen Variablen ausgibt:
```{r}
joined_df %>%
distinct(id)
```
902 einzigartige Werte in `id` -- es wurden also keine Fälle verdoppelt oder sind weggefallen.
## Kapitel 11: Daten visualisieren {-}
Für alle Aufgaben benötigen wir das Tidyverse und den Datensatz `facebook_europawahl.csv`. Zudem filtern wir in diesem nur die im Bundestag vertretenen Parteien an:
```{r, warning=FALSE, message=FALSE}
library(tidyverse)
bt_parteien <- c("alternativefuerde", "B90DieGruenen", "CDU", "CSU", "FDP", "linkspartei", "SPD")
facebook_europawahl <- read_csv("data/facebook_europawahl.csv") %>%
filter(party %in% bt_parteien)
```
__Lösung zur Übungsaufgabe \@ref(exr:ue11a1)__:
Als _Aesthetics_ weisen wir die Kommentarzahl (`comments_count`) der `x`-Achse, die Anzahl an Shares (`shares_count`) der `y`-Achse zu (oder andersum). Für Punktediagramme benötigen wie das _Geometric_ `geom_point()`:
```{r}
facebook_europawahl %>%
ggplot(aes(x = comments_count, y = shares_count)) +
geom_point()
```
An der Warnmeldung sehen wir im Übrigen, dass 5 Posts nicht abgebildet werden -- hierbei handelt es sich um `NA`-Werte.
__Lösung zur Übungsaufgabe \@ref(exr:ue11a2)__:
Eine Möglichkeit, sowohl Partei (`party`) als auch Typ des Posts (`type`) eine Aesthetic zuzuweisen -- z. B. `color` (Punkt- bzw. Linienfarbe) für die Partei, `shape` (Punktform) für die den Typ des Beitrags:
```{r, warning=FALSE}
facebook_europawahl %>%
ggplot(aes(x = comments_count, y = shares_count, color = party, shape = type)) +
geom_point()
```
Eine andere Möglichkeit besteht darin, zusätzlich mit Facets zu arbeiten:
```{r, warning=FALSE}
facebook_europawahl %>%
ggplot(aes(x = comments_count, y = shares_count, color = party)) +
geom_point() +
facet_wrap(~type)
```
__Lösung zur Übungsaufgabe \@ref(exr:ue11a3)__:
Einige Möglichkeiten zur Verbesserung und Verschönerung des Plots:
- Verwendung eines _Themes_
- Achsen-/Skalenbeschriftungen
- Verwendung der tatsächlichen Parteifarben
- Gleiche Skalierung von x- und y-Achse (da gleiche zugrundeliegende Einheit); der bisher noch unbekannte Befehl `coord_fixed()` sorgt dafür, dass Einheiten auf der x- und y-Achse gleich dargestellt werden:
```{r, warning=FALSE}
facebook_europawahl %>%
ggplot(aes(x = comments_count, y = shares_count, color = party, shape = type)) +
geom_point() +
scale_y_log10(name = "Anzahl der Shares", ) +
scale_x_log10(name = "Anzahl der Kommentare",) +
scale_color_manual(name = "Partei",
values = c("CDU" = "#000000",
"CSU" = "#6E6E6E",
"SPD" = "#FE2E2E",
"alternativefuerde" = "#81BEF7",
"FDP" = "#FFFF00",
"linkspartei" = "#DF01A5",
"B90DieGruenen" = "#01DF01"),
labels = c("alternativefuerde" = "AfD",
"linkspartei" = "Linke",
"B90DieGruenen" = "Grüne")) +
scale_shape_discrete(name = "Art des Beitrags") +
theme_bw() +
coord_fixed()
```
## Kapitel 12: Arbeiten mit Textdaten {-}
__Lösung zur Übungsaufgabe \@ref(exr:ue12a1)__:
```{r}
experiment <- tibble(experimentalgruppe = c("Gruppe A", "Gruppe B", "Gruppe A", "Gruppe C"))
```
Ziel war es, lediglich die Gruppenkennung in einer neuen Spalte hinzuzufügen. Dafür gibt es viele verschiedene Möglichkeiten, z. B.:
- `str_sub()`: Lediglich das letzte Zeichen als Substring auswählen
```{r}
experiment %>%
mutate(gruppe_kurz = str_sub(experimentalgruppe, -1, -1))
```
- `str_replace()`: `"Gruppe "` durch einen leeren String `""` ersetzen:
```{r}
experiment %>%
mutate(gruppe_kurz = str_replace(experimentalgruppe, "Gruppe ", ""))
```
__Lösung zur Übungsaufgabe \@ref(exr:ue12a2)__:
```{r}
imdb_urls <- c(
"https://www.imdb.com/title/tt6751668/?ref_=hm_fanfav_tt_4_pd_fp1",
"https://www.imdb.com/title/tt0260991/",
"www.imdb.com/title/tt7282468/reviews",
"https://m.imdb.com/title/tt4768776/"
)
```
Zur Extraktion der IDs bietet sich `str_extract()` an mit RegEx an. Mit dem RegEx-String `"tt\\d{7}"` matchen wir jegliche IMDb-ID, die immer dem Schema `"tt"`, gefolgt von 7 Ziffern folgen:
```{r}
imdb_urls %>%
str_extract("tt\\d{7}")
```
__Lösung zur Übungsaufgabe \@ref(exr:ue12a3)__:
```{r}
adressen = c(
"Platz der Republik 1, D-11011 Berlin",
"Dr.-Karl-Renner-Ring 3, A-1017 Wien",
"Bundesplatz 3, CH-3005 Bern"
)
```
Sinnvoll ist es, nach und nach die einzelnen Adress-Bestandteile auszuwählen.
- Der Straßenname ist dabei der komplizierteste Part, da er aus Groß- und Kleinbuchstaben, Bindestrichen, Leerzeichen und Punkten bestehen kann. Eine Möglichkeit ist es daher, all diese Zeichen als eigene Übereinstimmungsgruppe zu definieren: `[A-Za-z-\\s\\.]+`. Da keine Ziffern im Straßennamen vorkommen, können wir das jedoch abkürzen, indem wir für den Straßennamen alles matchen, was _keine_ Ziffer ist: `\\D+`. Durch Klammern können wir angegeben, dass dies der erste Bestandteil der Adresse ist, den wir extrahieren möchten: `"(\\D+)"`.
- Es folgt (in diesem Beispiel) stets Whitespace und die Hausnummer, was wir mit `\\s\\d+` matchen können. Da wir das Leerzeichen nicht extrahieren möchten, ziehen wir die nächsten Klammern lediglich um das `\\d+`: `"(\\D+)\\s(\\d+)"`.
- Es folgen nun ein Komma, Whitespace und ein oder zwei Großbuchstaben für den Ländercode; letztere können wir beispielsweise mit `[A-Z]{1,2}` matchen. Erneut wollen wir nur die 1-2 Großbuchstaben extrahieren: `"(\\D+)\\s(\\d+),\\s([A-Z]{1,2})"`.
- Nun kommt ein Bindestrich und die 4-5-stellige Postleitzahl: `"(\\D+)\\s(\\d+),\\s([A-Z]{1,2})-(\\d{4,5})"`.
- Schließlich folgt noch ein Whitespace und die Stadt, die wir z. B. schnell mittels `\\D+` (alles außer Ziffern) matchen können: `"(\\D+)\\s(\\d+),\\s([A-Z]{1,2})-(\\d{4,5})\\s(\\D+)"`
Diesen String können wir nun `str_match()` übergeben:
```{r}
adr_string <- "(\\D+)\\s(\\d+),\\s([A-Z]{1,2})-(\\d{4,5})\\s(\\D+)"
adressen %>%
str_match(adr_string)
```
Als Resultat erhalten wir eine Matrix, in der in der ersten Spalten der komplette gematchte String sowie in den folgenden Spalten die einzelnen gematchten Bestandteile, definiert durch runde Klammern `()` stehen.
## Kapitel 15: Web Scraping {-}
Für die Lösungen wird das Package `polite` in Kombination mit `rvest` verwendet. Die Extraktion der HTML-Elemente unterscheidet sich jedoch nicht, wenn nur `rvest` verwendet wird.
```{r, message=FALSE, warning=FALSE}
library(polite)
library(rvest)
```
__Lösung zur Übungsaufgabe \@ref(exr:ue15a1)__:
Wir besuchen zunächst [den Artikel](https://www.sueddeutsche.de/sport/hsv-kiel-hecking-ausgleich-1.4931360) und finden über SelectorGadget oder die Untersuchen-Funktion heraus, dass
- der Artikel in der CSS-Klasse `.sz-article` steht
- die gesuchten Inhalte in den CSS-Klassen `.css-11lvjqt` (Datum und Uhrzeit), `.css-1keap3i` (Kicker), `.css-1kuo4az` (Überschrift) und `.css-1psf6fc` (Lead) stehen.
Nun stellen wir uns mit `bow()` dem Server vor (wenn nur `rvest` genutzt wird, wird dieser Schritt übersprungen):
```{r}
url <- "https://www.sueddeutsche.de/sport/hsv-kiel-hecking-ausgleich-1.4931360"
sz1 <- bow(url)
```
Und scrapen die Seite (analog zu `read_html()` in `rvest`):
```{r}
html_content <- scrape(sz1)
```
Nun extrahieren wir die gewünschten Elemente:
```{r}
html_content %>%
html_nodes(".css-11lvjqt, .css-1keap3i, .css-1kuo4az, .css-1psf6fc") %>%
html_text() %>%
str_squish()
```
__Lösung zur Übungsaufgabe \@ref(exr:ue15a2)__:
Ein Problem ist hier, dass viele Links auf der Seite stehen, wir aber nur einen abgreifen möchten. Dies können wir erreichen, indem wir zunächst lediglich den Artikel selbst über die Klasse `.sz-article` auswählen, dann nur die Textabsätze mit dem HTML-Tag `p` und schließlich Links mit dem HTML-Tag `a`:
```{r}
html_content %>%
html_nodes(".sz-article") %>%
html_nodes("p") %>%
html_nodes("a") %>%
html_attr("href")
```
__Lösung zur Übungsaufgabe \@ref(exr:ue15a3)__:
Wir wandeln den obigen Code in eine Funktion um:
```{r}
scrape_sz <- function(url) {
# Vorstellen
sz <- bow(url)
# Scrapen
html_content <- scrape(sz)
# Interessierende HTML-Elemente extrahieren
info <- html_content %>%
html_nodes(".css-11lvjqt, .css-1keap3i, .css-1kuo4az, .css-1psf6fc") %>%
html_text() %>%
str_squish()
# In Tibble umwandeln
info_tibble <- tibble(
release = info[1],
kicker = info[2],
headline = info[3],
lead = info[4]
)
# Tibble zurückgeben
return(info_tibble)
}
```
Und testen dies am zweiten Artikel:
```{r}
scrape_sz("https://www.sueddeutsche.de/sport/stuttgart-hsv-2-bundesliga-castro-1.4921867")
```
## Kapitel 17: Automatisierte Inhaltsanalyse: Einführung und Grundbegriffe {-}
Für alle Aufgaben benötigen wir Quanteda und müssen den Facebook-Datensatz wie gewohnt filtern:
```{r, message=FALSE, warning=FALSE}
library(tidyverse)
library(quanteda)
bt_parteien <- c("alternativefuerde", "B90DieGruenen", "CDU", "CSU", "FDP", "linkspartei", "SPD")
facebook_europawahl <- read_csv("data/facebook_europawahl.csv") %>%
filter(party %in% bt_parteien)
```
__Lösung zur Übungsaufgabe \@ref(exr:ue17a1)__:
Wir erstellen das Korpus-Objekt mit der `corpus()`-Funktion.
```{r}
fb_corpus <- corpus(facebook_europawahl, docid_field = "id", text_field = "message")
```
__Lösung zur Übungsaufgabe \@ref(exr:ue17a2)__:
Die einzelnen Schritte zur Tokenisierung können wir in eine Pipe packen:
```{r}
fb_tokens <- tokens(fb_corpus, # Erzeuge Tokens
remove_punct = TRUE,
remove_numbers = TRUE,
remove_symbols = TRUE,
remove_url = TRUE) %>%
tokens_tolower() %>% # Kleinschreibung
tokens_remove(stopwords("german")) %>% # Deutsche Stoppwörter entfernen
tokens_ngrams(n = c(1, 2, 3)) # Erzeuge Uni-, Bi- und Trigramme
```
__Lösung zur Übungsaufgabe \@ref(exr:ue17a3)__:
Zunächst erstellen wir die DFM:
```{r}
fb_dfm <- dfm(fb_tokens)
```
Die Top-Features pro Partei:
```{r}
topfeatures(fb_dfm, groups = "party")
```
Das sich darunter fast keine Trigramme (außer eine Hashtag-Kominbation bei der FDP) befinden, ziehen wir daraus vorerst keinen Mehrwert. Die Zeichenkette `\U0001f1ea\U0001f1fa` verweist auf Fehler bei der Bereinigung der Texte -- hierbei handelt es sich um den Code für das Europaflaggen-Emoji, der eigentlich durch `remove_symbols = TRUE` hätte entfernt werden sollen. Auch einige URL-Bestandteile wurden nicht korrekt entfernt, ebenso gibt es ein paar falsche Worttrennungen, z. B. wenn ein Gendersternchen enthalten war. Hier sollte also manuell nachgebessert werden.
Um die Hashtags zu analysieren, erstellen wir eine DFM, die nur diese enthält:
```{r}
dfm_hashtags <- dfm_select(fb_dfm, "#*") # Wählt alle Hashtags aus
```
Wir können uns nun wieder mittels `topfeatures()` die häufigsten Hashtags ausgeben lassen:
```{r}
topfeatures(dfm_hashtags) # allgemein
topfeatures(dfm_hashtags, groups = "party") # getrennt nach Partei
```
## Kapitel 18: Textdeskription und einfache Textvergleiche {-}
Auch hier benötigen wir Quanteda und müssen den Facebook-Datensatz wie gewohnt filtern. Zudem laden wir auch Tidytext:
```{r, message=FALSE, warning=FALSE}
library(tidyverse)
library(tidytext)
library(quanteda)
bt_parteien <- c("alternativefuerde", "B90DieGruenen", "CDU", "CSU", "FDP", "linkspartei", "SPD")
facebook_europawahl <- read_csv("data/facebook_europawahl.csv") %>%
filter(party %in% bt_parteien)
```
__Lösung zur Übungsaufgabe \@ref(exr:ue18a1)__:
Wir erzeugen zunächst wie gehabt Korpus-, Tokens- und DFM-Objekte:
```{r}
fb_corpus <- corpus(facebook_europawahl, docid_field = "id", text_field = "message")
fb_tokens <- tokens(fb_corpus,
remove_punct = TRUE,
remove_numbers = TRUE,
remove_symbols = TRUE,
remove_url = TRUE) %>%
tokens_tolower() %>%
tokens_remove(stopwords("german"))
fb_dfm <- dfm(fb_tokens)
```
Zunächst ein Blick auf die einfachen Worthäufigkeiten:
```{r, warning=FALSE}
featfreq(fb_dfm) %>%
tidy() %>%
arrange(desc(x))
```
Wenig überraschend fallen Begriffe wie "Europa", "Deutschland" und "Europawahl" sehr häufig. Es zeigen sich aber auch bereits ein paar Probleme, die wir bereits von der vorherigen Übung kennen, z. B. dass Stoppwörter wie "dass" weiterhin im Datensatz verbleiben. Auch das Europaflaggen-Emoji wird offenbar sehr häufig verwendet.
Wir können uns die wichtigsten Begriffe auch als Wordcloud anzeigen lassen:
```{r}
textplot_wordcloud(fb_dfm, max_words = 100)
```
Kollokationen verweisen vor allem auf die Namen der Kandidat*innen sowie beliebte Hashtag-Kombinationen:
```{r}
textstat_collocations(fb_tokens) %>%
as_tibble() %>%
arrange(desc(count))
```
Kookkurenzen zeigen, dass wohl vor allem die AfD thematisiert wurde (ob durch sich selbst oder andere Parteien, ergeht hieraus nicht). Auch hier sehen wir, dass noch URL-Bestandteile (`"https"`) im Datensatz verbleiben; diese sollten also noch manuell gefiltert werden.
```{r}
fcm(fb_tokens) %>%
tidy() %>%
arrange(desc(count))
```
Für Keyness-Analysen benötigen wir zunächst eine nach Parteien gruppierte DFM:
```{r}
fb_dfm_grouped <- dfm(fb_tokens, groups = "party")
```
Wir können uns nun die Keywords je Partei ausgeben lassen -- im Beispiel für SPD und Grüne:
```{r}
textstat_keyness(fb_dfm_grouped, target = "SPD") %>%
as_tibble()
textstat_keyness(fb_dfm_grouped, target = "B90DieGruenen") %>%
as_tibble()
```
Neben wenigen inhaltlichen Begriffe (`"soziales"`, `"zusammenhalt"`) werden die Listen dominiert durch Eigennamen; um tatsächliche inhaltliche Keywords zu bestimmen, würde es sich daher lohnen, Namen von Kandidat*innen, Parteien etc. aus der DFM zu löschen.
## Kapitel 19: Diktionärbasierte Ansätze {-}
Erneut hier benötigen wir Quanteda und müssen den Facebook-Datensatz wie gewohnt filtern. Zudem laden wir auch Tidytext:
```{r eval=FALSE, message=FALSE, warning=FALSE}
library(tidyverse)
library(tidytext)
library(quanteda)
bt_parteien <- c("alternativefuerde", "B90DieGruenen", "CDU", "CSU", "FDP", "linkspartei", "SPD")
facebook_europawahl <- read_csv("data/facebook_europawahl.csv") %>%
filter(party %in% bt_parteien)
```
Wir laden außerdem, wie in der Aufgabenstellung angegeben, die Dictionaries:
```{r, message=FALSE, warning=FALSE}
sentiws_pos <- read_delim("data/SentiWS_v2.0_Positive.txt", col_names = c("word", "value", "flections"), delim = "\t") %>%
mutate(sentiment = "positive")
sentiws_neg <- read_delim("data/SentiWS_v2.0_Negative.txt", col_names = c("word", "value", "flections"), delim = "\t") %>%
mutate(sentiment = "negative")
sentiws <- sentiws_pos %>%
bind_rows(sentiws_neg) %>%
separate(word, c("word", "type"), sep = "\\|") %>%
mutate(word = str_c(word, flections, sep = ",")) %>%
select(-flections, -type) %>%
separate_rows(word, sep = ",") %>%
na.omit()
```
Außerdem erzeugen wir einen Korpus der Facebook-Posts:
```{r}
fb_corpus <- corpus(facebook_europawahl, docid_field = "id", text_field = "message")
```
__Lösung zur Übungsaufgabe \@ref(exr:ue19a1)__:
Wir extrahieren zunächst die positiven und negativen Begriffe als Vektoren mittels `filter()` und `pull()`:
```{r}
senti_pos <- sentiws %>%
filter(sentiment == "positive") %>%
pull(word, sentiment)
senti_neg <- sentiws %>%
filter(sentiment == "negative") %>%
pull(word, sentiment)
```
Mit beiden Vektoren können wir nun ein Quanteda-Dictionary mittels `dictionary()` erstellen. `dictionary()` konvertiert automatisch in Kleinschreibung -- soll dies nicht geschehen, kann das mit dem Argument `tolower = FALSE` angepasst werden. Für unsere Zwecke ist eine Konvertierung in Kleinschreibung aber sinnvoll, da wir auch für die DFM in der Regel alle Wörter in Kleinschreibung umwandeln.
```{r}
sentiment_dictionary <- dictionary(list(
positiv = senti_pos,
negativ = senti_neg
))
sentiment_dictionary
```
Um die absoluten Häufigkeiten auszuzählen, genügt der `dfm()`-Befehl mit Angabe unseres Dictionaries und einer Gruppierung nach `party`:
```{r}
dfm(fb_corpus, dictionary = sentiment_dictionary, groups = "party")
```
Das Verhältnis von positivem zu negativem Sentiment erhalten wir durch anschließende Gewichtung mit `dfm_weight()`:
```{r}
dfm(fb_corpus, dictionary = sentiment_dictionary, groups = "party") %>%
dfm_weight(scheme = "prop")
```
Die AfD verzeichnet also den größten Anteil negativen Sentiments, gefolgt von der Linkspartei. Alle anderen Parteien kommunizieren sehr positiv.
Interessieren wir uns für den Anteil, den positive und negative Begriffe am Gesamt-Wortschatz der Parteien-Posts ausmachen, gewichten wir die DFM vor der Anwendung des Dictionaries:
```{r}
dfm(fb_corpus, groups = "party") %>%
dfm_weight(scheme = "prop") %>%
dfm(dictionary = sentiment_dictionary)
```
__Lösung zur Übungsaufgabe \@ref(exr:ue19a2)__:
Um den SentiWS als gewichtetes Lexikon zu nutzen und die Polaritätswerte zu berücksichtigen, benutzen wir Tidytext. Zunächst Tokenisieren wir unseren Datensatz. Auch dabei wird direkt in Kleinschreibung konvertiert:
```{r}
tidy_facebook <- facebook_europawahl %>%
unnest_tokens(word, message) %>%
select(id, party, word)
tidy_facebook
```
Per `inner_join()` können wir nun die Sentimentwerte anfügen:
```{r}
tidy_sentiments <- tidy_facebook %>%
inner_join(sentiws)
tidy_sentiments
```
Schließlich gruppieren wir per `group_by()` nach `party` und berechnen den Mittelwert des Sentiments:
```{r}
tidy_sentiments %>%
group_by(party) %>%
summarise(mean_sentiment = mean(value), .groups = "drop")
```
Auch hier weist die AfD das negativste Sentiment auf. Allerdings erscheint die Kommunikation der Linkspartei auf diesem Wege deulich positiver als zuvor.
## Kapitel 21: Topic Modeling {-}
Wie in der Aufgabenstellung geschrieben, laden wir die Daten dieses Mal aus dem `quanteda.corpora`-Package. Wir laden außerdem die bereits bekannten Packages zum `tidyverse` zum Datenhandling, `quanteda` zur Vorbereitung der Textdaten, sowie `stm` für das Topic Modeling.
```{r eval=FALSE, message=FALSE, warning=FALSE}
library(tidyverse)
library(stm)
library(quanteda)
guardian_corpus <- quanteda.corpora::download("data_corpus_guardian")
guardian_corpus
```
```{r include=FALSE}
library(stm)
```
__Lösung zur Übungsaufgabe \@ref(exr:ue21a1)__:
Die Preprocessing-Schritte führen wir wie gehabt mit Quanteda durch. Wir erzeugen zunächst eine DFM mit `dfm()` und können dabei irrelevante Token wie Satzzeichen, Zahlen, Symbole und Stoppwörter entfernen. Um die Berechnung zu erleichtern, trimmen wir die DFM zusätzlich um besonders seltene und häufige Wörter mit `dfm_trim()` (ich habe mich hier für alle Wörter die in mehr als 50% der Artikel sowie in weniger als 2% der Artikel vorkommen entschieden). Schließlich muss die DFM noch mit `convert()` in ein Format konvertiert werden, das das `stm`-Package erwartet.
```{r eval=FALSE}
# DFM Erzeugen
guardian_dfm <- dfm(guardian_corpus,
remove_punct = TRUE,
remove_numbers = TRUE,
remove_symbols = TRUE,
remove_url = TRUE,
remove = stopwords("english"))
# Trimmen
trimmed_dfm <- dfm_trim(guardian_dfm,
min_docfreq = 0.02,
max_docfreq = 0.50,
docfreq_type = "prop")
# Konvertieren
stm_dfm <- convert(trimmed_dfm, to = "stm")
```
Nun berechnen wir das Modell mit `K = 20` Themen. Da die Berechnung eine Zeit dauern kann, ist es sinnvoll, das Modellobjekt im Anschluss abzuspeichern.
```{r eval=FALSE}
guardian_model <- stm(stm_dfm$documents, stm_dfm$vocab, K = 20)
saveRDS(guardian_model, "data/stm_guardian_model.rds")
```
```{r include=FALSE}
guardian_model <- read_rds("data/stm_guardian_model.rds")
```
Anschließend können wir uns eine Übersicht der wichtigsten Wörter je Thema mittels `labelTopics()` ausgeben lassen:
```{r}
labelTopics(guardian_model)
```