-
Notifications
You must be signed in to change notification settings - Fork 7
/
beispielprojekte.Rmd
130 lines (103 loc) · 6.66 KB
/
beispielprojekte.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
---
title: "R Notebook"
output: html_notebook
---
This is an [R Markdown](http://rmarkdown.rstudio.com) Notebook. When you execute code within the notebook, the results appear beneath the code.
Try executing this chunk by clicking the *Run* button within the chunk or by placing your cursor inside it and pressing *Cmd+Shift+Enter*.
```{r}
plot(cars)
```
Add a new chunk by clicking the *Insert Chunk* button on the toolbar or by pressing *Cmd+Option+I*.
When you save the notebook, an HTML file containing the code and output will be saved alongside it (click the *Preview* button or press *Cmd+Shift+K* to preview the HTML file).
The preview shows you a rendered HTML copy of the contents of the editor. Consequently, unlike *Knit*, *Preview* does not run any R code chunks. Instead, the output of the chunk when it was last run in the editor is displayed.
# Automatisierte Inhaltsanalyse mit R
#
# inhaltsanalyse_9_beispiel_bundestag.R
#
# Arbeiten mit Metadaten am Beispiel des Bundestags-Korpus
# Installation und Laden der notwendigen Bibliotheken
if(!require("quanteda")) install.packages("quanteda")
if(!require("tidyverse")) install.packages("tidyverse")
if(!require("lubridate")) install.packages("lubridate")
if(!require("RColorBrewer")) install.packages("RColorBrewer")
# ggplot theme-Einstellung
theme_set(theme_bw())
# Laden des Bundestags-Korpus sowie der Sitzungstermine
load("daten/bundestag/bundestag.RData")
load("daten/bundestag/sitzungstermine.RData")
# Einfügen der Sitzungstermine sowie Umformatierung von Variablen
bundestag <- left_join(bundestag, sitzungstermine, "sitzung")
bundestag$termin_f <- ymd(format(bundestag$termin, "%Y-%m-01"))
bundestag$id <- as.character(bundestag$id)
# Hinzufügen der neuen Variable 'Altersgruppe'
geburtsjahr <- bundestag$birth_date %>%
str_sub(start = 1, end = 4) %>%
as.integer()
alter <- year(Sys.time())-geburtsjahr
altersgruppe <- cut(alter, breaks = seq(from = 30, to = 85, by = 5), ordered_result = TRUE)
bundestag <- bind_cols(bundestag, data.frame(altersgruppe))
# Wie ist die Verteilung nach Alter?
barplot(prop.table(table(alter))*100, main = "Altersverteilung im Bundestag", xlab = "Alter", ylab = "Anteil (%)")
# Wie ist die Verteilung nach Geschlecht?
pie(table(bundestag$gender), main = "Gerschlechterverteilung im Bundestag")
# Vorbereiten des Korpus
korpus <- corpus(bundestag, docid_field = "id", text_field = "text")
korpus <- corpus_subset(korpus, party != "fraktionslos") # parteilose Abgeordnete werden ausgeschlossen, da der Anteil sehr gering ausfällt
# Erstellung einer DFM, die alle Beiträge nach Partei gruppiert
meine.dfm <- dfm(korpus, groups = "party", remove_numbers = TRUE, remove_punct = TRUE, remove_symbols = TRUE, remove = c(stopwords("german"), "herr", "frau", "dr", "dat", "dass", "mehr", "müssen", "ja", "schon", "gibt", "geht"))
# Wie groß sind die Redeanteile nach Partei?
barplot(ntoken(meine.dfm), main = "Wortanteile nach Parteien im Bundestagskorpus (absolut)", ylab = "Tokens")
# Erstellung einer reduzierten DFM, die nur noch solche Terme im 95. Perzentil enthält (d.h. die circa 20+ mal vorkommen)
meine.dfm.trim <- dfm_trim(meine.dfm, min_count = .95)
# Distinktive Begriffe nach TF-IDF (einzelne Parteien)
meine.dfm.tfidf <- dfm_tfidf(meine.dfm.trim)
topfeatures(meine.dfm.tfidf[1,]) # CDU
topfeatures(meine.dfm.tfidf[2,]) # CSU
topfeatures(meine.dfm.tfidf[3,]) # GRÜNE
topfeatures(meine.dfm.tfidf[4,]) # LINKE
topfeatures(meine.dfm.tfidf[5,]) # SPD
# Extrahiere distinktive Begriffe nach TF-IDF für alle Parteien
distinktive.begriffe <- as.data.frame(dfm_sort(meine.dfm.tfidf, margin = "features"))
rownames(distinktive.begriffe) <- distinktive.begriffe$document
distinktive.begriffe <- t(distinktive.begriffe[,-1])
distinktive.begriffe <- distinktive.begriffe[rowSums(distinktive.begriffe) > 0,]
hmcol <- brewer.pal(9, "Blues")
heatmap(distinktive.begriffe, Colv = NA, col = hmcol, margins = c(10,8), main = "Distinktive Begriffe nach TF-IDF für alle Parteien")
# Definition eines (sehr!) einfachen Lexikons
mein.lexikon <- dictionary(list(freiheit = "freiheit", sicherheit = "sicherheit", gerechtigkeit = "gerechtigkeit", umwelt = "umwelt", familie = "familie", wirtschaft = "wirtschaft"))
# Themen nach Parteien
meine.dfm <- dfm(korpus, groups = "party", dictionary = mein.lexikon)
meine.dfm <- dfm_weight(meine.dfm, scheme = "prop")
themen <- as.data.frame(meine.dfm) %>%
rename(Partei = document) %>%
gather(Kategorie, Anteil, -Partei)
ggplot(themen, aes(Partei, Anteil, fill = Kategorie)) + geom_bar(stat = "identity") + ggtitle("Lexikonbasierte Themenkategorien nach Parteien im Bundestagskorpus (%)")
# Themen nach Geschlecht
meine.dfm <- dfm(korpus, groups = "gender", dictionary = mein.lexikon)
meine.dfm <- dfm_weight(meine.dfm, scheme = "prop")
themen <- as.data.frame(meine.dfm) %>%
rename(Gender = document) %>%
gather(Kategorie, Anteil, -Gender)
ggplot(themen, aes(Gender, Anteil, fill = Kategorie)) + geom_bar(stat = "identity") + ggtitle("Lexikonbasierte Themenkategorien nach Geschlecht im Bundestagskorpus (%)")
# Themen nach Altersgruppe
meine.dfm <- dfm(korpus, groups = "altersgruppe", dictionary = mein.lexikon)
meine.dfm <- dfm_weight(meine.dfm, scheme = "prop")
themen <- as.data.frame(meine.dfm) %>%
rename(Altersgruppe = document) %>%
gather(Kategorie, Anteil, -Altersgruppe)
ggplot(themen, aes(Altersgruppe, Anteil, fill = Kategorie)) + geom_bar(stat = "identity") + ggtitle("Lexikonbasierte Themenkategorien nach Altersgruppe im Bundestagskorpus (%)")
# Themen nach Berufsgruppe --- leider ist die Variable nicht wirklich brauchbar, weil nur eine handvoll Personen zugeordnet sind - lieber education verwendens
meine.dfm <- dfm(korpus, groups = "education_category", dictionary = mein.lexikon)
meine.dfm <- dfm_weight(meine.dfm, scheme = "prop")
themen <- as.data.frame(meine.dfm) %>%
rename(Berufsgruppe = document) %>%
gather(Kategorie, Anteil, -Berufsgruppe)
ggplot(themen, aes(Berufsgruppe, Anteil, fill = Kategorie)) + geom_bar(stat = "identity") + ggtitle("Lexikonbasierte Themenkategorien nach Berufsgruppe im Bundestagskorpus (%)") + theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Themen über die Zeit
meine.dfm <- dfm(korpus, groups = "termin_f", dictionary = mein.lexikon)
meine.dfm <- dfm_weight(meine.dfm, scheme = "prop")
themen <- as.data.frame(meine.dfm) %>%
rename(Termin = document) %>%
mutate(Termin = ymd(Termin)) %>%
gather(Kategorie, Anteil, -Termin)
ggplot(themen, aes(Termin, Anteil, group = Kategorie)) + geom_line(aes(color = Kategorie), size = 1) + scale_x_date(date_breaks = "months", date_labels = "%b %Y") + ggtitle("Lexikonbasierte Themenkategorien nach über die Zeit im Bundestagskorpus (%)") + theme(axis.text.x = element_text(angle = 45, hjust = 1))