Teaser: Datenanalyse mit R

Seminar Inhaltsanalyse mit künstlicher Intelligenz

Autor:in

Zugehörigkeit

Marko Bachl

Freie Universität Berlin

Einführung

Dieses interaktive Dokument bietet einen ersten Einstieg in die Datenanalyse mit R. Der Code ist in R geschrieben und wird mit WebR im Browser ausgeführt. Das Format eignet sich gut zur Einführung, da Sie nichts installieren müssen und die Ausführung selbst auf (halbwegs aktuellen) Smartphones und Tablets möglich ist.

Wenn Sie tiefer in die Datenanalyse mit R einsteigen möchten, empfehle ich Ihnen die Installation von R und RStudio auf einem lokalen Rechner. Dies ist sinnvoll, da Sie in der WebR-Anwendung lokale Dateien nicht direkt einlesen und den erstellten Code nicht direkt speichern können. Zum Einstieg finden Sie ein R-Skript mit den hier präsentierten Code-Ausschnitten in Blackboard🔒 im Ordner Code.

In dieser einzelnen Seminarsitzung können wir nur absoluten Grundlagen besprechen, die Sie zur Analyse der Daten aus Ihrer Inhaltsanalyse benötigen. Wenn Sie am IfPuK tiefer in die Datenanalyse einsteigen möchten, können Sie in einem der nächsten Semester den Kurs Datenanalyse mit R von Dr. Lück-Benz besuchen. Unter dem ersten Link finden Sie das gesamte Kursmaterial, sodass Sie sich auch eigenständig einarbeiten können. Darüber hinaus finden Sie im Internet unzählige Ressourcen aller Art, die Ihnen bei der Einarbeitung in R helfen können. Für jeden Geschmack, Lerntyp, und jedes Vorwissen ist etwas dabei.

Hinweise zur Benutzung dieses interaktiven Dokuments

• Wenn Sie den vorgegebenen Code einfach ausführen möchten, klicken Sie auf den Play-Button (“Run Code”).
• Die Code-Felder sind interaktiv, dass heißt, Sie können den Code verändern und erneut ausführen.
• Die Schritte des vorgegebenen bauen aufeinander auf:
  • Sie müssen die vorherigen Schritte durchführen, um die nachfolgenden Schritte ausführen zu können.
  • Wenn Sie den Code in einem Schritt verändern, müssen Sie ggf. die nachfolgenden Schritte ebenfalls anpassen und erneut ausführen.

Pakete laden

R ist eine Programmiersprache, die durch Pakete erweitert werden kann. Pakete enthalten Funktionen, die spezielle Aufgaben erledigen. In diesem Dokument verwenden wir nur Funktionen aus den Paketen base und stats, die in R standardmäßig enthalten sind. Daher müssen wir keine zusätzlichen Pakete installieren.

Zusätzliche Pakete müssen vor der erstmaligen Verwendung mit der Funktion install.packages() installiert werden. In diesem Dokument sind die Pakete bereits installiert und können direkt geladen werden. Dies geschieht mit der Funktion library().

Daten einlesen

Zuerst müssen die Daten eingelesen werden. Hierzu verwenden wir die Funktion read.csv2(). Diese Funktion liest Daten aus einer CSV-Datei ein, in der die Spalten mit ; getrennt sind. Die Daten werden in einem data.frame gespeichert. Ein data.frame ist eine Tabelle, die aus Zeilen und Spalten besteht. Jede Spalte enthält eine Variable (bei uns: eine Kategorie), jede Zeile enthält einen Fall (bei uns: ein Kommentar).

Wir speichern den Datensatz in einem Objekt mit dem Namen daten. Das geschieht mit dem sogenannten Zuweisungsoperator. In R können Sie dafür das Zeichen = oder <- verwenden.

Ich habe die Daten bereits für die Analyse aufbereitet. Sie können die Daten daher direkt über einen Link einlesen. Sie finden die Datensätze hier: https://bachl.github.io/raw_data/.

Fügen Sie den Link zur CSV-Datei Ihrer AG in die Funktion read.csv2() ein. Der Link muss in Anführungszeichen stehen. Führen Sie dann den Code aus.

Daten ansehen

Wenn wir ein Objekt in R ansehen wollen, können wir einfach dessen Namen in die Konsole eingeben. Das funktioniert auch mit data.frame-Objekten.

Geben Sie den Namen des Objekts, daten, in die folgende Konsole ein und führen Sie den Code aus.

Wir können zwar erahnen, wie dieser Datensatz aufgebaut ist. Allerdings ist der Datensatz viel zu groß, um ihn sinnvoll in einem Fenster anzuzeigen. Daher verwenden wir die Funktion str(), um uns die Struktur des Datensatzes anzeigen zu lassen.

Ändern Sie Befehl in der Konsole, indem Sie die Funktion str() ergänzen, sodass der Name des Objekts innerhalb der Klammer steht. Führen Sie dann den Code nochmals aus.

Wir sehen nun die Zahl der Fälle (“obs.”, Zeilen im Datensatz) und der Variablen (“variables”, Spalten im Datensatz). Darüber hinaus sehen wir die Namen der Variablen und deren Datentypen. Die Datentypen sind wichtig, da sie bestimmen, welche Operationen auf den Variablen durchgeführt werden können. Mit int (Integer, Ganzzahl) und num (Numeric, Dezimalzahl) können wir rechnen. Variablen vom Typ chr (Character, Zeichenkette) können wir nur auszählen. Zudem sehen wir die Ausprägungen der Variablen in den ersten Fällen.

In unserem Beispiel gibt es, wie häufig in der Inhaltsanalyse, viele Variablen vom Typ chr. Unsere Analyse wird sich daher auf das Auszählen von Ausprägungen in den Vergleichsgruppen beschränken. Wir erstellen Kreuztabellen und führen \(\chi^2\)-Tests durch.

Eine Variable auszählen

Wir verwenden die Funktion table() aus dem Paket base, um die Häufigkeit von Ausprägungen einer Variable zu zählen. Die Funktion table() benötigt ein Argument: die Variable, die wir auszählen wollen.

Eine Variable aus einem data.frame wird mit dem Operator $ ausgewählt. Der Operator wird zwischen den Namen des data.frame und der Variable geschrieben: daten$VARIABLENNAME_HIER.

Fügen Sie den Namen einer Variablen aus dem Datensatz in die Funktion table() ein und führen Sie den Code aus.

Wenn alles funktioniert hat, sehen wir nun die Ausprägungen der Variable und ihre absoluten Häufigkeiten.

Wir können die Tabelle nicht nur anzeigen lassen, sondern auch in ein neues Objekt abspeichern. Das wird später hilfreich sein, wenn wir weiter mit der Tabelle arbeiten wollen.

Speichern Sie die Tabelle in einem neuen Objekt, indem Sie den Namen und den Zuweisungsoperator ergänzen und den Code erneut ausführen.

Dieses Objekt können wir nun weiterverwenden, z.B., um die Ausprägungen nach Häufigkeiten zu sortieren oder die Häufigkeiten in Prozent auszugeben.

Wenn wir die Tabelle nach Häufigkeit der Ausprägungen sortieren wollen, können wir die Funktion sort() verwenden. sort() benötigt zwei Argumente: die Tabelle, die wir sortieren wollen, und das Argument decreasing, das angibt, ob die Sortierung absteigend (TRUE) oder aufsteigend (FALSE) erfolgen soll.

Fügen Sie das Objekt, in dem Sie die Tabelle gespeichert haben, in die Funktion sort() ein, geben Sie an, ob Sie eine absteigende oder aufsteigende Häufigkeit wünschen, und führen Sie den Code aus.

Um eine einfache Auszählung mit einer Variable in Prozent anzeigen zu lassen, verwenden wir die Funktion prop.table(). prop.table() benötigt in diesem Fall einen Input: die Tabelle, die wir umwandeln wollen.

Ersetzen Sie sort() durch prop.table() und entfernen Sie ggf. das Argument decreasing. Führen Sie den Code erneut aus.

Die Ausgabe zeigt nun die Ausprägungen der Variablen und ihre Anteile. Die vielen Nachkommastellen sind nicht sehr übersichtlich. Wir können die Tabelle mit der Funktion round() auf zwei Nachkommastellen runden. round() benötigt zwei Argumente: die Werte, die wir runden wollen, und das Argument digits, das angibt, auf wie viele Nachkommastellen gerundet werden soll.

Um in R mehrere Funktionen nacheinander auf ein Objekt anzuwenden, können wir den Pipe-Operator |> verwenden. Der Pipe-Operator gibt die Ausgabe einer Funktion an die nächste Funktion weiter, wo diese in der Regel als erstes Argument verwendet wird. Dadurch entsteht recht gut lesbarer Code, da |> als “und dann” gelesen werden kann.

Fügen Sie |> round(digits = 2) zum Befehl in der Konsole hinzu und führen Sie den Code erneut aus.

Wir können auch mehrere Funktionen mit dem Pipe-Operator verketten. Fügen Sie |> sort(decreasing = TRUE) zum Befehl in der Konsole hinzu und führen Sie den Code erneut aus, um die Tabelle in relativen Häufigkeiten nach absteigender Häufigkeit zu sortieren. Mit |> können wir übrigens Befehle über mehrere Zeilen verteilen, was der Lesbarkeit zugute kommt.

Schließlich können wir die Tabelle auch direkt als Diagramm darstellen. Wenn wir die sortierte Tabelle mit Prozentwerten als Balkendiagramm darstellen wollen, können wir einfach die Funktion barplot() mit einem weiteren Pipe-Operator anhängen.

Fügen Sie |> barplot() zum Befehl in der Konsole hinzu und entfernen Sie die Zeile round(digits = 2) |>, da die Werte für die grafische Darstellung nicht gerundet sein sollen. Führen Sie dann den Code erneut aus.

Zwei Variablen auszählen: Kreuztabelle

Um die Verteilung der Ausprägungen eine Variable in den durch eine zweite Variable gebildeten Gruppen zu untersuchen, erstellen wir eine Kreuztabelle. Dazu verwenden wir die Funktion table() erneut, diesmal mit zwei Variablen.

Es ist üblich, die abhängige Variable in den Zeilen und die unabhängige Variable in den Spalten der Tabelle anzuordnen. Dazu fügen wir zuerst die abhängige, dann die unabhängige Variable in die Funktion table() ein. Wir wollen die Kreuztabelle wieder in einem Objekt speichern.

Fügen Sie die Namen der abhängigen und unabhängigen Variablen in die Funktion table() ein und wählen Sie einen geeigneten Namen für das Objekt. Schreiben Sie den Objektnamen nochmals in Zeile 2. Führen Sie dann den Code aus.

Wir sehen nun die Verteilung der abhängigen Variable in den Gruppen der unabhängigen Variable in absoluten Häufigkeiten. Falls die Vergleichsgruppen nicht gleich groß sind, ist das wenig informativ. Mit der Funktion prop.table() können wir wieder relative Häufigkeiten zeigen. In einer Kreuztabelle müssen wir mit dem Argument margin angeben, ob wir Zeilen- oder Spaltenprozente berechnen wollen. margin = 1 berechnet die Zeilenprozente, margin = 2 die Spaltenprozente. Wenn die unabhängige Variable wie üblich in den Spalten steht, berechnen wir Spaltenprozente.

Fügen Sie |> prop.table(margin = 2) zum Befehl in der Konsole hinzu und führen Sie den Code erneut aus. Um die Ergebnisse übersichtlicher zu gestalten, können Sie danach zusätzlich |> round(digits = 2) ergänzen.

Um die Kreuztabelle mit relativen Häufigkeiten zu visualisieren, können wir wieder |> barplot() anhängen. Entfernen Sie das Runden und führen Sie dann den Code erneut aus.

Einige nützliche Optionen für das Balkendiagramm:

• legend = TRUE fügt eine Legende hinzu.
• Damit die Legend nicht über die Balken gelegt wird, können wir mit xlim = c(0, XXX) rechts Platz schaffen.
• Mit col = c("red", "green", "blue") (oder anderen Farben) können wir die Balken einfärben.
• Mit beside = TRUE können wir die Balken nebeneinander statt übereinander darstellen.
• las = 2 dreht die Beschriftung der x-Achse um 90 Grad.
• cex.names = 0.8 verkleinert die Beschriftung der Balken.

Allgemein ist das Anpassen von Grafiken mit base R etwas gewöhnungsbedürftig. Mit Internet- oder KI-Unterstützung findet man aber in der Regel irgendwann die richtigen Optionen. Eine mächtige Alternative ist das Paket ggplot2, das ich sehr empfehle, hier aber den Rahmen sprengen würde. Sie können sich hier einlesen: ggplot2: Elegant Graphics for Data Analysis.

\(\chi^2\)-Test

Mit dem \(\chi^2\)-Test können wir prüfen, ob die Verteilung der abhängigen Variable in den Gruppen der unabhängigen Variable signifikant voneinander abweicht. Der \(\chi^2\)-Test wird mit der Funktion chisq.test() durchgeführt, die auf das Objekt angewendet wird, in das wir die Kreuztabelle gespeichert haben.

Fügen Sie den Namen des Objekts, in dem Sie die Kreuztabelle gespeichert haben, in die Funktion chisq.test() ein und führen Sie den Code aus.

Der \(\chi^2\)-Test gibt die Teststatistik, die Freiheitsgrade und den daraus abgeleiteten p-Wert aus.

Zusatz: Fälle ausschließen und Teilstichproben auswählen

AG 5 hat eine Kriterien definiert, nach denen entschieden wird, ob ein Kommentar überhaupt analysiert werden soll. Dazu muss der Tweet “suitable” sein (nach Variable VA01_value) und “pro Biden” oder “pro Trump” Stellung beziehen (nach Variable VA02_value). Die anderen Arbeitsgruppen wollen möglicherweise ebenfalls nur bestimmte Fälle analysieren.

Dazu können wir die Funktion subset() verwenden. subset() akteptiert drei Argumente:

• x: den Datensatz, den wir filtern wollen,
• subset: den Filter für die Zeilen (hier: Kommentare),
• select: den Filter für die Spalten (hier: Kategorien).

Um den Filter von AG 5 anzuwenden, muss VA01_value gleich "suitable" und die Variable VA02_value nicht gleich "Others" sein. Wir speichern den bereinigten Datensatz in einem neuen Objekt.

Gebräuchliche logische Operatoren für die Auswahl von Fällen sind: == (gleich), != (ungleich), > (größer), < (kleiner), >= (größer oder gleich), <= (kleiner oder gleich). Mit & (und) und | (oder) können mehrere Bedingungen verknüpft werden.

Zusätzliche Konsole