-
Notifications
You must be signed in to change notification settings - Fork 7
/
hausaufgaben.Rmd
179 lines (141 loc) · 8.65 KB
/
hausaufgaben.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
---
title: "Hausaufaben"
output: html_notebook
---
Folgend finden Sie Lösungen für die Hausaufgaben zur 3. Sitzung. Sehr häufig gibt es mehrere Lösungswege.
```{r}
# Installation und Laden der Bibliotheken
if(!require("quanteda")) install.packages("quanteda")
if(!require("tidyverse")) install.packages("tidyverse")
theme_set(theme_minimal())
```
1. Wie häufig kommt der Suchterm crime im Sherlock Holmes-Korpus vor?
```{r}
load("daten/sherlock/sherlock.korpus.RData")
# Variante 1: mit kwic()
nrow(kwic(korpus, "crime"))
# Variante 2: mit dfm_select()
sherlock.dfm <- dfm(korpus) # Berechnen DFM
crime <- dfm_select(sherlock.dfm, pattern = "crime")
sum(crime)
# Variante 3: mit tokens_select()
woerter <- tokens(korpus)
crime <- tokens_select(woerter, "crime", selection = "keep")
length(unlist(crime))
```
2. Formulieren Sie einen kwic()-Befehl, der im Finanzkrise-Korpus
(daten/cosmas/finanzkrise/finanzkrise.korpus.RData) Verweise auf verschiedene
nationale Notenbanken findet.
```{r}
load("daten/cosmas/finanzkrise/finanzkrise.korpus.RData")
# einfache Variante
banken.fed <- kwic(korpus.finanzkrise, "Fed")
banken.ezb <- kwic(korpus.finanzkrise, "EZB")
banken.nationalbank <- kwic(korpus.finanzkrise, "Nationalbank")
banken.bundesbank <- kwic(korpus.finanzkrise, "Bundesbank")
# anspruchsvollere Variante
banken.fed <- kwic(korpus.finanzkrise, phrase("Fed|Federal Reserve|Federal Reserve Board"), valuetype = "regex", case_insensitive = FALSE)
banken.ezb <- kwic(korpus.finanzkrise, phrase("EZB|Europäische Zentralbank"), valuetype = "regex", case_insensitive = FALSE)
banken.nationalbank <- kwic(korpus.finanzkrise, phrase("Schweizer|Schweizerische Nationalbank"), valuetype = "regex", case_insensitive = FALSE)
banken.bundesbank <- kwic(korpus.finanzkrise, phrase("Deutsche Bundesbank"), case_insensitive = FALSE)
```
3. Berechnen Sie mittels textstat_lexdiv() die lexikalische Diversität aller Beiträge der
einzelnen Parteien im Bundestagskorpus (daten/bundestag/bundestag.korpus.RData).
```{r}
load("daten/bundestag/bundestag.korpus.RData")
dfm.bundestag <- dfm(korpus.bundestag, groups = "speaker_party")
textstat_lexdiv(dfm.bundestag)
```
4. Erzeugen Sie für das Zeit-Volltext-Korpus (daten/zeit/zeit.sample.korpus.RData) mittels
dictionary() eines von zwei Diktionären
a. Flüchtlingskrise
b. Ukraine-Konflikt
```{r}
load("daten/zeit/zeit.sample.korpus.RData")
zeit.dfm <- dfm(zeit.korpus, remove_numbers = TRUE, remove_punct = TRUE, remove_symbols = TRUE, remove = c(stopwords("german"), "dass", "sagte", "mehr", "sei", "zeit", "seit", "wurde", "schon"))
fluechtlinge <- textstat_simil(zeit.dfm, zeit.dfm[,"flüchtlinge"], margin = "features")
head(fluechtlinge[order(fluechtlinge[,1], decreasing = T),], 50)
ukraine <- textstat_simil(zeit.dfm, zeit.dfm[,"ukraine"], margin = "features")
head(ukraine[order(ukraine[,1], decreasing = T),], 50)
dictionary(list(fluechtlinge = c("flüchtlinge", "flüchtlingen", "arabisch", "unterbringung", "untergebracht", "abgeschoben", "schleuser", "zelten"), ukraine = c("ukraine", "ukrainische", "separatisten", "donezk", "petro", "poroschenko", "kiew", "minsk", "ukrainischen", "ukrainischem")))
```
5. Vergleichen Sie Kollokationen im Twitter-Korpus mittels textstat_collocations(). Welche Kollokationen verwendet Hillary Clinton besonders häufig, welche Donald Trump?
```{r}
load("daten/twitter/trumpclinton.korpus.RData")
textstat_collocations(corpus_subset(korpus, Kandidat == "Trump"), min_count = 25) %>% arrange(desc(lambda))
textstat_collocations(corpus_subset(korpus, Kandidat == "Clinton"), min_count = 25) %>% arrange(desc(lambda))
```
6. Wie fällt die Lesbarkeit mittels textstat_readability() von Reden im EU-Speech Korpus nach Land aus? Bonus: Wie entwickelt sich die Lesbarkeit für das Gesamtkorpus über die Zeit?
```{r}
load("daten/euspeech/euspeech.korpus.RData")
germany <- textstat_readability(corpus_subset(korpus.euspeech, country == "Germany"), measure = "Flesch.Kincaid")
france <- textstat_readability(corpus_subset(korpus.euspeech, country == "France"), measure = "Flesch.Kincaid")
netherlands <- textstat_readability(corpus_subset(korpus.euspeech, country == "Netherlands"), measure = "Flesch.Kincaid")
mean(germany$Flesch.Kincaid)
mean(france$Flesch.Kincaid)
mean(netherlands$Flesch.Kincaid)
```
7. Berechnen Sie mit textstat_dist() die nächsten Terme zu den Suchbegriffen “russia” und “ukrain” im EU-Speech Korpus.
```{r}
dfm.eu <- dfm(korpus.euspeech, remove_numbers = TRUE, remove_punct = TRUE, remove_symbols = TRUE, remove = stopwords("english"))
russia <- as.matrix(textstat_dist(dfm.eu, dfm.eu[,"russia"], margin = "features", method = "euclidean"))
# etwas inuitiver, dann mit decreasing = T:
# russia <- as.matrix(textstat_simil(dfm.eu, "russia", margin = "features", method = "cosine"))
russia <- data.frame(word = rownames(russia), score = russia[,1])
russia <- russia[order(russia$score, decreasing = F),]
rownames(russia) <- NULL
head(russia, 100)
ukraine <- as.matrix(textstat_dist(dfm.eu, dfm.eu[,"ukrain"], margin = "features", method = "euclidean"))
# etwas inuitiver, dann mit decreasing = T:
# ukraine <- as.matrix(textstat_simil(dfm.eu, "ukraine", margin = "features", method = "cosine"))
ukraine <- data.frame(word = rownames(ukraine), score = ukraine[,1])
ukraine <- ukraine[order(ukraine$score, decreasing = F),]
rownames(ukraine) <- NULL
head(ukraine, 100)
```
8. Generieren Sie für das Facebook-Korpus eine Zeitreihe der Verwendung des Begriffs “islam”. Bonus für relative Frequenzen.
```{r}
load("daten/facebook/facebook.korpus.RData")
docvars(korpus.facebook, "Monat") <- paste0(str_sub(korpus.facebook.stats$created_time, start = 1, end = 7), "-01")
dfm.facebook <- dfm(korpus.facebook, groups = "Monat")
dfm.facebook <- dfm_weight(dfm.facebook, scheme = "propmax") # ändert nicht sehr viel
dfm.islam <- dfm_keep(dfm.facebook, "islam*")
islam <- convert(dfm.islam, "data.frame")
islam <- data.frame(Monat = as.Date(islam$document), Frequenz = rowSums(islam[2:ncol(islam)])) # fasst alle Nennungen zusammen
ggplot(islam, aes(Monat, Frequenz)) + geom_line(size = 1) + scale_colour_brewer(palette = "Set1") + scale_x_date(date_breaks = "2 months", date_labels = "%b %Y") + ggtitle("Frequenz von 'Islam' im Facebook-Korpus") + xlab("") + ylab("") + theme(axis.text.x = element_text(angle = 45, hjust = 1))
```
9. Wenden Sie ein beliebiges Sentimentlexikon (lexika/...) auf das UN-Korpus an und stellen Sie das Sentiment über den Zeitverlauf grafisch dar.
```{r}
load("daten/un/un.korpus.RData")
positive.woerter.bl <- scan("lexika/bingliu-positive-words.txt", what = "char", sep = "\n", skip = 35, quiet = T)
negative.woerter.bl <- scan("lexika/bingliu-negative-words.txt", what = "char", sep = "\n", skip = 35, quiet = T)
sentiment.lexikon <- dictionary(list(positive = positive.woerter.bl, negative = negative.woerter.bl))
dfm.un <- dfm(korpus.un, dictionary = sentiment.lexikon, groups = "year")
sentiment.un <- convert(dfm.un, "data.frame") %>%
gather(positive, negative, key = "Polaritaet", value = "Frequenz") %>%
mutate(document = as.Date(paste0(document, "-01-01"))) %>%
rename(Jahr = document)
ggplot(sentiment.un, aes(Jahr, Frequenz, colour = Polaritaet, group = Polaritaet)) + geom_line(size = 1) + scale_colour_brewer(palette = "Set1") + scale_x_date(date_breaks = "5 years", date_labels = "%Y") + ggtitle("Sentiment-Scores im UN-Korpus") + xlab("") + ylab("") + theme(axis.text.x = element_text(angle = 45, hjust = 1))
```
10. Generieren sie ein Themenmodell mittels stm() für das New York Times-Korpus. Modellieren Sie mit k = 5, k = 10 und k = 20. Wie nachvollziehbar sind die Themen?
```{r}
library("stm")
load("daten/nytimes/nyt.korpus.RData")
dfm.nyt <- dfm(korpus.nyt, remove_numbers = TRUE, remove_punct = TRUE, remove_symbols = TRUE, remove = stopwords("english"))
dfm.nyt.trim <- dfm_trim(dfm.nyt, min_docfreq = 0.0015, max_docfreq = 0.90, docfreq_type = "prop") # min 0.15% / max 90%
#anzahl.themen <- 5
#dfm2stm.5 <- convert(dfm.nyt.trim, to = "stm")
#modell.stm.5 <- stm(dfm2stm.5$documents, dfm2stm.5$vocab, K = anzahl.themen, data = dfm2stm.5$meta, init.type = "Spectral")
load("daten/nytimes/stm5.RData")
#anzahl.themen <- 10
#dfm2stm.10 <- convert(dfm.nyt.trim, to = "stm")
#modell.stm.10 <- stm(dfm2stm.10$documents, dfm2stm.10$vocab, K = anzahl.themen, data = dfm2stm.10$meta, init.type = "Spectral")
load("daten/nytimes/stm10.RData")
#anzahl.themen <- 20
#dfm2stm.20 <- convert(dfm.nyt.trim, to = "stm")
#modell.stm.20 <- stm(dfm2stm.20$documents, dfm2stm.20$vocab, K = anzahl.themen, data = dfm2stm.20$meta, init.type = "Spectral")
load("daten/nytimes/stm20.RData")
as.data.frame(t(labelTopics(modell.stm.5, n = 10)$prob))
as.data.frame(t(labelTopics(modell.stm.10, n = 10)$prob))
as.data.frame(t(labelTopics(modell.stm.20, n = 10)$prob))
```