-
Notifications
You must be signed in to change notification settings - Fork 0
/
Analyse sequences discuss.R
435 lines (318 loc) · 13 KB
/
Analyse sequences discuss.R
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
rm(list = ls()) #supprimer tous les objets
library(tidyverse)
library(questionr)
library(RPostgres)
library(lubridate)
library(urltools)
library(TraMineR)
library(cluster)
library(seqhandbook)
library(ade4)
library(explor)
library(FactoMineR)
library(factoextra)
library(labelled)
library(openxlsx)
library(officer)
library(gtsummary)
library(data.table)
# Connexion ----
con<-dbConnect(RPostgres::Postgres())
db <- 'SKEPTISCIENCE' #provide the name of your db
host_db <- 'localhost' # server
db_port <- '5433' # port DBA
db_user <- 'postgres' # nom utilisateur
db_password <- 'Maroua1912'
con <- dbConnect(RPostgres::Postgres(), dbname = db, host=host_db, port=db_port, user=db_user, password=db_password)
# Test connexion
dbListTables(con)
### Récupération des données ----
reqsql2= paste('select * from data_urls_comm')
data_urls = dbGetQuery(con,reqsql2)
## Préparation des données ----
data_urls$sequence <- as.numeric(data_urls$sequence)
data_urls$publication <- as.numeric(data_urls$publication)
# Fonction pour calculer la position de chaque url
calculer_position <- function(x) {
position <- seq_along(x)
position / length(x)
}
# Regrouper les données par identifiant de publication
data_urls_grouped <- data_urls %>% group_by(publication)
# Ajouter une nouvelle colonne avec la position de chaque élément dans la séquence
data_urls_position <- data_urls_grouped %>% mutate(position = calculer_position(sequence))
# Ajouter une colonne avec la valeur maximale de "sequence" pour chaque "id" : cela correspond au nombre de liens par publication
data_max_sequence <- data_urls_position %>%
group_by(publication) %>%
mutate(max_sequence = max(sequence))
# Ajouter une colonne avec la valeur maximale de "inner_id" pour chaque "publication" : cela correspond au nombre de commentaires (avec au moins un lien) par publication
data_max_sequence <- data_max_sequence %>%
group_by(publication, inner_id) %>%
summarise(nb_comm = n_distinct(inner_id)) %>%
group_by(publication) %>%
summarise(nb_comm = sum(nb_comm)) %>%
right_join(data_max_sequence, by = "publication")
## Recoding data_max_sequence$annee into data_max_sequence$annee_rec
data_max_sequence$annee_rec <- data_max_sequence$annee %>%
as.character() %>%
fct_recode(
"2013-15" = "2013",
"2013-15" = "2014",
"2013-15" = "2015",
"2016-18" = "2016",
"2016-18" = "2017",
"2016-18" = "2018",
"2019-21" = "2019",
"2019-21" = "2020",
"2019-21" = "2021"
)
# utiliser la fonction aggregate pour calculer la moyenne, group by domain et annee
data <- subset(data_max_sequence, max_sequence>1 & data_max_sequence$nb_comm>2)
# Supressions de toutes les tables intermédiaires pour alleger l'espace
rm(list = ls(pattern = "^data_"))
# ajouter une colonne "position_lien" qui pend les valeurs "début" pour le minimum de
# la valeur de la variable "inner_id", et prend la valeur "fin" pour le maximum de la
# valeur de la variable "inner_id", et prend la valeur "milieu" pour le reste
data <- data %>%
group_by(publication) %>%
mutate(position_lien = case_when(
inner_id == min(inner_id) ~ "début",
inner_id == max(inner_id) ~ "fin",
TRUE ~ "milieu"
)) %>%
ungroup()
# Select des variables d'intérêt
df <- data %>%
select(publication, typo, position_lien) %>%
unique()
data_pivoted <- data %>%
pivot_wider(
names_from = position_lien,
values_from = typo,
names_prefix = "",
values_fn = length, # count number of occurrences of each combination
values_fill = 0
) %>%
mutate(
début = ifelse(début > 0, 1, 0),
milieu = ifelse(milieu > 0, 1, 0),
fin = ifelse(fin > 0, 1, 0)
)
##
# Add row names to data_pivoted
# Join data and data_pivoted by row name
df <- left_join(data, data_pivoted) %>%
select(publication, inner_id, typo, début, milieu,fin)
##
df <- df %>%
group_by(publication, typo) %>%
summarise(début_sum = sum(début),
milieu_sum = sum(milieu),
fin_sum = sum(fin))
df$typo <- factor(df$typo)
sum_df <- df %>%
group_by(typo) %>%
summarise(début_sum = sum(début_sum),
milieu_sum = sum(milieu_sum),
fin_sum = sum(fin_sum))
mean_df <- df %>%
group_by(typo) %>%
summarise(début_mean = mean(début_sum),
milieu_mean = mean(milieu_sum),
fin_mean = mean(fin_sum))
# Exporter les données pour envoyer aux collègues ----
write_excel_csv2(data, "/Users/maddi/Documents/Pubpeer project/Pubpeer explo/donnees_URLS.csv")
# Calcul de la fréquence des sites pour avoir une idée plus précise
f <- factor(data$domain[data$typo == "Autre"]) |>
fct_infreq() |>
questionr::freq()
frequAutre <- data.frame(rownames(f),f[,1:2])
names(frequAutre) = c("site","Nombre_de_liens","Part_dans_non_classe")
write.xlsx(frequAutre, "/Users/maddi/Documents/Pubpeer project/Pubpeer explo/URLS_non_classees.xlsx")
# Calcul de la fréquence des sites pour avoir une idée plus précise
f_media <- factor(data$domain[data$typo == "Médias"]) |>
fct_infreq() |>
questionr::freq()
frequ_media <- data.frame(rownames(f_media),f_media[,1:2])
names(frequ_media) = c("site","Nombre_de_liens","Part_dans_medias")
write.xlsx(frequ_media, "/Users/maddi/Documents/Pubpeer project/Pubpeer explo/URLS_media.xlsx")
f_nb_com <- factor(data$nb_comm) |>
fct_infreq() |>
questionr::freq()
# Analyse des séquences ----
data_uniq <- data[data$nb_comm_rec == "[10,291]", c("inner_id", "typo", "annee_rec", "position_comm")] %>%
unique()
df <- aggregate(position ~ typo + annee_rec, data = data, mean)
df <- aggregate(position_comm ~ typo + annee_rec, data = data_uniq, mean)
# # Transformer les moyennes en quartiles
# df_quartiles <- df %>%
# mutate(quartile = ntile(position_comm, 4))
# Pivoter l'annee pour n'analyse des séquences
df_pivot <- df_quartiles[,c(1,2,4)] %>%
pivot_wider(names_from = annee_rec, values_from = quartile, values_fill = 0)
###
# Convertir les données en format de séquence
sequences <- as.matrix(df_pivot[,2:4])
# Supprimer les valeurs manquantes
sequences[is.na(sequences)] <- "-"
# définir les lables pour les différents états
labels <- c("Q1", "Q2", "Q3", "Q4")
seq <- seqdef(sequences, states = labels)
couts <- seqsubm(seq, method = "CONSTANT", cval = 2)
seq.om <- seqdist(seq, method = "OM", indel = 1, sm = couts)
seq.dist <- hclust(as.dist(seq.om), method = "ward.D2")
plot(as.dendrogram(seq.dist), leaflab = "none")
plot(sort(seq.dist$height, decreasing = TRUE)[1:13], type = "s", xlab = "nb de classes", ylab = "inertie")
nbcl <- 4
seq.part <- cutree(seq.dist, nbcl)
seq.part <- factor(seq.part, labels = paste("classe", 1:nbcl, sep = "."))
seqdplot(seq, group = seq.part, xtlab = c("2013-2015", "2016-2018","2019-2021"), border = NA)
seqIplot(seq, group = seq.part, xtlab = c("2013-2015", "2016-2018","2019-2021"), space = 0, border = NA, yaxis = FALSE)
seq_heatmap(seq, seq.dist, labCol = c("2013-2015", "2016-2018","2019-2021"), cexCol = 0.9)
seqfplot(seq, group = seq.part)
seqmsplot(seq, group = seq.part, xtlab = c("2013-2015", "2016-2018","2019-2021"), main = "")
seqmtplot(seq, group = seq.part)
seqrplot(seq, group = seq.part, dist.matrix = seq.om, criterion = "dist")
seqHtplot(seq, group = seq.part, xtlab = c("2013-2015", "2016-2018","2019-2021"))
##
## ACP
df_pivot <- mutate_if(df_pivot, is.integer, as.numeric)
row.names(df_pivot) <- df_pivot$typo
t <- df_pivot[,2:4] %>%
as.data.frame()
row.names(t) <- df_pivot$typo
str(t)
res.pca <- PCA(t)
# explor::explor(res.pca)
ind <- get_pca_ind(res.pca)
# Coordonnées des individus
head(ind$coord)
# Qualité des individus
head(ind$cos2)
# Contributions des individus
head(ind$contrib)
fviz_pca_ind (res.pca, col.ind = "cos2",
gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"),
repel = TRUE # Évite le chevauchement de texte
)
fviz_pca_ind (res.pca, pointsize = "cos2",
pointshape = 21, fill = "#E7B800",
repel = TRUE # Évite le chevauchement de texte
)
res.hcpc <- HCPC(res.pca, graph = FALSE)
plot(res.hcpc, choice = "3D.map")
## Analyse profile des discussions en termes de commentaires ----
extract <- data %>%
select (publication, annee, inner_id) %>%
unique() %>%
group_by(publication, annee) %>%
summarise(nb_com = n_distinct(inner_id))
# Pivoter l'annee pour n'analyse des séquences
df_0 <- extract %>%
pivot_wider(names_from = annee, values_from = nb_com, values_fill = 0) %>%
select(sort(colnames(.))) # modifier l'ordre des colonnes de l'annee la plus petite à la plus grande
df_0$disc_nbr <- paste0("disc ", seq(1, nrow(df_0)))
# exculre 2 valeurs extrêmes, id_publication = 1728 et 2341
`%not_in%` <- purrr::negate(`%in%`)
df_0 <- subset(df_0, publication %not_in% c(57972, 60504, 63427, 73822))
df <- df_0[,1:9]
rownames(df) <- df_0$disc_nbr
df <- df %>% mutate(nb_tot_com = rowSums(.[1:9]))
df_prop <- df %>% mutate_all(.funs = list(~./nb_tot_com))
rownames(df_prop) <- df_0$disc_nbr
## ACP
library(ade4)
acp <- dudi.pca(df_prop[1:9], scannf = FALSE, nf = 100)
explor::explor(acp)
# calcul de la matrice des distances de Gower
library(cluster)
md <- dist.dudi(acp)
md_gower <- daisy(df_prop, metric = "gower")
# calcul du dendrogramme
arbre <- hclust(md, method = "ward.D2")
arbre_gower <- hclust(md_gower, method = "ward.D2")
# Représenter le dendrogramme
plot(arbre, labels = FALSE)
plot(arbre_gower, labels = FALSE)
rect.hclust(arbre, 2, border = "red")
rect.hclust(arbre, 5, border = "blue")
# Une façon plus visuelle de représenter le dendogramme
library(dendextend)
color_branches(arbre_gower, k = 5) %>% ggplot(labels = FALSE)
library(factoextra)
fviz_dend(arbre_gower, k = 6, show_labels = FALSE, rect = TRUE)
# saut d'inertie
inertie <- sort(arbre$height, decreasing = TRUE)
plot(inertie[1:20], type = "s")
inertie_gower <- sort(arbre_gower$height, decreasing = TRUE)
plot(inertie_gower[1:10], type = "s")
# source(url("https://raw.githubusercontent.com/larmarange/JLutils/master/R/clustering.R"))
# best.cutree(arbre_gower, graph = TRUE)
# best.cutree(arbre, graph = TRUE)
# déterminer le nombre de classes avec des indicateurs poussés
library(WeightedCluster)
as.clustrange(arbre, md) %>% plot()
as.clustrange(arbre_gower, md_gower) %>% plot()
# Caractériser les classes ----
# df$typo <- cutree(arbre, 5) # fonction cutree : apratenance de chaque observation à chaque classe (ne pas modifier l'ordre des observations dans les différents objets !!!)
df_prop$typo_gower <- cutree(arbre_gower, 4) # même chose pour gower
acp2 <- FactoMineR::PCA(df_prop, quanti.sup = 11)
explor::explor(acp2)
fviz_pca_ind(acp2,
geom.ind = "point", # Montre les points seulement (mais pas le "text")
col.ind = as.character(df_prop$typo_gower), # colorer by groups
#palette = c("#00AFBB", "#E7B800", "#FC4E07"),
addEllipses = T, # Ellipses de concentration
legend.title = "Groups"
)
##
df2 <- df_prop %>%
group_by(typo_gower) %>%
summarise("2013" = mean(`2013`),
"2014" = mean(`2014`),
"2015" = mean(`2015`),
"2016" = mean(`2016`),
"2017" = mean(`2017`),
"2018" = mean(`2018`),
"2019" = mean(`2019`),
"2020" = mean(`2020`),
"2021" = mean(`2021`))
rownames(df2) <- c("groupe 1", "groupe 2","groupe 3", "groupe 4","groupe 5", "groupe 6")
df_analyse <- subset(df_0, disc_nbr %in% c("disc 9180", "disc 2751", "disc 3956", "disc 6162", "disc 4672"))
acp3 <- dudi.pca(df2[2:10], scannf = F, nf = Inf)
explor::explor(acp3)
md3 <- dist.dudi(acp3)
md_gower3 <- daisy(df2, metric = "gower")
# calcul du dendrogramme
arbre3 <- hclust(md3, method = "ward.D2")
arbre_gower3 <- hclust(md_gower3, method = "ward.D2")
# Représenter le dendrogramme
plot(arbre3, labels = T)
plot(arbre_gower3, labels = F)
df %>%
tbl_summary(
by ="typo_gower"
)
expl_g4 <- subset(df_0, disc_nbr %in% c("disc 9203", "disc 8103", "disc 8079", "disc 7754", "disc 8113"))
expl_g3 <- subset(df_0, disc_nbr %in% c("disc 5268", "disc 5473", "disc 5492", "disc 5192"))
expl_g2 <- subset(df_0, disc_nbr %in% c("disc 4049", "disc 4034", "disc 3991", "disc 3838"))
expl_g1 <- subset(df_0, disc_nbr %in% c("disc 3389", "disc 3387", "disc 3374", "disc 3304"))
expl_g1B <- subset(df_0, disc_nbr %in% c("disc 2752", "disc 2964", "disc 4891", "disc 2913", "disc 2787"))
expl <- subset(df_0, disc_nbr %in% c("disc 3020", "disc 9204", "disc 8113", "disc 9203"))
df_prop$disc <- df_0$disc_nbr
# quelques stats utiles
extract_date <- data %>%
select (publication, date_comm, inner_id) %>%
unique() %>%
group_by(publication) %>%
summarise(maxdate = max(date_comm),
mindate = min(date_comm),
diff_date = as.numeric(max(date_comm) - min(date_comm)))
## Cutting extract_date$diff_date into extract_date$diff_date_rec
extract_date$diff_date_rec <- cut(extract_date$diff_date,
include.lowest = TRUE,
right = FALSE,
dig.lab = 4,
breaks = c(0, 1, 11, 89, 299, 690.999999999998, 3089)
)
write.xlsx(extract_date, "/Users/maddi/Documents/Pubpeer project/Pubpeer explo/difftime.xlsx")