-
Notifications
You must be signed in to change notification settings - Fork 0
/
Gender study.R
243 lines (184 loc) · 9.86 KB
/
Gender study.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
rm(list = ls()) #supprimer tous les objets
# https://store.genderize.io/usage
# https://github.com/kalimu/genderizeR/issues/7
# https://genderize.io/
# https://journal.r-project.org/archive/2016/RJ-2016-002/index.html
# https://kalimu.github.io/#contact
# devtools::install_github("kalimu/genderizeR")
#library(genderizeR)
library(tidyverse)
library(questionr)
library(RPostgres)
library(gtsummary)
library(openxlsx2)
library(gender)
library(GenderInfer)
library(openxlsx)
library(readxl)
# 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 ----
reqsql= paste('select inner_id, publication, "DateCreated" as date_com, html as comm from data_commentaires_2')
data_pub = read.csv2('/Users/maddi/Documents/Pubpeer project/Donnees/Bases PubPeer/PubPeer_Base publications.csv', sep=";")
data_comm = dbGetQuery(con,reqsql)
rtw <- readxl::read_excel("~/Documents/Pubpeer project/Pubpeer explo/Gender/RWDBDNLD04242023.xlsx",sheet = "RWDBDNLD04242023")
### Récupération des données en local TT
data_pub <- readxl::read_excel("D:/bdd/data_pub.xlsx")
data_comm <- readxl::read_excel("D:/bdd/data_comm.xlsx")
rtw <- readxl::read_excel("D:/bdd/RWDBDNLD04242023.xlsx")
### Extraction colonnes d'intérêt et suppression des autres données
df <- data_pub %>%
select(publication, Auteurs, Pays_institution, Nombre.de.commentaires, Année, starts_with("Journal"))
### Extraction colonnes d'intérêt et suppression des autres données
df <- bdd_pub %>%
select(publication, Auteurs, Pays_institution, `Nombre de commentaires`, Année, starts_with("Journal"))
### Supprimer les données inutiles
rm(data_pub)
## Prédire le genre ----
# Pivoter les noms des auteurs par autant de lignes que d'auteurs et dupliquer l'identifiant "publication"
df_unnested <- df %>%
mutate(prenoms = str_extract_all(Auteurs, "(?<=')[A-Za-z]+")) %>%
unnest(prenoms) %>%
select(-Auteurs)
# Prédire le genre pour chaque prénom
# Usage de genderizeR
givenNames = findGivenNames(df_unnested$Auteur, progress = FALSE, apikey = '***********************')
names(givenNames) <- c("id", "gender", "given_name", "proba", "country_id")
write.xlsx(givenNames, "D:/bdd/gender_proba.xlsx")
givenNames <- read_excel("D:/bdd/gender_proba.xlsx")
givenNames <- read_excel("~/Documents/Pubpeer Gender/gender_proba.xlsx")
# matcher les prénoms
df_unnested$prenoms <- tolower(df_unnested$prenoms) # mettre en minuscules
givenNames <- givenNames %>% # extraire valeurs uniques
unique()
# ajouter une colonne ordre des auteurs
df_unnested <- df_unnested %>%
group_by(publication) %>%
mutate(order_auteur = row_number())
df_final <- merge(df_unnested, givenNames, by.x = "prenoms", by.y = "given_name", all.x = TRUE) # matcher
## Enrichissement des données avec des variables sur le rôle et le type de collaboration F H ----
# AJOUTER UNE COLONNE POUR INDIQUER SI LES FEMMES SE TROUVENT EN PREMIERE OU DERNIERE POSITION
df_final <- df_final %>%
group_by(publication) %>%
mutate(woman_leader = case_when(
gender == "female" & proba >= 0.6 & (order_auteur == min(order_auteur) | order_auteur == max(order_auteur)) ~ 1,
TRUE ~ 0
))
df_final <- df_final %>%
group_by(publication) %>%
mutate(woman_leader = ifelse(any(woman_leader == 1), 1, woman_leader))
# stats desc juste pour vérif
df_test <- df_final %>%
select(publication, woman_leader) %>%
unique()
# Définir une fonction pour remplacer les valeurs manquantes selon les conditions données
replace_missing_values <- function(df, column) {
df[column][is.na(df[column]) & nchar(df$prenoms) <= 2] <- "initials"
df[column][is.na(df[column]) & !(nchar(df$prenoms) <= 2)] <- "undefined"
df[column][is.na(df[column])] <- "undefined"
return(df)
}
# Modifier les colonnes spécifiées en fonction des conditions
df_final <- transform(df_final, g_prob_06 = gender, g_prob_07 = gender, g_prob_08 = gender, g_prob_09 = gender, g_prob_100 = gender)
df_final$g_prob_06[df_final$proba < 0.6] <- "unisex"
df_final <- replace_missing_values(df_final, "g_prob_06")
df_final$g_prob_07[df_final$proba < 0.7] <- "unisex"
df_final <- replace_missing_values(df_final, "g_prob_07")
df_final$g_prob_08[df_final$proba < 0.8] <- "unisex"
df_final <- replace_missing_values(df_final, "g_prob_08")
df_final$g_prob_09[df_final$proba < 0.9] <- "unisex"
df_final <- replace_missing_values(df_final, "g_prob_09")
df_final$g_prob_100[df_final$proba >= 0.5 & df_final$proba < 0.99] <- "unisex"
df_final <- replace_missing_values(df_final, "g_prob_100")
df_final <- replace_missing_values(df_final, "gender")
# Compter le nombre d'auteurs par publication
nbaut <- df_final %>%
group_by(publication) %>%
summarise(nb_aut = n_distinct(prenoms))
# Ajouter à la table des publications
df_nb_aut <- merge(df_final, nbaut, by.x = "publication", by.y = "publication", all.x = TRUE) # matcher
###
`%not_in%` <- purrr::negate(`%in%`)
# Calcul de la proportion des femmes par publication
tbfin <- df_nb_aut %>%
select(publication, gender, Nombre.de.commentaires, Année, starts_with("Journal")) %>%
subset(., gender %not_in% c("initials", "unisex", "undefined")) %>%
group_by(publication) %>%
summarize(female_part = mean(gender == "female", na.rm = TRUE))
# Faire une jointure
df_nb_aut <- merge(df_nb_aut, tbfin, by.x = "publication", by.y = "publication", all.x = TRUE)
# Ajouter la variable "Gtype"
df_nb_aut$Gtype <- ifelse(df_nb_aut$female_part == 0 & df_nb_aut$nb_aut == 1, "Man alone",
ifelse(df_nb_aut$female_part == 1 & df_nb_aut$nb_aut == 1, "Woman alone",
ifelse(df_nb_aut$female_part == 0 & df_nb_aut$nb_aut > 1, "Collab. men only",
ifelse(df_nb_aut$female_part == 1 & df_nb_aut$nb_aut > 1, "Collab. women only",
ifelse(df_nb_aut$female_part > 0 & df_nb_aut$female_part < 1 & df_nb_aut$nb_aut ==2 & df_nb_aut$woman_leader==1, "Collab. men-women 2 auteurs",
ifelse(df_nb_aut$female_part > 0 & df_nb_aut$female_part < 1 & df_nb_aut$nb_aut > 1 & df_nb_aut$woman_leader==1, "Collab. men-women w lead",
ifelse(df_nb_aut$female_part > 0 & df_nb_aut$female_part < 1 & df_nb_aut$nb_aut > 1 & df_nb_aut$woman_leader==0, "Collab. men-women m lead", NA)
)
)
)
)
)
)
# Ajouter une autre variable sur le répartition du type de collab. H F.
##
# cela consiste à :
# dupliquer la colonne Gtype en Gtype2, en modifiant les modalités selon ces conditions :
# pour les valeurs de Gtype différentes de : ("Woman alone", "Man alone", "Collab. men only", "Collab. women only"),
# si w_corresp=1, Gtype2="Collab. men-women . w corr", si m_corresp=1, Gtype2="Collab. men-women . m corr"
# Ajouter le flag femme auteur de correspondance (proxy : 1er auteur)
df_nb_aut <- df_nb_aut %>%
mutate(w_corresp = ifelse(order_auteur == 1 & g_prob_06 == "female", 1, 0))
# Ajouter le flag homme auteur de correspondance (proxy : 1er auteur)
df_nb_aut <- df_nb_aut %>%
mutate(m_corresp = ifelse(order_auteur == 1 & g_prob_06 == "male", 1, 0))
##
df_nb_aut <- df_nb_aut %>%
group_by(publication) %>%
mutate(w_corresp = ifelse(any(w_corresp == 1), 1, w_corresp),
m_corresp = ifelse(any(m_corresp == 1), 1, m_corresp))
##
# Ajouter la variable "Gtype"
df_nb_aut$Gtype2 <- ifelse(df_nb_aut$female_part == 0 & df_nb_aut$nb_aut == 1, "Man alone",
ifelse(df_nb_aut$female_part == 1 & df_nb_aut$nb_aut == 1, "Woman alone",
ifelse(df_nb_aut$female_part == 0 & df_nb_aut$nb_aut > 1, "Collab. men only",
ifelse(df_nb_aut$female_part == 1 & df_nb_aut$nb_aut > 1, "Collab. women only",
ifelse(df_nb_aut$female_part > 0 & df_nb_aut$female_part < 1 & df_nb_aut$nb_aut > 1 & df_nb_aut$w_corresp==1, "Collab. men-women w lead",
ifelse(df_nb_aut$female_part > 0 & df_nb_aut$female_part < 1 & df_nb_aut$nb_aut > 1 & df_nb_aut$m_corresp==1, "Collab. men-women m lead",
NA)
)
)
)
)
)
## supprimer toutes les lignes pour lesquelles w_corresp et m_corresp = 0 : cela revient à garder uniquement les
## publications distinctes pour lequelles tous les sexes des premiers auteurs sont identifiés
df_nb_aut2 <- df_nb_aut %>%
filter(w_corresp != 0 | m_corresp != 0)
# data
data_dom <- "SELECT * FROM public.data_frac_disc"
data_dom <- dbGetQuery(con,data_dom)
names(data_dom) = c("publication", "disc", "frac_disc")
# ajout des disciplines
df_nb_aut <- df_nb_aut %>%
left_join(., data_dom, by = "publication")
# df_nb_aut <- df_gender %>%
# left_join(., data_dom, by = "publication")
write.xlsx(df_nb_aut, "D:/bdd/tb_finale_gender.xlsx")
write.xlsx(df_nb_aut, "~/Documents/Pubpeer Gender/tb_finale_gender.xlsx")
write.xlsx(df_nb_aut2, "D:/bdd/tb_finale_gender_first_aut_only.xlsx")
write.xlsx(df_nb_aut, "~/Documents/Pubpeer Gender/tb_finale_gender_first_aut_only.xlsx")
# Stats desc proba et genre ----
df_final %>%
tbl_summary(
include = c("proba", "g_prob_06", "g_prob_07", "g_prob_08", "g_prob_09", "g_prob_100")
)