Um 9 Parteien gleichzeitig abbilden zu können, ist es notwendig, zwei separate Anfragen bei Google Trends zu starten. In beiden sollte die Alternative für Deutschland als Referenzpartei enthalten sein, weil die Suchanfragen bezüglich der AfD um die Bundestagswahl 2017 herum das Maximum bilden und demzufolge den Referenzwert 100 setzen, an dem alle anderen Suchanfragen skaliert werden müssen. Mit dem Button erhältst du dann eine Datei mit dem Namen multiTimeline.csv. Wenn du beide Suchanfragen hintereinander durchführst, sollte die zweite Datei dann multiTimeline(1).csv heißen. Du kannst aber auch beiden Dateien beim Download beliebige Namen geben.

Bevor du die beiden Dateien in R einliest, kannst du ein bisschen Schreibarbeit sparen, wenn du erst den Arbeitsordner (working directory) festlegst. Idealerweise solltest du einen Ordner anlegen, in dem du alle relevanten Dateien für dieses Projekt speicherst.

setwd('...') # statt '...' einen Ordner-Pfad festlegen

Die beiden Datensätze können dann mit

a <- read.table('multiTimeline.csv', header = TRUE, sep= ',')
b <- read.table('multiTimeline(1).csv', header = TRUE, sep = ',')

eingelesen werden. Neben dem Dateinamen müssen hier das Argument header (der Datensatz enthält in der 1. Zeile die Variablennamen) und sep - das Trennzeichen zwischen Variablen - festgelegt werden.

Die ersten Zeilen der beiden Datensätze sollten dann so aussehen:

head(a)

##     Monat
## 1 2004-01
## 2 2004-02
## 3 2004-03
## 4 2004-04
## 5 2004-05
## 6 2004-06
##   Alternative.für.Deutschland...Deutschland.
## 1                                         <1
## 2                                         <1
## 3                                         <1
## 4                                         <1
## 5                                         <1
## 6                                         <1
##   Sozialdemokratische.Partei.Deutschlands...Deutschland.
## 1                                                     10
## 2                                                     13
## 3                                                     13
## 4                                                     11
## 5                                                     12
## 6                                                     16
##   Freie.Demokratische.Partei...Deutschland.
## 1                                         4
## 2                                         4
## 3                                         4
## 4                                         3
## 5                                         5
## 6                                         7
##   Bündnis.90.Die.Grünen...Deutschland.
## 1                                    4
## 2                                    4
## 3                                    4
## 4                                    3
## 5                                    4
## 6                                    8
##   Die.Linke...Deutschland.
## 1                       <1
## 2                       <1
## 3                        1
## 4                       <1
## 5                       <1
## 6                       <1

head(b)

##     Monat
## 1 2004-01
## 2 2004-02
## 3 2004-03
## 4 2004-04
## 5 2004-05
## 6 2004-06
##   Alternative.für.Deutschland...Deutschland.
## 1                                         <1
## 2                                         <1
## 3                                         <1
## 4                                         <1
## 5                                         <1
## 6                                         <1
##   Partei.Mensch.Umwelt.Tierschutz...Deutschland.
## 1                                              0
## 2                                              0
## 3                                             <1
## 4                                             <1
## 5                                             <1
## 6                                              1
##   Christlich.Demokratische.Union.Deutschlands...Deutschland.
## 1                                                          8
## 2                                                         10
## 3                                                          9
## 4                                                          9
## 5                                                         11
## 6                                                         14
##   Marxistisch.Leninistische.Partei.Deutschlands...Deutschland.
## 1                                                           <1
## 2                                                           <1
## 3                                                           <1
## 4                                                           <1
## 5                                                           <1
## 6                                                           <1
##   Nationaldemokratische.Partei.Deutschlands...Deutschland.
## 1                                                        2
## 2                                                        2
## 3                                                        2
## 4                                                        2
## 5                                                        3
## 6                                                        4

Falls du Probleme mit dem Generieren der Datensätze hast, kannst du die beiden Dateien hier und hier herunterladen.

Natürlich könntest du die beiden Datensätze direkt zusammenfügen, doch dann stößt man auf ein Problem. Sowohl das Datum als auch die Werte der Referenzkategorie (in unserem Fall die AfD) treten in beiden Datensätzen auf. Fügt man beide Datensätze nun zusammen, kämen beide Variablen doppelt und jeweils mit der gleichen Bezeichnung vor. Das heißt, dass du die Spalte “AfD” in einem der beiden Datensätze direkt löschen musst. Eine andere Möglichkeit wäre, dass du irgendwie dafür sorgst, dass sich die beiden Variablen in ihrem Namen unterscheiden, sodass sie im zusammengefügten Datensatz einmal gelöscht werden kann.

Nun kannst du dazu übergehen, die beiden Datensätze zusammenzuführen Dafür ist es am einfachsten, sie “aneinanderzuhängen” anstatt sie “zusammenzufügen”. Das kannst du mit dem cbind-Befehl in R erreichen. Schau dir diesen Befehl am besten in der R-Hilfefunktion an.

Falls du den Befehl nicht verstehst, folgt hier eine kurze Erklärung des Befehls:

Datensatz <- cbind("Datensatz_A","Datensatz_B")

Voraussetzung für das Funktionieren dieses Befehls in unserem Beispiel ist, dass die Anzahl der Zeilen beider Datensätze übereinstimmt. Als Output erhält man einen Datensatz, bei dem Datensatz_B “hinten” an Datensatz_A angehängt wurde.

Das Endergebnis sollte ein Datensatz mit 190 Zeilen und 10 Spalten sein.

Hier stellt sich die Frage: Liegen alle Daten in der Variablenart vor, die man benötigt? Die Variablenart jeder Variable (Spalte) lässt sich mit folgendem Befehl abfragen:

class(Variablenname)

Hier bekommt man also eine Angabe zum Typ der Variablen. Wie du im R Crash Kurs nachlesen kannst, sind Zahlen zum Beispiel als numeric (oder abgekürzt num) abgelegt. Im besonderen Fall, dass eine numerische Variable nur ganze Zahlen enthält, wird sie als integer (kurz: int) abgelegt. Es handelt sich aber nach wie vor um eine Zahl. Unser Ziel ist, dass alle Variablen im Typ int oder num vorliegen, sodass R diese auch als Zahlenwerte erkennt.

Überprüfe dafür jede Variable und überlege dir, welche Werte ein Problem darstellen. Falls du nicht weiterkommst, nutze Teil 2 des Tipps.

Im Rohdatensatz kann man erkennen, dass die “<1” weder integer noch numeric sind. Dadurch erkennt R all jene Variablen (Spalten), in denen “<1” mindestens ein Mal vorkommt, nicht als Zahlen. Deshalb müssen wir diese “<1” irgendwie durch “0” ersetzen.

Ziel ist also, dass im zusammengesetzten Datensatz, überall wo zuvor der Wert “<1” stand, eine Null steht. Um das zu erreichen, kannst du die Daten entweder hinterher bearbeiten oder diese Besonderheit direkt beim Einlesen mit read.table berücksichtigen. Dort kannst du mit einem Argument die Kodierung fehlender Werte festlegen. So gelangst du der Umwandlung von “<1” zu “0” einen Schritt näher.

Falls du ab hier nicht weiter weißt, nutze die Hilfefunktion in R oder suche online.

Bevor die beiden Datensätze zusammengeführt werden können, sollten zunächst doppelt vorkommende Spalten umbenannt werden, damit sie hinterher weniger Probleme machen. Um zu sehen, welche Namen in beiden auftauchen, können wir names benutzen:

names(a)

## [1] "Monat"                                                 
## [2] "Alternative.für.Deutschland...Deutschland."            
## [3] "Sozialdemokratische.Partei.Deutschlands...Deutschland."
## [4] "Freie.Demokratische.Partei...Deutschland."             
## [5] "Bündnis.90.Die.Grünen...Deutschland."                  
## [6] "Die.Linke...Deutschland."

names(b)

## [1] "Monat"                                                       
## [2] "Alternative.für.Deutschland...Deutschland."                  
## [3] "Partei.Mensch.Umwelt.Tierschutz...Deutschland."              
## [4] "Christlich.Demokratische.Union.Deutschlands...Deutschland."  
## [5] "Marxistisch.Leninistische.Partei.Deutschlands...Deutschland."
## [6] "Nationaldemokratische.Partei.Deutschlands...Deutschland."

Hier sind also die ersten beiden Spalten doppelt. Wir können diese beiden einfach aus b entfernen:

b <- b[, -c(1, 2)]
names(b)

## [1] "Partei.Mensch.Umwelt.Tierschutz...Deutschland."              
## [2] "Christlich.Demokratische.Union.Deutschlands...Deutschland."  
## [3] "Marxistisch.Leninistische.Partei.Deutschlands...Deutschland."
## [4] "Nationaldemokratische.Partei.Deutschlands...Deutschland."

Um beide zusammenzufügen, dann:

c <- cbind(a, b)

Das Problem dieses kombinierten Datensatzes ist, dass nicht alle Variablen numerisch sind. Das bewirkt, dass die Variablen nur sehr schwer in einer gemeinsamen Abbildung dargestellt werden können:

str(c)

## 'data.frame':	190 obs. of  10 variables:
##  $ Monat                                                       : chr  "2004-01" "2004-02" "2004-03" "2004-04" ...
##  $ Alternative.für.Deutschland...Deutschland.                  : chr  "<1" "<1" "<1" "<1" ...
##  $ Sozialdemokratische.Partei.Deutschlands...Deutschland.      : int  10 13 13 11 12 16 9 11 17 9 ...
##  $ Freie.Demokratische.Partei...Deutschland.                   : int  4 4 4 3 5 7 3 3 8 4 ...
##  $ Bündnis.90.Die.Grünen...Deutschland.                        : int  4 4 4 3 4 8 3 3 6 4 ...
##  $ Die.Linke...Deutschland.                                    : chr  "<1" "<1" "1" "<1" ...
##  $ Partei.Mensch.Umwelt.Tierschutz...Deutschland.              : chr  "0" "0" "<1" "<1" ...
##  $ Christlich.Demokratische.Union.Deutschlands...Deutschland.  : int  8 10 9 9 11 14 8 8 16 9 ...
##  $ Marxistisch.Leninistische.Partei.Deutschlands...Deutschland.: chr  "<1" "<1" "<1" "<1" ...
##  $ Nationaldemokratische.Partei.Deutschlands...Deutschland.    : int  2 2 2 2 3 4 2 3 15 7 ...

Das kommt daher, dass der Wert <1 nicht als numerisch interpretiert wird, sondern als eine Beschriftung, sodass die Variable in R automatisch als factor erkannt und als nominalskaliert behandelt wird. Diese Werte müssen also alle ersetzt werden, um wieder mit numerischen Daten rechnen zu können.

Das ließe sich z.B. dadurch erreichen, dass wir in c alle Werte einzeln ersetzen. Dieses Vorgehen hat allerdings den Nachteil, dass es sehr viele einzelne Schritte benötigt, weswegen wir hier einen Trick anwenden: wir lesen die Daten als numerisch ein und tun dabei so, als wären <1 fehlende Werte. Das können wir durch das Argument na = im read.table-Befehl erreichen, den wir zum Einlesen der Daten genutzt haben:

# Daten einlesen
a <- read.table('multiTimeline.csv',header = T, sep= ',' , na = '<1')
b <- read.table('multiTimeline(1).csv', header = T , sep = ',' , na = '<1')

# Daten zusammenführen
b <- b[, -c(1, 2)]
c <- cbind(a, b)

# Struktur untersuchen
str(c)

## 'data.frame':	190 obs. of  10 variables:
##  $ Monat                                                       : chr  "2004-01" "2004-02" "2004-03" "2004-04" ...
##  $ Alternative.für.Deutschland...Deutschland.                  : int  NA NA NA NA NA NA NA NA NA NA ...
##  $ Sozialdemokratische.Partei.Deutschlands...Deutschland.      : int  10 13 13 11 12 16 9 11 17 9 ...
##  $ Freie.Demokratische.Partei...Deutschland.                   : int  4 4 4 3 5 7 3 3 8 4 ...
##  $ Bündnis.90.Die.Grünen...Deutschland.                        : int  4 4 4 3 4 8 3 3 6 4 ...
##  $ Die.Linke...Deutschland.                                    : int  NA NA 1 NA NA NA NA NA NA NA ...
##  $ Partei.Mensch.Umwelt.Tierschutz...Deutschland.              : int  0 0 NA NA NA 1 NA 0 NA NA ...
##  $ Christlich.Demokratische.Union.Deutschlands...Deutschland.  : int  8 10 9 9 11 14 8 8 16 9 ...
##  $ Marxistisch.Leninistische.Partei.Deutschlands...Deutschland.: int  NA NA NA NA NA NA NA NA 1 NA ...
##  $ Nationaldemokratische.Partei.Deutschlands...Deutschland.    : int  2 2 2 2 3 4 2 3 15 7 ...

Jetzt sind alle Variablen außer Monat als integer (also eine Sonderform numerischer Variablen) abgespeichert. Das heißt, wir müssen nun lediglich die mit NA als fehlend markierten Beobachtungen durch 0 ersetzen:

c[is.na(c)] <- 0

Im letzten Schritt zur Datenaufbereitung vergeben wir noch etwas kürzere Namen für die Spalten:

names(c)

##  [1] "Monat"                                                       
##  [2] "Alternative.für.Deutschland...Deutschland."                  
##  [3] "Sozialdemokratische.Partei.Deutschlands...Deutschland."      
##  [4] "Freie.Demokratische.Partei...Deutschland."                   
##  [5] "Bündnis.90.Die.Grünen...Deutschland."                        
##  [6] "Die.Linke...Deutschland."                                    
##  [7] "Partei.Mensch.Umwelt.Tierschutz...Deutschland."              
##  [8] "Christlich.Demokratische.Union.Deutschlands...Deutschland."  
##  [9] "Marxistisch.Leninistische.Partei.Deutschlands...Deutschland."
## [10] "Nationaldemokratische.Partei.Deutschlands...Deutschland."

names(c) <- c('Monat', 'AfD', 'SPD', 'FDP', 'DieGrüne', 'DieLinke', 'Tierschutzpartei', 'CDU', 'MLPD', 'NPD')

Das Ziel der Umformung ist, dass eine Zeile des Datensatzes aus Datum, Partei und Prozentzahl besteht. Dadurch erhält man einen Datensatz aus 1710 Zeilen und 3 Spalten.

Dafür kann man den reshape-Befehl benutzen:

langer_Datensatz <- reshape(Datensatz, varying = ...,
                            v.names = ..., timevar = ...,
                            idvar = ..., times = ...,
                            direction = "long")

• varying: Vektor mit den Spaltenbezeichnungen im vorhandenen Datensatz.
• v.names: gemessene Größe (Werte), die von mehreren Spalten in eine Spalte übertragen werden sollen.
• timevar: Bezeichnung für die Variable, die alle Spaltennamen enthält.
• times: Die vorherigen Variablennamen (Spaltennamen), die nun Werte einer durch timevar bezeichneten Variable sind.
• idvar: Name der Variable, die die einzelnen Messwerte einer Gruppe (Spalte) auseinanderhält.
• direction: Bezeichnung des neuen Formats. Kann entweder “wide” oder “long” sein. Wir brauchen das “long”-Format.

Wenn das Paket geladen ist, kann als Grundbefehl ggplot genutzt werden. Dieser kann zunächst die unterste Ebene der Abbildung (die Daten) als Argument entgegennehmen:

ggplot(data = Datensatz)

Weil wir daran interessiert sind, bestimmte Variablen abzubilden, können wir diese in der Abbildung “mappen” oder abbilden:

ggplot(data = Datensatz, mapping = aes(x = ..., y = ..., group = ...))

Diese “Aesthetics” dienen dazu, zu definieren, wie die Variablen im Diagramm dargestellt werden. Dafür können wir festlegen, welche Variable auf der x-Achse und welche auf der y-Achse dargestellt wird. Zusätzlich können wir über group auch noch eine Gruppierung der $(x, y)$-Kombinationen festlegen und diese zum Beispiel später benutzen, um unterschiedlichen Daten unterschiedliche Farben zu geben, damit diese Gruppen optisch leichter voneinander unterscheiden werden können.

Zusätzlich zu dieser Basis muss noch durch ein geom festgelegt werden, wie die Daten anzeigt werden sollen, die wir abbilden. Weil es sich um Zeitverläufe handelt, bietet sich ein Liniendiagramm an. Für die Farbe der Linien können wir die Gruppierungsvariable direkt wieder benutzen!

geom_line(aes(colour = ...))

Zunächst müssen wir das Paket `ggplot2` laden:

library(ggplot2)

## Warning: Paket 'ggplot2'
## wurde unter R Version 4.3.2
## erstellt

Wie bei den Tipps oder auch bei der Kurzeinführung in ggplot2 besprochen, erwartet der ggplot-Befehl einen Datensatz mit Variablen, die wir auf x- und y-Achse darstellen wollen und eventuell eine Gruppierungsvariable. Die x-Achse ist in unserem Fall sehr einfach: es ist die Zeit. Das Problem stellt die y-Achse dar: hierfür haben wir zur Zeit nicht 1 sondern 9 Variablen. Darüber hinaus sind diese 9 Variablen eine Mischung aus unserer y-Achse und der Gruppierungsvariable! Was wir benötigen, um eine klare Abbildung in ggplot2 zu erzeugen, ist ein Datensatz, der die drei “klassischen” Variablen enthält (x, y, Gruppe). Dafür können wir den reshape-Befehl nutzen:

c_long <- reshape(c,      # Ausgansdaten
  varying =  c('AfD', 'SPD', 'FDP', 'DieGrüne', 'DieLinke', 'Tierschutzpartei', 'CDU', 'MLPD', 'NPD'),
                          # alle Variablen, die hinterher eine einzige Variable sein sollen
  v.names = 'Prozent',    # Name der neuen Variable
  idvar = 'Monat',        # Variable, die über alle Parteien gleich bleibt
  timevar = 'Partei',     # Name der Variable, die verschiedene Gruppen unterscheidet
  times = c('AfD', 'SPD', 'FDP', 'DieGrüne', 'DieLinke', 'Tierschutzpartei', 'CDU', 'MLPD', 'NPD'),
                          # Kodierung der Parteien auf dieser Gruppierungsvariable
  direction = 'long')     # Richtung der Umwandlung

Hier wird der Datensatz ins long-Format übertragen - er hat hinterher mehr Zeilen (ist also länger) als vorher. Das Gegenteil wäre das wide-Format, in dem ein Datensatz mehr Spalten bekommt (also breiter wird) als zuvor.

Mit diesem Datensatz können wir in ggplot2 direkt ein Liniendiagramm erzeugen:

ggplot(data = c_long, aes(x = Monat, y = Prozent, group = Partei)) +
  geom_line(aes(colour = Partei)) +      # Liniendiagramm
  xlab('Zeitraum') +                     # Beschriftung x-Achse
  ylab('Anfragen (in % des Maximums)') + # Beschriftung y-Achse
  ggtitle('Suchanfragen')                # Überschrift

Um die Daten in eine neue Klasse überführen zu können, müssen sie zunächst als character vorliegen. Erstelle dafür eine zweite Datumsvariable, in der das der Fall ist.

Unser Ziel ist, dass R diese neu erstellte Variable als Datum erkennt. Dafür gibt es in R eine Klasse mit dem Namen POSIXct. Für die Umwandlung character zu POSIXct oder POSIXlt gibt es einen bestimmten Befehl. Such diesen im Internet und schau dir dann die Hilfefunktion in R dazu an.

Falls du den Befehl aus Schritt 2 nicht finden solltest, sieht der benötigt Befehl so aus: strptime(x, format = ""). x ist in diesem Fall die Variable, die umgewandelt werden soll und das format übermittelt R, wie die Daten momentan aussehen. Der Befehl funktioniert so jedoch noch nicht. Woran könnte das liegen? Schau dafür in die R-Hilfe zum Argument format.

Das Problem liegt in den vorliegenden Daten. R kann diese Umwandlung nur mit einem character vornehmen, der mindestens Jahr, Monat und Tag enthält. Diese werden in der Hilfe von strptime je nach Formatierung unterschiedlich bezeichnet - z.B. wird %d für den Tag (01 - 31), %m für den Monat (01 - 12) und %y für das Jahr (00-99) genutzt. Unseren Daten fehlt der Tag! Um die Umwandlung vornehmen zu können, muss man also die Daten modifizieren. Schau dir dafür mal den Befehl paste0 in der R-Hilfefunktion und im Internet an.

paste0 “klebt” die Argumente, die der Funktion gegeben werden aneinander. Die 0 bedeutet dabei, dass sie durch nichts getrennt werden sollen. Z.B. könnten wir den Befehl benutzen um einen beliebigen Satz zu schreiben:

paste0('Ich will', ' Kuchen.')

## [1] "Ich will Kuchen."

In paste0 können aber auch Variablen genutzt werden, um jeder Beobachtung etwas hinzuzufügen. In unserem Fall müssen wir uns also einfach nur irgendeinen Tag im Monat aussuchen und diesen an unsere Datumsvariable anheften.

Danach sollte auch die Umwandlung in die Datumsklasse funktionieren.

Ist die Variable ein POSIXct? Überprüf das mit dem Befehl class(Variable). Sofern das nicht der Fall sein sollte, schau im Internet nach einer Lösung für das Problem.

Ergebnis: Kopiere den Befehl reshape- und den ggplot-Befehl und ersetze jeweils die alte Monatsvariable (Variablentyp: factor) durch die neue Monatsvariable (Variablentyp: POSIXct). Jetzt sollte die Graphik auf der x-Achse nur noch mit den 4 Jahreszahlen 2005, 2010, 2015 und 2020 beschriftet sein.

Die Abbildung aus Schritt 1 ist noch nicht sonderlich schön. Das erste offensichtliche Manko ist, dass es unmöglich ist, die Zeit an der x-Achse abzulesen. Um diesen Zustand zu beheben, muss die Zeit in eine “echte” Zeitvariable im POSIXct-Format umgewandelt werden:

class(c_long$Monat)

## [1] "character"

Für die Umwandlung ins POSIXct-Format gibt es eine Funktion namens strptime. Diese funktioniert allerdings wesentlich besser, wenn die Ausgangsvariable eine character-Variable ist. Also müssen wir die Zeit erst in eine Text-Variable umwandeln (dafür erstellen wir vorsichtshalber eine neue Variable):

c_long$nMonat <- as.character(c_long$Monat)

Aus der Hilfe zu strptime wird ersichtlich, dass immer mindestens Tag, Monat und Jahr in Zeitvariablen erwartet werden. Daher müssen wir der neuen Text-Variable noch einen Tag hinzufügen. Der genaue Tag macht dabei keinen Unterschied (weil unsere Daten ja nur monatlich sind) - wir nehmen einfach den 1. jeden Monats:

c_long$nMonat <- paste0(c_long$nMonat, '-01')
head(c_long$nMonat)

## [1] "2004-01-01" "2004-02-01"
## [3] "2004-03-01" "2004-04-01"
## [5] "2004-05-01" "2004-06-01"

So hat die neue nMonat-Variable ein typisches Zeitformat: Jahr-Monat-Tag. Dieses Format erkennt strptime leider nicht automatisch, also müssen wir via format-Argument ansagen, wie unsere Daten aussehen:

c_long$nMonat <- strptime(c_long$nMonat,
  format="%Y-%m-%d")    # Format des Datums

Aus der Hilfe von strptime sehen wir, dass %Y Jahre (mit Jahrhunderten), %m Monate (in Zahlen) und %d Tage sind. Die Variable wird nur folgendermaßen klassifiziert.

class(c$nMonat)

## [1] "NULL"

Das ist zwar leider nicht die richtige Klasse, aber das Problem lässt sich schnell beheben:

c_long$nMonat <- as.POSIXct(c_long$nMonat)

Wenn wir jetzt die Abbildung erneut erstellen, sieht die x-Achse schon viel besser aus:

ggplot(data = c_long, aes(x = nMonat, y = Prozent, group = Partei)) +
  geom_line(aes(colour = Partei)) +      # Liniendiagramm
  xlab('Zeitraum') +                     # Beschriftung x-Achse
  ylab('Anfragen (in % des Maximums)') + # Beschriftung y-Achse
  ggtitle('Suchanfragen')                # Überschrift

Um bestimmte Abschnitte näher unter die Lupe zu nehmen, können wir jetzt Anhand der Zeitvariable spezifische Auswahlen treffen. Wenn wir uns z.B. den Zeitraum um die Bundestagswahl von 2013 näher angucken möchten, können wir uns auf die Jahre zwischen 2012 und 2014 konzentrieren:

wahl_2013 <- subset(c_long, subset = (nMonat < '2014-07-01' & nMonat > '2012-01-01'))

ggplot(data = wahl_2013, aes(x = nMonat, y = Prozent, group = Partei)) +
  geom_line(aes(colour = Partei)) +      # Liniendiagramm
  xlab('Zeitraum') +                     # Beschriftung x-Achse
  ylab('Anfragen (in % des Maximums)') + # Beschriftung y-Achse
  ggtitle('Suchanfragen')                # Überschrift

Ein weiteres Manko bei diesen Abbildungen sind die verwirrenden Farben. In Deutschland gibt es ein relativ konsistent genutzes Schema, nach dem die politische Parteien durch bestimmte Farben dargestellt werden. Wir können dieses Schema auch in unserer Abbildungen nutzen, wenn wir die Farben per Hand vergeben und dann mit scale_color_manual in unseren Plot aufnehmen:

farben <- c('AfD' = 'deepskyblue', 'CDU' = 'black', 'DieGrüne' = 'green3',
            'DieLinke' = 'magenta', 'FDP' = 'gold', 'MLPD' = 'orange',
            'NPD' = 'brown', 'SPD' = 'red', 'Tierschutzpartei' = 'darkblue')

ggplot(data = wahl_2013, aes(x = nMonat, y = Prozent, group = Partei)) +
  geom_line(aes(colour = Partei)) +      # Liniendiagramm
  xlab('Zeitraum') +                     # Beschriftung x-Achse
  ylab('Anfragen (in % des Maximums)') + # Beschriftung y-Achse
  ggtitle('Suchanfragen') +              # Überschrift
  scale_color_manual(values = farben)