Die Nachrichten mit Zeilenumbrüchen lassen sich identifizieren, indem wir mit which zwei Bedingungen verknüpfen. Das geht ganz einfach mit dem ‘&’ Zeichen. Danach kannst du in einer for Schleife den Absender und die Uhrzeit aus der vorherigen Nachricht in die Zeilen ohne Absender und Uhrzeit kopieren.

Die ausgeschlossenen Medien lassen sich identifizieren, indem mit grep die Einträge eines character-Vektors ermittelt werden, die ein bestimmtes Textstück enthalten.

Zunächst muss der Chat eingelesen werden.

setwd('...')
install.packages('rwhatsapp')

library(rwhatsapp)
whatsapp <- rwa_read('MeineGruppe.txt')

Wenn du dir nun den Datensatz anschaust (z.B. über View) sollten die ersten sechs Zeilen so aussehen:

## # A tibble: 6 × 6
##   time                author text                                            source emoji  emoji_name
##   <dttm>              <fct>  <chr>                                           <chr>  <list> <list>    
## 1 2019-06-23 18:21:51 <NA>   "Du hast die Gruppe \"Meine Gruppe\" erstellt." Meine… <NULL> <NULL>    
## 2 2019-06-26 11:49:51 Frank  "Wer hat Lust so gegen viertel nach 1 Lust auf… Meine… <NULL> <NULL>    
## 3 2019-06-26 12:05:51 Marie  "Bin raus:/"                                    Meine… <NULL> <NULL>    
## 4 2019-06-26 12:05:51 Hans   " Ich bin jetzt schon essen, hab nachher noch … Meine… <NULL> <NULL>    
## 5 2019-06-26 12:06:51 Georg  " Yess, am Cafe dann?"                          Meine… <NULL> <NULL>    
## 6 2019-06-26 12:09:51 Petra  "Ich esse Zuhause"                              Meine… <NULL> <NULL>

Wenn es bei dir einige Zeilen gibt, die keinen Absender und keine Uhrzeit haben, liegt das daran, dass jemand einen Absatz in seiner Nachricht hatte. Mit which werden hier zunächst alle Zeilen identifiziert, die keine Zeit und keinen Absender haben, also in den ersten beiden Spalten keine Einträge haben. Im zweiten Schritt wird die Zeit und der Absender aus der jeweils darüber stehenden Zeile genommen und in die leeren ersten zwei Spalten eingefügt. Damit wurde eine einzige Nachricht über zwei Zeilen verteilt, was wir für später im Hinterkopf behalten müssen. Wenn das bei dir nicht vorkommt, kannst du diesen Schritt einfach weglassen.

linebreaks <- which(is.na(whatsapp$time) & is.na(whatsapp$author))
for (i in linebreaks) whatsapp[i, 1:2] <- whatsapp[i - 1, 1:2] 

Der erste der zwei Sonderfälle sind Nachrichten vom System (wenn jemand der Gruppe beigetreten ist oder sie verlassen hat). Hierfür überschreiben wir unseren Datensatz mit dem gleichen Chat unter Ausschluss der autorenlosen Zeilen. Daher ist es wichtig, dass wir im Schritt vorher die Absätze in den Nachrichten bereinigt haben, um diese richtigen Nachrichten nicht zu löschen.

whatsapp <- whatsapp[!is.na(whatsapp$author),]

Der zweite Sonderfall sind die Medien, die wir beim Exportieren aus Whatsapp ausgeschlossen haben. Mit grep können wir diese Nachrichten heraussuchen und durch NA ersetzen. Hier muss nicht die ganze Nachricht angegeben werden, da jede dieser Nachrichten gleich aufgebaut ist.

whatsapp$text[grep('<Medien ausgeschlossen', whatsapp$text)] <- NA

Bei dem Diagramm über die gesamte Zeit und über die Tageszeit hast du eine intervallskalierte Variable. Daher kannst du hier ein Histogramm erstellen. Bei den Wochentagen ist das anders, hierbei handelt es sich um eine diskrete nominalskalierte Variable mit sieben Kategorien. Hier musst du mit geom_bar ein Balkendiagramm erstellen.

Falls du ggplot2 noch nicht geladen hast, solltest du es jetzt tun. Falls du dich noch nicht damit beschäftigt hast, wie man mit diesem Paket Grafiken erzeugt, kannst du das z.B. in unserem Crashkurs zu Grafiken mit ggplot2 nachholen.

library('ggplot2')

Unser erstes Diagramm ist ein Kreisdiagramm zur Nachrichtenhäufigkeit der einzelnen Personen. Du brauchst hier den Befehl table damit du die Häufigkeiten der Personen bekommst. Weil der Autor von ggplot2 sich vehement weigert, diese Art von Diagramm direkt zu implementieren, nutzen wir hier den R-eigenen Befehl pie. Dieser benötigt jedoch als Input eine Häufigkeitstabelle:

tab <- table(whatsapp$author)
tab

## 
##      Anna Anne-Lisa     Frank     Georg      Hans     Marie     Petra 
##       196        33        91       105        95       108       137

pie(tab, col = c("red", "yellow", "green", "violet", "orange", "blue", "pink", "cyan") )

Wenn wir ein Diagramm zur Nachrichtenhäufigkeit mit ggplot erstellen wollen, müssen wir ein Balkendiagramm benutzten.

ggplot(whatsapp, aes(x = author)) +
geom_bar(width = 1 , aes(fill = author))

Um ein Histogramm zu erzeugen, das aufzeigt, wann ihr - über die gesamte Zeit - am meisten schreibt, kannst du entweder die Basicfunktion hist verwenden oder wieder ggplot. Setzte die Balkenbreite so, wie es für dich Sinn macht.

hist(whatsapp$time, breaks = 20, freq = TRUE)

## Warning in breaks[-1L] + breaks[-nB]: NAs produced by integer overflow

ggplot(whatsapp, aes(x = whatsapp$time))+ geom_histogram()

## Warning: Use of `whatsapp$time` is discouraged.
## ℹ Use `time` instead.

Für die Wochentage erstellen wir erst eine neue Variable, die die Wochentage enthält. Dafür gibt es in R den gesonderten Befehl weekdays, der den Wochentag eines Datums ausgibt. Da es wenig Sinn macht, die Wochentage alphabetisch zu sortieren, musst du noch einen Faktor erstellen, in dem du die richtigen Levels zuweist. Da Wochentage nicht intervallskaliert sind, nutzen wir hier ein Balkendiagramm.

whatsapp$Wochentage <- weekdays(whatsapp$time)
whatsapp$Wochentage <- factor(whatsapp$Wochentage, levels = c('Montag','Dienstag', 'Mittwoch', 'Donnerstag', 'Freitag', 'Samstag', 'Sonntag'))

ggplot(whatsapp, aes(x = Wochentage)) + geom_bar()

Für die Uhrzeit erstellen wir erst eine neue Zeitvariable ohne das Datum mittels der Funktionstrftime, die uns die Stunde (Hour) und die Minute (Minute), in der die Nachricht geschickt wurde, ausgeben soll (%H:%M). Leider speichert R die neue Zeitvariable wieder als Character ab, sodass du sie nochmal in POSIXct umformen musst. Zur Visualisierung benutzen wir hier ein Histogramm.

whatsapp$uhrzeit <- strftime(whatsapp$time, format = '%H:%M')
whatsapp$uhrzeit <- as.POSIXct(whatsapp$uhrzeit, format = '%H:%M')
ggplot(whatsapp, aes(x = whatsapp$uhrzeit))+ geom_histogram(bins = 10, color = 'white') +
  xlab('Zeit')+ ylab('Nachrichten') + geom_freqpoly(bins = 10) + scale_x_datetime(date_labels = '%H:%M')

## Warning: Use of `whatsapp$uhrzeit` is discouraged.
## ℹ Use `uhrzeit` instead.
## Use of `whatsapp$uhrzeit` is discouraged.
## ℹ Use `uhrzeit` instead.

Um die Uhrzeiten möglichst einfach subtrahieren zu können, bringen wir die Zeiten und beide Autoren in eine Zeile. Das bedeutet, dass wir zwei neue Spalten an unseren Datensatz hängen, in denen wir die Uhrzeit und den Absender der folgenden Nachricht speichern.

Zunächst musst du diese Fälle identifizieren und in einer neuen Variable speichern. Anschließend kannst du mithilfe einer for Schleife diesen Fällen in den beiden neuen Spalten (Absender und Zeit der folgenden Nachricht; siehe Tipp 1) NA zuweisen.

Wir haben keine Werte kleiner null, aber sehr starke Ausreißer nach oben. Daher ist es am sinnvollsten den Median zu benutzen, da dieser sehr robust gegenüber Ausreißern ist. Mit tapply kannst du ihn direkt auf alle Personen gleichzeitig anwenden.

Für die Punktevergabe gibt es den Befehl rank. Beachte in welche Richtung die Punkte vergeben werden: Hier kriegt der mit dem kleinsten Median den Wert 1.

Wir haben uns hier einen zweiten Datensatz erstellt, damit wir zur Not einen weiteren formatierten Datensatz zur Verfügung haben. Damit vermeiden wir, dass wir von Anfang an alles neu einlesen müssen, wenn das Verändern des Datensatzes schief läuft. Das ist generell auch für die Zukunft immer eine gute Idee, wenn du etwas an deinem Datensatz verändern willst, dir aber nicht ganz sicher bist, wie es geht.

whatsapp_new <- whatsapp

Wir wollen nun schauen, wer im Chat am schnellsten antwortet. Am einfachsten ist es, etwas zu analysieren, was in der gleichen Zeile steht. Daher erstellen wir eine neue Spalte und fügen jeweils die Zeit aus der darunter stehenden Zeile ein.

whatsapp_new$response <- NA
whatsapp_new$response <-c(whatsapp_new$time[2:nrow(whatsapp_new)], NA)

Im zweiten Schritt können wir dann beide Zeiten voneinander subtrahieren und haben unsere Antwortzeit.

whatsapp_new$antwortzeit <- whatsapp_new$response - whatsapp_new$time

Das gleiche machen wir auch mit dem Absender der Antwortnachricht, da wir sonst nicht zuordnen können, wer hier wie schnell geantwortet hat. Wie ihr später noch feststellen werdet, ist es dabei wichtig, dass wir den Absender als Faktor vorliegen haben.

whatsapp_new$antworter <- NA
whatsapp_new$antworter <-c(as.character(whatsapp_new$author[2:nrow(whatsapp_new)]), NA)
whatsapp_new$antworter <- as.factor(whatsapp_new$antworter)

Wie du dir hoffentlich gemerkt hast, gibt es mehrere Zeilen hintereinander, die eigentlich zur gleichen Nachricht gehören und es gibt auch Personen, die ihre Antwort generell in zwei Nachrichten und nicht in einer verfassen. Daher müssen wir die ausschließen, die “sich selbst antworten”. Dafür identifizieren wir zunächst jene Zeilen, die den gleichen Absender und Beantworter haben. Danach können wir in diesen Zeilen die Einträge in den zwei Spalten antwortzeit und antworter durch NA ersetzen.

gleich <- which(whatsapp_new$antworter == whatsapp_new$author)
for (i in gleich) {
  whatsapp_new[i,]$antwortzeit <- NA
  whatsapp_new[i,]$antworter <- NA
  }

Nun musst du dir überlegen, welches das sinnvollste Maß der zentralen Tendenz in diesem Fall ist. Bei Betrachtung des Datensatzes sieht man, dass manche Antwortzeiten extrem hoch sind. Das kann daran liegen, dass erst am nächsten Tag geantwortet wurde, oder dass das Gespräch beendet und erst nach 2 Tagen ein neues angefangen wurde. Daher ist es am sinnvollsten, den Median zu nutzen, da dieser am robustesten gegenüber Ausreißern ist. Mit tapply kannst du ein bestimmtes Maß auf die ganze Tabelle anwenden.

zeit <- tapply(whatsapp_new$antwortzeit, whatsapp_new$antworter, median)

Um am Ende ein Ergebnis zu bekommen, wer nun wirklich die beste Freundin/der beste Freund ist, brauchen wir ein Punkte-System. Hierfür erstellen wir eine Tabelle mit den Namen aller Chatmitglieder und fügen die Zeit ein. Im zweiten Schritt erhält jeder Punkte, je nachdem auf welchem Platz er sich befindet. Dafür gibt es den Befehl rank, der die Punktevergabe automatisch durchführt.

tab <- data.frame(levels(whatsapp$author), zeit)
tab$Punkte <- rank(tab$zeit)

##           levels.whatsapp.author. zeit Punkte
## Anna                         Anna  480      5
## Anne-Lisa               Anne-Lisa 1680      7
## Frank                       Frank  840      6
## Georg                       Georg  390      4
## Hans                         Hans  210      2
## Marie                       Marie  360      3
## Petra                       Petra  180      1

Um Klartextformate wie .txt einzulesen, können die Funktionen read.table() und read.csv() verwendet werden. Die beiden Funktionenn unterscheiden sich nur in den Voreinstellungen für bestimmte Argumente. Alle drei Wörterlisten ließen sich also mit beiden Befeheln einlesen. Allerdings müssen natürlich weniger Argumente angegeben werden, wenn die Voreinstellungen schon passend sind.

Bei allen Dateien musst du stringAsFactor = FALSE angeben, weil eine character-Variable beim Einlesen nicht in eine factor-Variable konvertiert werden soll. Wenn du dir die EmotionLookUpTable anschaust, erkennst du, dass diese tabellarisch angeordnet ist, es handelt sich also um eine tabulatorgetrennte Textdatei. Diese Information muss mit dem Argument sep = '\t' angegeben werden.

Verstärker und Abschwächer kannst du verschieden Variablen zuweisen, indem du sie über ihre Scores unterscheidest. Verstärker haben immer einen Wert über null und Abschwächer immer einen Wert unter null.

Bei der ersten Analyse nur mit den Nachrichten einer Person kannst du mit grep die Nachrichten dieser Person auswählen und sie mit paste verketten. Wenn du alle Gruppenmitglieder untersuchst, brauchst du kein grep mehr, sondern erstellst einen neuen Datensatz, der eine Spalte mit allen Namen enthält und eine zweite Spalte mit allen Nachrichten der jeweiligen Person. Die Nachrichten einer Person verkettest du in einer for Schleife.

for (i in levels(whatsapp$who)) {
  chat$what[chat$who == i] <- paste(whatsapp$text[whatsapp$who == i], collapse = ' ')
}

Anmerkung: Sieh dir mit der Hilfefunktion an, was du mit collaps festlegst.

Um die Stimmungsanalyse durchzuführen und damit zu quantifizieren, wie sehr jemand positive Stimmungen verbreitet, benötigst du die Funktion txt_sentiment. Sie kann auf Datensätze angewendet werden, die mit udpipe in Tokens zerlegt wurde. Sieh dir die Funktion mit der Hilfefunktion an und überlege, an welche Argumente du die Wörterlisten übergeben musst.
Schau dir außerdem an, welchen Output txt_sentiment erstellt und überlege, wie du auf die sentiment_polarity zugreifen kannst. Dabei handelt es sich nämlich um die Variable, die uns interessiert, nennen wir sie den ‘Positivitätswert’.

Bei der Stimmungsanalyse ist ein höherer Wert besser. Das steht im Gegensatz zu der Zeitanalyse, wo ein kleiner Wert besser war. Bei dem rank Befehl kannst du ganz einfach ein minus vor die Variable setzen, um die Punktevergabe umzudrehen.

Falls du es noch nicht getan hast solltest du spätestens hier das Packet udpipe installiert haben und laden.

# install.packages("udpipe")
library(udpipe)

Das Folgende wurde bereits erwähnt, der Vollständigkeit halber steht es hier aber nochmals. Um udpipe benutzen zu können, musst du das Modell in der richtigen Sprache herunterladen und in die aktuelle Sitzung laden.

model <- udpipe_download_model(language = 'german')

germodel <- udpipe_load_model(file = dir(pattern = 'udpipe')) 

Nun müssen die verschiedenen Listen eingelesen werden. Wir haben die Tabellen mit den richtigen Namen versehen, damit es einfacher und ordentlicher ist. Das ist zwar kein Muss, aber unbedingt zu empfehlen.

emo <- read.csv('EmotionLookupTable.txt', sep = '\t', header = FALSE, stringsAsFactors = FALSE)
names(emo) <- c('Wort', 'Senti', 'Englisch', 'Quelle', 'Entstehung')


boost <- read.table('BoosterWordList.txt', stringsAsFactors = FALSE)
names(boost) <- c('Wort', 'Boost')


negate <- read.table('NegatingWordList.txt', stringsAsFactors = FALSE)
negate <- negate[, 1]

Für die Textanalyse brauchen wir eine Tabelle, in der die emotionalen Wörter und die Stärke ihrer Bedeutung enthalten sind.

polar <- data.frame(term = emo$Wort, polarity = emo$Senti, stringsAsFactors = FALSE)

Die Boostliste wird hier unterteilt in Verstärker und Abschwächer.

ampli <- boost[boost$Boost > 0, 'Wort']
deamp <- boost[boost$Boost < 0, 'Wort']

Zuerst versuchen wir die Analyse mit Hans. Dafür suchen wir mit grep alle Nachrichten raus, die Hans geschrieben hat.

hans <- whatsapp$text[grep('Hans', whatsapp$author)]
hans <- paste(hans, collapse = ' ')

Im zweiten Schritt müssen wir die Nachrichten in Tokens zerlegen.

hans <- udpipe(hans, germodel) 

Für die Analyse hast du nun vier Komponenten:

• polarity_terms sind die Wörter an sich, welche positiv oder negativ sind.
• polarity_negators sind die Begriffe, die die Bedeutung umkehren können.
• polarity_amplifiers sind die Verstärker.
• polarity_deamplifierssind die Abschwächer.

senti_hans <- txt_sentiment(hans,
  polarity_terms = polar,
  polarity_negators = negate,
  polarity_amplifiers = ampli,
  polarity_deamplifiers = deamp) 

In der Spalte overall sind alle Endergebnisse gespeichert.

senti_hans$overall 

##    doc_id sentiment_polarity sentences terms      terms_positive terms_negative terms_negation
## 1:   doc1                 -3        21   525 gern, gut, ok, okay  leider, sorry    kein, nicht
##    terms_amplification
## 1:       bißchen, voll

Wenn wir das Ganze nun mit allen aus dem Chat machen wollen, müssen wir ein Dataframe mit allen Personen erstellen und die Nachrichten hinzufügen.

chat <- data.frame(author = levels(whatsapp$author), what = '', stringsAsFactors = FALSE)
for (i in levels(whatsapp$author)) {
  chat$what[chat$author == i] <- paste(whatsapp$text[whatsapp$author == i], collapse = ' ')
}

Auch hier zerlegen wir die Nachricht in Tokens und analysieren den Chat auf die gleiche Art und Weise wie oben.

chat <- udpipe(chat$what, germodel)

senti_all <- txt_sentiment(chat,
  polarity_terms = polar,
  polarity_negators = negate,
  polarity_amplifiers = ampli,
  polarity_deamplifiers = deamp)
senti_all$overall

##    doc_id sentiment_polarity sentences terms
## 1:   doc1               40.6        23  1176
## 2:   doc2                2.0        17   284
## 3:   doc3               29.6        41   666
## 4:   doc4               15.6        24   700
## 5:   doc5               -3.0        21   525
## 6:   doc6               14.2        42   870
## 7:   doc7               -1.0        30  1130
##                                              terms_positive               terms_negative
## 1: danke, gern, gut, mögen, ok, spaß, super, süß, zufrieden                leider, sorry
## 2:                                        gern, gratis, gut                       leider
## 3:        danke, gern, gut, inspirieren, okay, super, süßen                       leider
## 4:                              gut, hoffentlich, mag, okay                leider, sorry
## 5:                                      gern, gut, ok, okay                leider, sorry
## 6:                                    gern, gut, super, süß blöd, kriegen, leider, sorry
## 7:                                      gern, gut, ok, okay    leider, schade, vermissen
##      terms_negation                                       terms_amplification
## 1:      kein, nicht                                 bißchen, echt, sehr, voll
## 2:            nicht                                      echt, komplett, sehr
## 3:      kein, nicht bestimmt, bißchen, definitiv, echt, sehr, wenig, wirklich
## 4: kein, nicht, nie                                          echt, sehr, voll
## 5:      kein, nicht                                             bißchen, voll
## 6:            nicht                                       bißchen, echt, voll
## 7:      kein, nicht                  echt, unglaublich, voll, wirklich, würde

Nun kann man jedoch nicht erkennen, welche Daten zu welcher Person gehören, da der overall Befehl nur Nummern und keine Namen anzeigt. Das Problem können wir aber lösen, indem wir die Autorennamen in einem weiteren Schritt zuweisen.

senti <- senti_all$overall
senti$doc_id <- levels(whatsapp$author)

Nun kannst du dir die Werte absteigend anschauen. Der höchste Wert ist die positivste Person in deinem Chat.

senti[order(senti$sentiment_polarity, decreasing = TRUE), ]

##       doc_id sentiment_polarity sentences terms
## 1:      Anna               40.6        23  1176
## 2:     Frank               29.6        41   666
## 3:     Georg               15.6        24   700
## 4:     Marie               14.2        42   870
## 5: Anne-Lisa                2.0        17   284
## 6:     Petra               -1.0        30  1130
## 7:      Hans               -3.0        21   525
##                                              terms_positive               terms_negative
## 1: danke, gern, gut, mögen, ok, spaß, super, süß, zufrieden                leider, sorry
## 2:        danke, gern, gut, inspirieren, okay, super, süßen                       leider
## 3:                              gut, hoffentlich, mag, okay                leider, sorry
## 4:                                    gern, gut, super, süß blöd, kriegen, leider, sorry
## 5:                                        gern, gratis, gut                       leider
## 6:                                      gern, gut, ok, okay    leider, schade, vermissen
## 7:                                      gern, gut, ok, okay                leider, sorry
##      terms_negation                                       terms_amplification
## 1:      kein, nicht                                 bißchen, echt, sehr, voll
## 2:      kein, nicht bestimmt, bißchen, definitiv, echt, sehr, wenig, wirklich
## 3: kein, nicht, nie                                          echt, sehr, voll
## 4:            nicht                                       bißchen, echt, voll
## 5:            nicht                                      echt, komplett, sehr
## 6:      kein, nicht                  echt, unglaublich, voll, wirklich, würde
## 7:      kein, nicht                                             bißchen, voll

Für unseren Test müssen wir nun wieder Punkte verteilen. Dafür solltest du erst den ‘Positivitätswert’ in der Tabelle speichern und dann wie bei der Zeitanalyse Punkte vergeben. Hier muss du aber ein Minus vorschreiben, weil die höchste Zahl hier am besten ist, und nicht die niedrigste.

tab$senti <- senti$sentiment_polarity
tab$Punkte2 <- rank(-senti$sentiment_polarity)

Für das Ergebnis des Tests rechnest du einfach beide Punkte zusammen und lässt dir das Minimum ausgeben.

tab$final <- tab$Punkte + tab$Punkte2
tab$levels.whatsapp.author.[which.min(tab$final)]

## [1] "Anna"

Wie du siehst, scheint hier Anna deine beste Freundin zu sein. Falls du noch die Ergebnisse der anderen vergleichen möchtest, hier die Gesamtübersicht der Werte und Punkte:

tab

##           levels.whatsapp.author. zeit Punkte senti Punkte2 final
## Anna                         Anna  480      5  40.6       1     6
## Anne-Lisa               Anne-Lisa 1680      7   2.0       5    12
## Frank                       Frank  840      6  29.6       2     8
## Georg                       Georg  390      4  15.6       3     7
## Hans                         Hans  210      2  -3.0       7     9
## Marie                       Marie  360      3  14.2       4     7
## Petra                       Petra  180      1  -1.0       6     7