← Übungsaufgaben zu Häufigkeitsverteilungen

↑ Sitemap

Datensätze

Die Objekte einer statistischen Untersuchung (die sogenannten statistischen Einheiten der Untersuchung) haben in der Regel mehrere Merkmale, deren Ausprägungen für statistische Auswertungen relevant sein können. Eine Beobachtung ist eine Liste der jeweils festgestellten Ausprägungen der relevanten Merkmale einer statistischen Einheit. Ein Standardverfahren in empirischen Wissenschaften ist es, die Gesamtheit der Beobachtungen in tabellarischer Form festzuhalten, für die gilt:

jede Zeile der Tabelle stellt eine statistische Einheit dar, und
jede Spalte der Tabelle stellt ein (mögliches) Merkmal der Einheiten dar.

Folglich beinhalten die Zellen jeder Spalte alle beobachteten Ausprägungen des jeweiligen Merkmals (mit anderen Worten: alle beobachteten Werte der jeweiligen Variable) und die Zellen jeder Zeile beinhalten die Gesamtheit der beobachteten Ausprägungen der Merkmale (mit anderen Worten: alle beobachteten Werte der Variablen) einer einzelnen Einheit. Eine solche Tabelle heißt ein Datensatz. Die Erstellung eines Datensatzes ist i.d.R. der Ausgangspunkt für statistische Auswertungen.

Oft gibt es eine Spalte im Datensatz – i.d.R. die erste – die kein Merkmal der Einheiten darstellt sondern einfach der eindeutigen Identifzierung der Einheiten dient: Die Zellen enthalten z.B. laufend aufsteigende Nummern oder andere eindeutige Kodierungen.

In korpuslinguistischen statistischen Untersuchungen bestehen die Beobachtungen aus den Ausprägungen von Kombinationen folgender drei Arten von Korpusmerkmalen:

Merkmale der rohen Korpusdaten: z.B. der Text (d.h. die Zeichen) im Korpus (oder in einem Teil des Korpus);
Merkmale der linguistischen Aufbereitung: z.B. Tokens, Type, Lemmata und Annotationen;
Merkmale der Korpusmetadaten: z.B. das Entstehungsjahr (oder Jahr der Veröffentlichung), die Quelle des Textes (oder ausgewählter Teile des Textes), die Textklasse.

Solche Beobachtungen gewinnt man durch gezielte Anfragen in ausgewählten Korpora, d.h. die Beobachtungen ergeben sich aus den entsprechenden Treffern. Aus den Treffern und evtl. dazugehörigen Annotationen und Metadaten kann man Datensätze erstellen.

Datensätze in R erstellen

Datensätze kann man in R mit Hilfe der Funktion data.frame() erstellen (der in R verwendete Begriff für einen Datensatz ist data frame). Die Argumente dieser Funktion sind Vektoren, die die Merkmale von Interesse für die Untersuchung darstellen; die Elemente der Vektoren sind folglich die jeweiligen Merkmalsausprägungen. Mit anderen Worten: Die Vektoren stellen die Variablen der Untersuchung und ihre Werte dar, und bilden die Spalten des Datensatzes. Wenn die Vektoren in R-Variablen gespeichert sind und diese Variablen die Argumente von data.frame() sind, dann bilden die Variablennamen die erste Zeile des Datensatzes, die sogenannte Kopfzeile.

Wir haben gesehen, wie man mit data.frame() auch Häufigkeitstabellen erstellen kann. Häufigkeitstabellen sind Datensätzen formal ähnlich aber inhaltlich stellen sie durch die Angaben der Häufigkeiten eine Art Zusammenfassung von Einzelbeobachtungen dar, denn aus den Einzelbeobachtungen kann man Häufigkeiten ohne Weiteres berechnen (Beispiele werden wir später sehen).

Normalerweise gibt man die beobachteten Werte aber nicht direkt als Vektorenelemente in R ein, sondern die Daten werden i.d.R. zunächst in Textdateien in einem tabellarischen Format festgehalten, das z.B. mit einem Tabellenkalkulationsprogramm bearbeitet werden kann. Solche Dateien können mit Hilfe von Funktionen wie read.table() auch in R eingelesen werden und werden dadurch in Datensätze umgewandelt, die anschließend genau wie mit data.frame() erstellte Datensätze in R weiter verarbeitet werden.

In diesem Seminar werden wir Datensätze in R aus DWDS-Suchergebnissen mit Hilfe einer eigenen Funktion erstellen, die read.table() verwendet und sogar die DWDS-Suche „unter der Haube“ durchführt, sodass man die DWDS-Website gar nicht braucht. Details zu dieser Funktion gibt es weiter unten, aber um besser zu verstehen, was sie leistet, ist es sinnvoll vorher zu erfahren, was man ohne sie, also nur mit DWDS und read.table(), dafür alles machen müsste.

Sie können also die Informationen in den folgenden Abschnitten „Suchergebnisse aus DWDS als Datensätze exportieren“ und „Mit der Funktion read.table()“ als Hintergrundwissen betrachten: Sie sollten sie durchlesen, aber wir werden in diesem Seminar Datensätze so nicht erstellen, sondern nur mit der Funktion dwds.data.frame().

Suchergebnisse aus DWDS als Datensätze exportieren

Wir haben gesehen, dass DWDS tabellarisch formatierte Textdateien für die Ergebnisse (Häufigkeiten) von Count-Anfragen sowie für Teilkorpusgrößen nach Dekade und nach Textklasse zur Verfügung stellt. Aber auch die Suchergebnisse normaler Anfragen stellt DWDS als formatierte Textdateien zur Verfügung, die damit mit read.table() in R geladen werden können (Details dazu gleich im nächsten Abschnitt weiter unten).

In DWDS kann man nach Durchführung einer normalen (also nicht Count-) Anfrage durch Klicken des Buttons „Treffer exportieren“ auf der Ergebnisseite (siehe dieses Bild) einen Auswahldialog aufrufen, mit dem man das Format und die Anzahl der Treffer (bis maximal 5000) und die Ausgabe entweder als Download oder im Browser auswählen kann. (N.B.: Um Suchergebnisse aus dem Korpus Archiv der Gegenwart zu exportieren, muss man sich in DWDS Anmelden; bei den anderen ohne Anmeldung verfügbaren Korpora ist der Export auch ohne Anmeldung möglich.) Folgendes Bild zeigt diesen Auswahldialog mit den für dieses Seminar geeigneten Einstellungen:

Mit dem Trefferformat „KWIC“ bestehen die exportierten Ergebnisse jeweils aus einer begrenzten Anzahl an Zeichen links und rechts vom Treffer, während das Format „voll“ jeweils den ganzen Satz exportiert, der den Treffer enthält, und das Format „maximal“ zusätzlich auch die Sätze unmittelbar vor und nach diesem Satz exportiert. Für unsere Zwecke ist das Format „voll“ die beste Wahl.
Man kann die Suchergebnisse in vier unterschiedlichen Datenformaten exportieren. Die Formate JSON und TCF enthalten die meisten Informationen, insbesondere Metadaten, sind aber für unsere Zwecke zu kompliziert. Die Formate CSV und TSV unterscheiden sich darin, dass die Variablenwerte im TSV-Format durch Tabulatoren getrennt sind und im CSV-Format durch Kommmata getrennt und außerdem in Anführungsstrichen eingeschlossen sind. Lezteres kann das Einlesen in R erschweren, daher ist für uns TSV das günstigste Format.
Bei der Ausgabe als Download muss man eine Datei mit den Suchergebnissen zunächst auf dem Rechner speichern und sie dann in R einlesen, während bei der Ausgabe im Browser man die Suchergebnisse über die entsprechende URL direkt in R laden kann, was für uns am praktischsten ist.

Hier ist ein Ausschnitt aus der DWDS-Ausgabe im Browser mit den oben gezeigten Einstellungen für die Anfrage ‚@Hund‘ im DWDS-Kernkorpus:

Diese Ausgabe sieht zwar nicht aus wie eine tabellarische Darstellung, aber die großen Lücken sind die Tabulatoren zwischen den Spalten mit den Variablenwerten. Die Darstellung ist deswegen gezerrt, weil die Werte unterschiedlich lang sind.
Die erste Zeile der Ausgabe ist die Kopfzeile der Tabelle, die die Merkmale (Variablen) des Datensatzes benennen (seltsamerweise auf Englisch):
- „No.“ – dient der oben erwähnten Identifzierung der statistischen Einheiten durch eine fortlaufende Nummerierung der Suchergebnisse in der Reihenfolge, in der DWDS sie anzeigt (die durch Sortierung bestimmt wird)
- „Date“ – das Datum (wohl der ersten Veröffentlichung) des Textes
- „Genre“ – die Textklasse
- „Bibl“ – bibliographische Angaben zur Quelle des Textes
- „URL“ – Internetadresse einer Online-Quelle des Textes
- „Hit“ – der Treffer, hier als vollständiger Satz
In den Datenzeilen der obigen Ausschnitt sieht man Einträge für die ersten vier Variablen und auch für die sechste (den Treffer), aber Einträge für die Variable „URL“ fehlen. Unter den nicht aggregierten ohne Anmeldung recherchierbaren DWDS-Korpora gilt das auch für das Kernkorpus 21 sowie die Korpora Berliner Zeitung und DDR. Aber die Datenzeilen der Korpora Tagesspiegel, Die ZEIT, Blogs, Filmuntertitel und Politische Reden haben Einträge auch in der URL-Spalte. Hier z.B. ist ein Ausschnitt aus der Ausgabe für die Anfrage ‚@Hund‘ im Korpus Filmuntertitel:

Auf der anderen Seite haben das DTA-Kernkorpus sowie die Spezialkorpora DTA-Erweiterungen, Polytechnisches Journal und Gesprochene Sprache gar keine URL-Spalte, wie in diesem Ausschnitt aus der Ausgabe für die Anfrage ‚@Hund‘ im Korpus Polytechnisches Journal zu sehen ist:

Wie in den letzten beiden Ausschnitten zu sehen ist, gibt es DWDS-Korpora mit anderen Textklassen als „Belletristik“, „Gebrauchsliteratur“, „Wissenschaft“ und „Zeitung“ und sogar eines (Polytechnisches Journal) ohne Angabe von Textklassen. Aber nur diese vier Textklassen sind über das DWDS-Abfragesystem abfragbar, und das auch nur im Kernkorpus, Kernkorpus 21, DTA-Kernkorpus und DTA-Erweiterungen.
Wie in allen Ausschnitten der Ausgaben zu sehen ist, enthalten die exportierten Treffer fast keine linguistische Aufbereitung: keine Tags, keine Angaben zu Lemmata, und nur eine unvollständige Tokenisierung (Satz- und Interpunktionszeichen sind nicht durch Leerzeichen von Wortformen getrennt, was verhindert, dass man alle Tokens im Treffer einfach durch abgrendzende Leerzeichen identifizieren könnte). Wenn man also die exportierten Daten mit einem anderen Werkzeug als DWDS (z.B. mit R) auswerten will, muss man entweder auf solche Informationen verzichten oder sie den Daten nachträglich hinzufügen. (Wir kommen im letzten Themenblock des Seminars auf diese Problematik zurück.)

Suchergebnisse aus DWDS als Datensätze in R einlesen

Zwar ist read.table() die wichtigste eingebaute R-Funktion zum Einlesen von Datensätzen, aber für dieses Seminar ist es praktischer, eine spezielle Funktion zu definieren, die read.table() aufruft aber auch viele DWDS-spezifische Anpassungen enthält. Diese Funktion, dwds.data.frame(), wird im nächsten Abschnitt ausführlich beschrieben. Um ein vertieftes Verständnis dieser Funktion zu gewinnen, erläutern wir einige Argumente von read.table(), die in dwds.data.frame() intern verwendet werden. Aber für dieses Seminar ist es nicht erforderlich, solche Details zu wissen.

Mit der Funktion `read.table()`

Die Funktion read.table() liest einen Datensatz zeilenweise in R ein. Sie nimmt ein obligatorisches Argument und viele optionale Argumente. Das obligatorische Argument heißt file und spezifiziert die Quelle des Datensatzes. Der Wert von file kann folgendermaßen angegeben werden:

als der Name (in Anführungsstrichen) einer Datei, in der der Datensatz gespeichert ist;
als eine URL (Internet-Adresse, auch in Anführungsstrichen), über die der Datensatz heruntergeladen werden kann;
als eine Funktion, die entweder einen Dateinamen oder eine URL zurückgibt. R stellt hierzu verschiedene Funktionen zur Verfügung, z.B. choose.files() (die einen Datei-Auswahldialog aufruft, aber nur unter MS-Windows) und file.choose() (mit der man den Dateinamen nach Aufforderung in die R-Konsole eingibt).

Mit den optionalen Argumenten kann man das Einlesen sowie die Ausgabe des Datensatzes in R in vielfältiger Weise steuern. Für unsere Zwecke können bei den meisten dieser Argumente die voreingestellten Werte übernommen werden. Aber für folgende Argumente erfordern die DWDS-Daten Abweichungen von den Standard-Werten:

Das Argument header: Dieses muss, wie wir beim Einlesen von Häufigkeitstabellen schon gesehen haben, den nicht voreingestellten Wert TRUE haben, wenn die erste nicht ignorierte Zeile des Datensatzes als die Kopfzeile behandelt werden soll, was bei den exportierten DWDS-Datensätzen der Fall ist.
Das Argument comment: Dieses bestimmt, welche Zeilen des Datensatzes als Kommentare gelten und folglich von R ignoriert werden. Der voreingestellte Wert ist das Zeichen "#", was im Falle von exportierten Datensätzen aus Count-Anfragen und Teilkorpusgrößen wünschenswert ist, wie wir auch beim Einlesen von Häufigkeitstabellen gesehen haben. Beim Export von Datensätzen aus den Suchergebnissen normaler Anfragen gibt es allerdings keine Zeilen, die ignoriert werden sollen, und noch wichtiger: Für das Einlesen in R ist dieser Wert problematisch, weil das Zeichen "#" Teil der DWDS-Daten oder -Metadaten sein kann und in vielen Fällen auch ist. Wenn also R dieses Zeichen als Beginn eines Kommentars verarbeitete, könnten Spaltenwerte unvollständig eingelesen oder sogar das Einlesen ganz verhindert werden. Daher sollte dieses Argument für Datensätze aus DWDS kein Zeichen als Wert haben, also: comment="".
Das Argument sep: Dieses bestimmt, wie die eingelesenen Zeilen des Datensatzes in Variablenwerte getrennt werden (sep steht für separate, also trennen). Standardmäßig wird nach jeder Folge von Leerzeichen, Tabulatoren oder Zeilenumbrüchen getrennt. Für exportierte DWDS-Datensätze im TSV-Format werden die Variablenwerte nur durch Tabulatoren getrennt, daher müssen wir den Wert von sep darauf beschränken. In R gibt man Tabulatoren mit dem Sonderzeichen "\t" an, also: sep="\t".
Das Argument quote: Dieses bestimmt, ob Text in Anführungszeichen von Text ohne Anführungszeichen unterschieden wird. Standardmäßig wird Text mit Gänsefüßchen (") und Apostrophen (') von Text ohne diese Zeichen unterschieden. Für unsere Zwecke ist diese Unterscheidung nicht wünschenswert, weil wir die Treffer genau übernehmen wollen, wie DWDS sie exportiert, daher unterbinden wir eine Unterscheidung mit der Zuweisung: quote="".
Das Argument colClasses: Dieses bewirkt, dass R die Spaltenwerte in einem Datensatz als bestimmte Datentypen behandelt. Ohne dieses Argument können verschiedenen Werten unterschiedliche Datentypen zugeordnet werden, aber für unsere Zwecke ist es am praktischsten, mit colClasses="character" alle Werte als Zeichenketten zu behandeln.
Das Argument encoding: Dieses bestimmt, wie R die Codierung des im Korpus verwendeten Zeichensatzes beim Einlesen behandelt. Normalerweise geschieht das automatisch und man muss sich nicht damit beschäftigen, aber beim Einlesen von einer Webseite über eine URL kann es passieren, dass Zeichen wie z.B. Umlaute ohne Angabe der Codierung nicht korrekt angezeigt werden. In DWDS wird die Codierung UTF-8 verwendet, daher sollte beim Einlesen über eine URL das Argument encoding="UTF-8" übergeben werden.

Beispiel: 100 Treffer der Anfrage ‚@Hund‘ aus dem DWDS-Kernkorpus (mit den Sucheinstellungen: von 1900 bis 1999, in allen Textklassen und aufsteigend nach Datum sortiert) exportieren und in R als Datensatz einlesen:

Zuerst die Anfrage in DWDS durchführen.
Dann den Button „Treffer exportieren“ anklicken und den Auswahldialog wie oben beschrieben bearbeiten, um die Suchergebnisse in tabellarischer Form im Browser zu zeigen.
Dann folgende Eingabe, welche die URL der im vorangehenden Schritt aufgerufenen Webseite so wie die oben erläuterten Argumente von read.table() enthält, in R durchführen:
> hund.kk.df1 <- read.table(file="https://www.dwds.de/r?format=full&limit=100&view=tsv&output=inline&q=%40Hund&corpus=kern&date-start=1900&date-end=1999&genre=Belletristik&genre=Wissenschaft&genre=Gebrauchsliteratur&genre=Zeitung&sort=date_asc", header=TRUE, comment="", sep="\t", quote="", colClasses="character", encoding="UTF-8")

Anmerkungen:

Falls aufgrund des Betriebssystems und der R-Version der Zugriff auf diese URL mit read.table() fehlschlägt, sollte man folgende Anweisung eingaben und dann den read.table()-Aufruf erneut ausführen:
> options(HTTPUserAgent="mozilla")
Der Wert des Arguments file darf keine Leerzeichen oder Zeilenumbrüche enthalten.

Um die ersten und letzten Zeilen des Datensatzes zu zeigen, kann man die Funktionen head() bzw. tail() verwenden. Die Darstellung hat allerdings einige Probleme, wie die folgende Ausgabe der ersten drei Zeilen sowie der Kopfzeile von hund.kk.df1 zeigt:

> head(hund.kk.df1, n = 3)
  No.       Date        Genre
1   1 1900-01-03      Zeitung
2   2 1900-03-20      Zeitung
3   3 1900-05-22 Belletristik
                                                                                                                                Bibl
1                                                              Frankfurter Zeitung und Handelsblatt (Erstes Morgenblatt), 03.01.1900
2                                                                                  Die Fackel [Elektronische Ressource], 2002 [1900]
3 Brief von Wilhelm Busch an Grete Meyer vom 22.05.1900. In: ders., Gesammelte Werke, Berlin: Directmedia Publ. 2002 [1900], S. 5329
  URL
1    
2    
3    
                                                                                                                                             Hit
1                                                 An Hausthieren wie Hund und Katze geht das Eigenthum, wenn sie sich verlaufen, nicht verloren.
2 Auch die Heyse-Telegramme aus Gardone, deren eines meldete, dass der Hund vor der Villa des Jubilars die Ohren spitze, haben Anklang gefunden.
3                                                                                In der ebergötzener Mühle lebt ein kleiner Hund, genannt Molly.

R formatiert den Datensatz nämlich so, dass der längste Spaltenwert die Breite der Spalte bestimmt; aber wenn eine Zeile des Datensatzes dadurch zu lang wird für eine vollständige Anzeige in der R-Konsole (die standardmäßig 80 Zeichen breit ist), wird sie an der überlangen Spalte umgebrochen, mit dem Ergebnis einer unübersichtlichen Anzeige des Datensatzes.
Zweitens enthält, wie schon erwähnt, die Spalte ‚URL‘ in den meisten DWDS-Korpora keine Werte und daher ist die Anzeige der Spalte für diese Korpora verzichtbar.
Drittens wirkt die englischsprachige Kopfzeile eines sont deutschsprachigen Datensatzes seltsam und unpassend.

Solche Probleme sind neben den oben erwähnten DWDS-spezifischen Anpassungen weitere Gründe, eine eigene Funktion zum Einlesen von DWDS-Suchergebnissen in R zu definieren, die im Folgenden detailliert beschrieben wird.

Mit der Funktion `dwds.data.frame()`

Weil die oben aufgelisteten optionalen Argumente von read.table() immer jeweils denselben Wert beim Einlesen von exportierten DWDS-Datensätzen haben sollen, kann man eine R-Funktion definieren, die read.table() mit diesen Argumentzuweisungen aufruft, was die Eingabe in R vereinfacht. Darüber hinaus ermöglicht DWDS eine weitere Vereinfachung, denn mit der URL, über die die tabellarische Ausgabe von DWDS-Suchergebnissen im Browser gezeigt wird, wird auch die entsprechende Anfrage vorher ausgeführt.

Damit kann man eine R-Funktion definieren, die
1. mit einem Aufruf eine solche URL zusammenstellt, abschickt und dadurch eine DWDS-Anfrage ausführt und eine tabellarische Darstellung der Suchergebnisse bildet, ohne die DWDS-Website im Browser überhaupt besuchen zu müssen, und dann diesen Datensatz in R einliest;
2. mit einem zweiten Aufruf eine übersichtliche und flexible Anzeige des Datensatzes in R ausgibt.

Eine solche Funktion haben wir definiert, sie heißt dwds.data.frame() und wird mit dem bekannten source()-Aufruf in R geladen. Diese Funktion nimmt folgende Argumente, die alle optional sind (weil sie alle einen voreingestellten Wert haben): Korpus, Anfrage, Start, Ende, Textklasse, Sortierung, Zeilen, Abbrev. Die meisten dieser Argumente betreffen die Suche in DWDS und entsprechen den verschiedenen Einstellungen in der DWDS-Suchmaske (jedoch gibt es kein Argument für die Anzeige als KWIC, voll oder maximal, weil wir immer nur den vollen Satz des Treffers exportieren). Das Argument Abbrev betrifft die Ausgabe in R, und das erste Argument Korpus sowie das Argument Zeilen betreffen sowohl die Suche als auch die Ausgabe, spielen also eine doppelte Rolle. Hier ist eine Beschreibung der Argumente und ihrer möglichen Werte im Einzelnen:

Korpus hat als Wert folgende zwei (sich ausschließende) Möglichkeiten, die erste bezüglich der Suche und die zweite bezüglich der Ausgabe:
1. Ist der Wert der Name (in Anführungsstrichen) eines der ohne Anmeldung recherchierbaren DWDS-Korpora – also entweder "Kernkorpus", "Kernkorpus 21", "DTA-Kernkorpus", "Berliner Zeitung", "Tagesspiegel", "Die ZEIT", "Blogs", "DTA-Erweiterungen", "Polytechnisches Journal", "Filmuntertitel", "Gesprochene Sprache", "DDR", oder "Politische Reden" – dann wird eine Suche im entsprechenden Korpus gemäß den Werten der restlichen die Suche betreffenden Argumente durchgeführt, aus deren Ergebnissen (deren Anzahl durch Zeilen bestimmt wird, siehe unten) ein Datensatz gebildet und in R eingelesen wird.
2. Ist der Wert eine Variable, die der Name eines vorher gespeicherten Datensatz ist, dann wird dieser angezeigt, und zwar so viele Zeilen gemäß dem Wert des Arguments Zeilen (siehe unten); dabei werden die Werte der Spalten gemäß dem Wert des Arguments Abbrev (siehe unten) ggf. gekürzt dargestellt, damit die Anzeige möglichst innerhalb der Breite der R-konsole bleibt.
Der voreingestellte Wert von Korpus ist "Kernkorpus".
(N.B.: Die Argumente Anfrage, Start, Ende, Textklasse, Sortierung werden nur dann verarbeitet, wenn der Wert von Korpus einer der DWDS-Korpusnamen ist; das Argument Abbrev wird nur dann verarbeitet, wenn der Wert von Korpus eine Variable für einen Datensatz ist.)
Anfrage hat als Wert eine Anfrage, die nach den Regeln der DWDS-Anfragesprache formuliert ist. Diese kann eine beliebige DWDS-Anfrage sein, muss aber in einfachen oder doppelten Anführungsstrichen eingeschlossen sein – nur in einfachen, wenn die Anfrage selbst doppelte Anführungsstriche enthält (also die 1. Variante einer DWDS-Anfrage mit Abstandsangabe): z.B. "Hund" oder 'Hund' aber nur ' "der #2 Hund" '.
Der voreingestellte Wert ist "$.=0" (womit die Treffer alle Sätze im Korpus sind, die nach einem Satzzeichen vorkommen, also vermutlich die allermeisten Sätze, was die größte Flexibilität in Bezug auf statistische Auswertungen erlaubt; wir werden davon im letzten Themenblock des Seminars Gebrauch machen).
Start und Ende können als Wert jeweils eine Jahresangabe haben, die für das früheste bzw. späteste Erscheinungsjahr der Suchergebnisse im aktuell eingestellten DWDS-Korpus (das der Wert des Arguments Korpus angibt) steht, d.h. die Suchergebnisse sind zwischen diesen Jahren (z.B. 1950 und 1990) erschienen.
Die voreingestellten Werte sind die früheste bzw. späteste geltende Jahresangabe im verwendete DWDS-Korpus (z.B. im DWDS-Kernkorpus die Jahre 1900 bzw. 1999).
Textklasse kann als Wert einen Vektor haben mit einem oder mehr der Ausdrücke "Belletristik", "Wissenschaft", "Gebrauchsliteratur" oder "Zeitung" als Elemente (also z.B. Textklasse = "Belletristik", Textklasse = c("Wissenschaft", "Zeitung"), Textklasse = c("Belletristik", "Wissenschaft", "Zeitung") usw.). Dieses Argument wird nur berücksichtigt, wenn der Wert des Arguments Korpus entweder "Kernkorpus", "Kernkorpus 21", "DTA-Kernkorpus" oder "DTA-Erweiterungen" ist.
Der voreingestellte Wert ist, dass alle für das aktuell eingestellte Korpus geltenden Textklassen ausgewählt sind.
Sortierung hat als Wert einen der folgenden Ausdrücke (in Anführungsstrichen) : "Datum aufsteigend", "Datum absteigend", "links aufsteigend", "links absteigend", "Fundwort aufsteigend", "Fundwort absteigend", "rechts aufsteigend", "rechts absteigend", "Beleglänge aufsteigend", "Beleglänge absteigend", "zufällig". Dieser gibt die Art der Sortierung der Treffer an, die DWDS vor dem Export durchführt.
Der voreingestellte Wert ist "zufällig" (was für viele statistische Auswertungen erforderlich ist, wie wir später sehen werden). (N.B.: die anderen Sortierungen sind eigentlich überflüssig, denn man kann sie auch in R machen.)
Zeilen hat als Wert verschiedene Möglichkeiten, je nachdem, was für einen Wert das Argument Korpus hat:
1. Ist der Wert von Korpus der Name eines der oben aufgelisteten DWDS-Korpora, dann hat Zeilen als Wert eine Zahl, die bedeutet, dass höchstens so viele der Treffer exportiert werden.
  Für diesen Fall ist der voreingestellte Wert 5000 (die maximale Anzahl an Treffern, die DWDS exportieren kann).
2. Ist der Wert von Korpus eine Variable, die für einen Datensatz steht, dann hat Zeilen eine der folgenden fünf (sich ausschließenden) Möglichkeiten als Wert:
  1. Ist der Wert eine positive ganze Zahl n (also z.B. Zeilen = 6, Zeilen = 13 usw.), dann werden die ersten n Zeilen des Datensatzes ausgegeben.
  2. Ist der Wert eine negative ganze Zahl n (also z.B. Zeilen = -6, Zeilen = -13 usw.), dann werden die letzten n Zeilen des Datensatzes ausgegeben.
  3. Ist der Wert ein mit der Funktion c() oder mit dem operator ‚:‘ gebildeter Vektor von Zahlen (also z.B. Zeilen = c(6, 8, 13), Zeilen = 37:43 usw.), dann werden die entsprechend nummerierten Zeilen des Datensatzes ausgegeben.
  4. Is der Wert eine einzige Zahl in Anführungsstrichen (also z.B. Zeilen = "6", Zeilen = "13" usw.), dann wird nur die eine entsprechend nummerierte Zeile des Datensatzes ausgegeben.
  5. Ist der Wert 0, dann werden alle Zeilen des Datensatzes ausgegeben.
  Für diesen Fall ist der voreingestellte Wert 6 (wie bei der eingebauten R-Funktion head()).
Abbrev hat als Wert zwei Möglichkeiten:
1. Ist der Wert eine positive ganze Zahl n, dann werden maximal die ersten n Zeichen eines Spaltenwerts angezeigt.
2. Ist der Wert 0, dann werden alle ausgegebenen Spaltenwerte ungekürzt angezeigt.
Der voreingestellte Wert ist 20.

Es gibt drei weitere Besonderheiten von dwds.data.frame(), einen die Suche und zwei die Ausgabe betreffend:

Vor dem Aufbau der Verbindung zum DWDS-Server wird die Anweisung options(HTTPUserAgent="mozilla") ausgeführt, um eine mögliche Fehlverbindung zu vermeiden. Nach dem Einlesen der Daten wird diese Option zurückgesetzt (d.h., sie gilt nicht für einen von dwds.data.frame() unabhängigen Aufruf von read.table()). (Folglich müssen Sie bei der Verwendung von dwds.data.frame() auf die eventuelle Notwendigkeit dieser Eingabe nicht achten, anders als bei der Verwendung von read.table().)
Die von DWDS verwendeten englischen Spaltennamen werden durch entsprechende deutsche Bezeichnungen ersetzt.
In Datensätzen aus DWDS-Korpora, in denen eine Spalte leer ist, wird diese Spalte aus der R-Ausgabe entfernt (hauptsächlich die Spalte ‚URL‘ aber im Korpus Polytechnisches Journal auch ‚Textklasse‘).

Diese drei Begebenheiten finden automatisch beim Aufruf von dwds.data.frame() statt, d.h. ohne die Übergabe eines Arguments, also müssen Sie sich bei der Verwendung von dwds.data.frame() nicht damit aufhalten.

Beispiele der Verwendung von `dwds.data.frame()`

> saetze.kk.df1 <- dwds.data.frame() > nrow(saetze.kk.df1) # Anzahl der Zeilen im Datensatz [1] 5000

Anmerkungen:

Wird dwds.data.frame() ohne Argumente aufgerufen, werden alle Voreinstellungen verwendet, das bedeutet: Die Anfrage ‚$.=0“ wird im ganzen DWDS-Kernkorpus (d.h. für alle Jahre und alle Textklassen) durchgeführt und ein Datensatz mit 5000 Treffern (Sätzen) in zufälliger Reihenfolge erstellt und in R eingelesen. (Das kann schon mehrere Sekunden dauern, je nach der Netzverbindung.)
Wie bei read.table() muss der Rückgabewert von dwds.data.frame() – also der neu erstellte und eingelesene Datensatz – in eine Variable gespeichert werden, um anschließend darauf zugreifen und damit arbeiten zu können.

Im nächsten Beispiel wird dergleiche Datensatz wie im obigen Beispiel mit read.table() jetzt anhand von dwds.data.frame() mit dem ersten Aufruf erstellt und mit den anschließenden Aufrufen in verschiedener Weise ausgegeben:


	  > hund.kk.df <- dwds.data.frame(Anfrage = "@Hund", Sortierung = "Datum aufsteigend", Zeilen = 100)

	  > dwds.data.frame(hund.kk.df)  Nr.      Datum   Textklasse               Quelle              Treffer
1   1 1900-01-03      Zeitung Frankfurter Zeitung  An Hausthieren wie H
2   2 1900-03-20      Zeitung Die Fackel [Elektron Auch die Heyse-Teleg
3   3 1900-05-22 Belletristik Brief von Wilhelm Bu In der ebergötzener 
4   4 1900-12-24      Zeitung Kölnische Zeitung (A ""Ein guter Mann sch
5   5 1900-12-24      Zeitung Kölnische Zeitung (A Das scheint zu bewei
6   6 1900-12-31 Belletristik Duncker, Dora: Großs Wenn der Knüppel bei
	  > dwds.data.frame(hund.kk.df, Zeilen = -6)    Nr.      Datum Textklasse               Quelle              Treffer
95   95 1904-03-03    Zeitung Berliner Tageblatt ( In einem Revier der 
96   96 1904-03-04    Zeitung Berliner Tageblatt ( Ich hatte dem Prinze
97   97 1904-03-04    Zeitung Berliner Tageblatt ( Er hetzte einen ande
98   98 1904-03-04    Zeitung Vossische Zeitung (M Ich hatte dem Prinze
99   99 1904-03-04    Zeitung Vossische Zeitung (M Er hetzte einen ande
100 100 1904-03-04    Zeitung Vossische Zeitung (M Der Prinz sei oft fr
	  > dwds.data.frame(hund.kk.df, Zeilen = 37:42)   Nr.      Datum         Textklasse               Quelle              Treffer
37  37 1902-02-16            Zeitung Berliner Tageblatt ( Ueber einen entlaufe
38  38 1902-02-16            Zeitung Berliner Tageblatt ( Ueber einen entlaufe
39  39 1902-05-16       Belletristik Brief von Wilhelm Bu Ein Bilderbogen (Jun
40  40 1902-12-31 Gebrauchsliteratur Stettenheim, Julius: Denn es hieß viellei
41  41 1902-12-31 Gebrauchsliteratur Stettenheim, Julius: Das ist die Zeit, wo
42  42 1902-12-31       Belletristik Janitschek, Maria: D Die Mutter drückte s
	  > dwds.data.frame(hund.kk.df, Zeilen = c(6, 37, 58, 84))   Nr.      Datum   Textklasse               Quelle              Treffer
6    6 1900-12-31 Belletristik Duncker, Dora: Großs Wenn der Knüppel bei
37  37 1902-02-16      Zeitung Berliner Tageblatt ( Ueber einen entlaufe
58  58 1902-12-31 Belletristik Scheerbart, Paul: Im »Nu?« fragt der Hund
84  84 1903-12-31 Belletristik Reventlow, Franziska Im Hof schlug der Hu
	  > dwds.data.frame(hund.kk.df, Zeilen = "37")   Nr.      Datum Textklasse               Quelle              Treffer
37  37 1902-02-16    Zeitung Berliner Tageblatt ( Ueber einen entlaufe
	  > dwds.data.frame(hund.kk.df, Zeilen = 3, Abbrev = 0)  Nr.      Datum   Textklasse
1   1 1900-01-03      Zeitung
2   2 1900-03-20      Zeitung
3   3 1900-05-22 Belletristik
                                                                                                                              Quelle
1                                                              Frankfurter Zeitung und Handelsblatt (Erstes Morgenblatt), 03.01.1900
2                                                                                  Die Fackel [Elektronische Ressource], 2002 [1900]
3 Brief von Wilhelm Busch an Grete Meyer vom 22.05.1900. In: ders., Gesammelte Werke, Berlin: Directmedia Publ. 2002 [1900], S. 5329
                                                                                                                                         Treffer
1                                                 An Hausthieren wie Hund und Katze geht das Eigenthum, wenn sie sich verlaufen, nicht verloren.
2 Auch die Heyse-Telegramme aus Gardone, deren eines meldete, dass der Hund vor der Villa des Jubilars die Ohren spitze, haben Anklang gefunden.
3                                                                                In der ebergötzener Mühle lebt ein kleiner Hund, genannt Molly.

Anmerkungen:

Die ersten fünf Ausgaben zeigen verschiedene Zeilen des Datensatzes in gekürzter Form.
Die sechste Ausgabe (mit Abbrev = 0 zeigt eine ungekürzte Ausgabe wie wie im obigen Beispiel mit der eingebauten R-Funktion head(). Die einzigen Unterschiede sind, dass mit dwds.data.frame() die Spaltennamen auf Deutsch sind und die leere Spalte ‚URL‘ fehlt.

Zum Schluss noch ein Beipiel für die Erstellung eines Datensatzes mit nicht voreingestellten Werten für alle Argumente und drei verschiedene Ausgaben davon (N.B.: bei der letzten Ausgabe ist Zeilenlänge aufgrund des Arguments Abbrev = 40 zu groß für die Standardbreite der R-Konsole (80 Zeichen), daher wird die Ausgabe der Treffer-Spalte umgebrochen):


	  > hu.ka.dtae.df <- dwds.data.frame(Korpus = "DTA-Erweiterungen", Anfrage = '"Hund #5 Katze"', Start = 1770, Ende = 1880, Textklasse = c("Wissenschaft", "Gebrauchsliteratur"), Sortierung = "Beleglänge aufsteigend", Zeilen = 37)

	  > nrow(hu.ka.dtae.df)   # Anzahl der Zeilen im Datensatz

	  [1] 37

	  > dwds.data.frame(hu.ka.dtae.df)  Nr. Datum         Textklasse               Quelle              Treffer
1   1  1779       Wissenschaft Blumenbach, Johann F Nur Bäreu, Hunde, Ka
2   2  1782       Wissenschaft Blumenbach, Johann F Nur Bären, Hunde, Ka
3   3  1788       Wissenschaft Moritz, Karl Philipp Er aß Hunde, Katzen,
4   4  1854 Gebrauchsliteratur Das Pfennig=Magazin  Die entleerten Telle
5   5  1855 Gebrauchsliteratur Das Pfennig=Magazin  Daher ist die Feinds
6   6  1799       Wissenschaft Blumenbach, Johann F Bären, Hunde, Katzen
	  > dwds.data.frame(hu.ka.dtae.df, Zeilen = -6)   Nr. Datum         Textklasse               Quelle              Treffer
32  32  1830       Wissenschaft Blumenbach, Johann F Außer dem Menschen a
33  33  1825       Wissenschaft Blumenbach, Johann F Außer dem Menschen a
34  34  1832       Wissenschaft Blumenbach, Johann F Außer dem Menschen a
35  35  1791       Wissenschaft Blumenbach, Johann F Der Floh findet sich
36  36  1825       Wissenschaft Pölitz, Karl Heinric Wann der, wie oft ge
37  37  1873 Gebrauchsliteratur Sanders, Daniel: Deu b. (s. 135 e) Nieman
	  > dwds.data.frame(hu.ka.dtae.df, Zeilen = 14:19, Abbrev = 40)   Nr. Datum         Textklasse                                   Quelle
14  14  1869 Gebrauchsliteratur Schweizer Alpen-Club (Hrsg.): Jahrbuch d
15  15  1854 Gebrauchsliteratur Das Pfennig=Magazin für Belehrung und Un
16  16  1782       Wissenschaft Blumenbach, Johann Friedrich: Handbuch d
17  17  1788       Wissenschaft Blumenbach, Johann Friedrich: Handbuch d
18  18  1788       Wissenschaft Moritz, Karl Philipp (Hrsg.): Gnothi sau
19  19  1805       Wissenschaft Blumenbach, Johann Friedrich: Handbuch d
                                    Treffer
14 Da rief eine geisterartige Stimme von ob
15 Schweine, Hühner, Hunde und Katzen laufe
16 Der Floh findet sich auch auf Hunden, Ka
17 Der Floh findet sich auch auf Hunden, Fü
18 Auch hier trieb er seine Tollheit fort, 
19 Sogar dass man zahlreiche Beyspiele von

← Übungsaufgaben zu Häufigkeitsverteilungen

↑ Sitemap

Umgang mit Datensätzen →

Datensätze

Datensätze in R erstellen

Suchergebnisse aus DWDS als Datensätze exportieren

Suchergebnisse aus DWDS als Datensätze in R einlesen

Mit der Funktion read.table()

Mit der Funktion dwds.data.frame()

Beispiele der Verwendung von dwds.data.frame()

Mit der Funktion `read.table()`

Mit der Funktion `dwds.data.frame()`

Beispiele der Verwendung von `dwds.data.frame()`