forked from micobionte/meneame_front_page_news
-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathanalisis.Rmd
937 lines (729 loc) · 55.1 KB
/
analisis.Rmd
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
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
---
title: "¿Qué noticias suben a portada de menéame?"
output:
html_document: default
pdf_document:
latex_engine: xelatex
fig_caption: yes
always_allow_html: yes
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
#options(width = SOME-REALLY-BIG-VALUE)
#Librerias
library(dplyr)
library(car)
library(data.table)
library(ggplot2)
library(plotly)
library(lubridate)
library(tm)
library(wordcloud)
#Funciones
ts_mensual <- function(db){
db %>%
mutate(date = format(fecha_publicacion, "%Y-%m")) %>%
group_by(date) %>%
count(fecha_publicacion) %>% summarise(total=sum(n))
}
ts_anual <- function(db){
db %>%
mutate(date = format(fecha_publicacion, "%Y")) %>%
group_by(date) %>%
count(fecha_publicacion) %>% summarise(total=sum(n))
}
sub_set <- function(df, colum, val){
return (df[df[,colum]==val,])
}
#Leemos los datos
#dt_portada <- fread("portada.csv", sep=";", header = TRUE, encoding="UTF-8")
dt_portada <- read.csv("portada.csv", sep=";", header = TRUE, encoding="UTF-8")
#Cambiamos los espacios en blanco por NAN's
#dt_portada <- dt_portada %>%
# mutate_if(is.factor, funs(factor(replace(., .=="", NA))))
#dt_portada <- dt_portada[rowSums(is.na(dt_portada)) == 0,]
#Declaramos series temporales
dt_portada$fecha_envio <- as.POSIXct(dt_portada$fecha_envio, origin = "1970-01-01")
dt_portada$fecha_publicacion <- as.POSIXct(dt_portada$fecha_publicacion, origin = "1970-01-01")
```
## ¿Qué noticias se suben a menéame?
Ando estos días aburrido buscando trabajo. Entonces, viendo las noticias de portada me pregunté sobre el tipo de noticias que acaban subiendo a la portada de menéame, y pensé que se podían hacer algunos análisis interesantes. Dicho y hecho, hice un crawler en Python y extraje la información de todas las noticias que han subido a portada desde la creación de la web.
La fecha de extracción de la información fue el 4 de diciembre de 2017 por la mañana. Como primeros datos, apuntar que se han extraído unas 170.000 noticias con sus meneos, fecha de envío, fecha de publicación, karma, clics, votos positivos y negativos, etc...
## ¿Cuál es el origen de las noticias?
Los orígenes de las noticias subidas a menéame son muy diversos. Agrupando el origen de las noticias, aparecen unas 25.500 webs diferentes con una media de envíos de 7,1 y una mediana igual a 1. Aquí hay un problema, y es que la web almacena como elementos diferentes envíos que tienen el mismo origen. Por ejemplo, podemos encontrarnos con que la web del New York Times (nytimes.com), tiene envíos con origen en artsbeat.blogs.nytimes.com, bits.blogs.nytimes.com o cityroom.blogs.nytimes.com. Entonces, para eliminar inconsistencias se ha procedido a la estandarización del origen de los envíos. Este proceso se ha realizado con los sitios que tenían al menos 200 noticias publicadas. Tras hacer esto, el número de sitios de origen se ha reducido en unos 800.
```{r meneame_1, include=FALSE}
######### Recoding variable web #########
#elmundo.es
dt_portada$web <-recode(dt_portada$web, "c('aula.elmundo.es', 'quiosco.elmundo.orbyt.es', 'elmundo.orbyt.es', 'elmundodeporte.elmundo.es',
'elmundomotor.elmundo.es', 'elmundosalud.elmundo.es', 'elmundovino.elmundo.es', 'estaticos.elmundo.es',
'foros.elmundo.es', 'navegante2.elmundo.es', 'sv.elmundo.es', 'rsocial.elmundo.orbyt.es')='elmundo.es'")
#elpais.com
dt_portada$web <-recode(dt_portada$web, "c('bandaancha.elpais.es', 'blogs.elpais.com', 'blogs.smoda.elpais.com', 'ccaa.elpais.com',
'cultura.elpais.com', 'deportes.elpais.com', 'economia.elpais.com', 'elpais.es', 'elviajero.elpais.com',
'eskup.elpais.com', 'foros.elpais.com', 'internacional.elpais.com', 'lacomunidad.elpais.com',
'pda.elpais.com', 'politica.elpais.com', 'smoda.elpais.com', 'sociedad.elpais.com',
'tecnologia.elpais.com', 'tentaciones.elpais.com', 'www-org.elpais.com')='elpais.com'")
#europapress.es
dt_portada$web <-recode(dt_portada$web, "c('europapress.com', 'm.europapress.es', 'amp.europapress.es', 'europapress.cat',
'blogs.europapress.es', 'europapress.tumblr.com', 'europapress.tv', 't.europapress.es')='europapress.es'")
#publico.es
dt_portada$web <-recode(dt_portada$web, "c('blogs.publico.es', 'tremending.publico.es', 'charlas.publico.es', 'video.publico.es',
'especiales.publico.es', 'imagenes.publico-estaticos.es', 'imagenes.publico.es')='publico.es'")
#youtube.com
dt_portada$web <-recode(dt_portada$web, "c('es.youtube.com', 'br.youtube.com', 'mx.youtube.com', 'uk.youtube.com', 'au.youtube.com',
'de.youtube.com', 'ie.youtube.com', 'ru.youtube.com', 'apiblog.youtube.com')='youtube.com'")
#20minutos.es
dt_portada$web <-recode(dt_portada$web, "c('blogs.20minutos.es', 'm.20minutos.es', '20minutos.tv', 'listas.20minutos.es', '20minutos.com',
'clipset.20minutos.es', 'cdn.20minutos.es', 'foros.20minutos.es', 'amp.20minutos.es', 'estaticos.20minutos.es')='20minutos.es'")
#eldiario.es
dt_portada$web <-recode(dt_portada$web, "c('m.eldiario.es', 'vertele.eldiario.es', 'desmemoria.eldiario.es', 'images.eldiario.es')='eldiario.es'")
#elconfidencial.com
dt_portada$web <-recode(dt_portada$web, "c('blogs.elconfidencial.com', 'vanitatis.elconfidencial.com', 'blogs.vanitatis.elconfidencial.com',
'gentleman.elconfidencial.com', 'nocache.elconfidencial.com')='elconfidencial.com'")
#abc.es
dt_portada$web <-recode(dt_portada$web, "c('sevilla.abc.es', 'abcblogs.abc.es', 'videos.abc.es', 'cordoba.abc.es',
'hemeroteca.abc.es', 'participacion.abc.es', 'especiales.abc.es', 'lapalabraescrita.abc.es',
'mundial-futbol.abc.es', 'sevilla-origin.abc.es', 'valencia.abc.es', 'videochat.abc.es',
'abcdesevilla.es', 'abcdesevilla.xlsemanal.com', 'contenidosabcdesevilla.es')='abc.es'")
#cadenaser.com
dt_portada$web <-recode(dt_portada$web, "c('blogs.cadenaser.com', 'lacomunidad.cadenaser.com', 'play.cadenaser.com',
'www-org.cadenaser.com', 'sdmedia.cadenaser.com')='cadenaser.com'")
#lavanguardia.es
dt_portada$web <-recode(dt_portada$web, "c('blogs.lavanguardia.es', 'yaencontre-lavanguardia.es', 'comunidad.lavanguardia.es',
'lavanguardia.com', 'blogs.lavanguardia.com', 'videos.lavanguardia.com', 'enmemoria.lavanguardia.com',
'hagoclic.lavanguardia.com')='lavanguardia.es'")
#lainformacion.com
dt_portada$web <-recode(dt_portada$web, "c('noticias.lainformacion.com', 'blogs.lainformacion.com', 'humor.lainformacion.com',
'233grados.lainformacion.com', 'fotos.lainformacion.com', 'graficos.lainformacion.com',
'videos.lainformacion.com', 'especiales.lainformacion.com', 'bolsa.lainformacion.com',
'mundial.lainformacion.com', 'trabajo.practicopedia.lainformacion.com')='lainformacion.com'")
#vozpopuli.com
dt_portada$web <-recode(dt_portada$web, "c('tendencias.vozpopuli.com', 'bolsa.vozpopuli.com',
'estatico.tendencias.vozpopuli.com', 'proveedor2.vozpopuli.com')='vozpopuli.com'")
#eleconomista.es
dt_portada$web <-recode(dt_portada$web, "c('ecodiario.eleconomista.es', 'ecoteuve.eleconomista.es',
'ecoaula.eleconomista.es', 'informalia.eleconomista.es', 'listas.eleconomista.es')='eleconomista.es'")
#elperiodico.com
dt_portada$web <-recode(dt_portada$web, "c('elperiodico.es', 'epreader.elperiodico.com', 'staging.elperiodico.com', 'beta.elperiodico.es',
'bolsa.elperiodico.com', 'elperiodico.cat', 'momentos.elperiodico.com', 'primerafila.elperiodico.com')='elperiodico.com'")
#elplural.com
dt_portada$web <-recode(dt_portada$web, "c('www2.elplural.com', 'amp.elplural.com', 't.elplural.com')='elplural.com'")
#lavozdegalicia.es
dt_portada$web <-recode(dt_portada$web, "c('blogs.lavozdegalicia.es', 'media.lavozdegalicia.es')='lavozdegalicia.es'")
#rtve.es
dt_portada$web <-recode(dt_portada$web, "c('blog.rtve.es', 'blogs.rtve.es', 'muchachadanui.rtve.es', 'extra.rtve.es',
'eurovision2008.rtve.es', 'encuentrosdigitales.rtve.es', 'pluton.rtve.es',
'resultados-elecciones.rtve.es')='rtve.es'")
#levante-emv.com
dt_portada$web <-recode(dt_portada$web, "c('comunidad.levante-emv.com', 'comunidades.levante-emv.com')='levante-emv.com'")
#es.gizmodo.com
dt_portada$web <-recode(dt_portada$web, "c('gizmodo.es', 'gizmodo.com', 'sploid.gizmodo.com', 'i.gizmodo.com',
'factually.gizmodo.com', 'gizmodo.com.au', 'gizmodo.co.uk', 'gizmodo.com.br',
'io9.gizmodo.com', 'lego.gizmodo.com', 'paleofuture.gizmodo.com', 'throb.gizmodo.com',
'es.gizmodo.com')='gizmodo.com'")
#yahoo.com
dt_portada$web <-recode(dt_portada$web, "c('es.noticias.yahoo.com', 'es.news.yahoo.com', 'news.yahoo.com', 'es.eurosport.yahoo.com',
'es.finance.yahoo.com', 'espanol.news.yahoo.com', 'es-us.noticias.yahoo.com', 'ar.news.yahoo.com',
'uk.news.yahoo.com', 'es.biz.yahoo.com', 'finance.yahoo.com', 'es.cars.yahoo.com', 'au.news.yahoo.com',
'es.tv.yahoo.com', 'es.vida-estilo.yahoo.com', 'sports.yahoo.com', 'ca.news.yahoo.com', 'es.answers.yahoo.com',
'es.movies.yahoo.com', 'ar.noticias.yahoo.com', 'mx.news.yahoo.com', 'es-us.deportes.yahoo.com', 'es.cine.yahoo.com',
'es.tendencias.yahoo.com', 'es.viajes.yahoo.com', 'espanol.sports.yahoo.com', 'fr.news.yahoo.com', 'yahoo.com',
'asia.news.yahoo.com', 'autos.yahoo.com', 'beta.es.noticias.yahoo.com', 'biz.yahoo.com', 'br.noticias.yahoo.com',
'cl.noticias.yahoo.com', 'en-maktoob.news.yahoo.com', 'es-us.omg.yahoo.com', 'es-us.vida-estilo.yahoo.com',
'es.celebrity.yahoo.com', 'es.groups.yahoo.com', 'es.guide.yahoo.com', 'es.news.launch.yahoo.com', 'es.omg.yahoo.com',
'es.video.yahoo.com', 'es.videogames.games.yahoo.com', 'espanol.pfinance.yahoo.com', 'fe7.story.media.ac4.yahoo.com',
'flickr.mud.yahoo.com', 'fr.voyage.yahoo.com', 'gma.yahoo.com', 'groups.yahoo.com', 'it.notizie.yahoo.com',
'messages.finance.yahoo.com', 'movies.yahoo.com', 'mx.mujer.yahoo.com', 'mx.news.finance.yahoo.com',
'mx.noticias.yahoo.com', 'nz.lifestyle.yahoo.com', 'pe.noticias.yahoo.com', 'potw.news.yahoo.com', 'shine.yahoo.com',
'tech.yahoo.com', 'uk.eurosport.yahoo.com', 've.noticias.yahoo.com', 'video.yahoo.com', 'yodel.yahoo.com')='yahoo.com'")
#bbc.com
dt_portada$web <-recode(dt_portada$web, "c('bbc.co.uk', 'news.bbc.co.uk', 'news8.thdo.bbc.co.uk', 'm.bbc.co.uk',
'm.bbc.com', 'open.bbc.co.uk')='bbc.com'")
#elboletin.com
dt_portada$web <-recode(dt_portada$web, "c('elboletin.es')='elboletin.com'")
#elespanol.com
dt_portada$web <-recode(dt_portada$web, "c('bluper.elespanol.com', 'cronicaglobal.elespanol.com', 'omicrono.elespanol.com',
'diariodeavisos.elespanol.com', 'navarra.elespanol.com', 'elandroidelibre.elespanol.com',
'cocinillas.elespanol.com', 'datos.elespanol.com', 'lab.elespanol.com', 'reportajes.elespanol.com')='elespanol.com'")
#lasexta.com
dt_portada$web <-recode(dt_portada$web, "c('lasextanoticias.com', 'elintermedio.lasexta.com', 'amp.lasexta.com', 'cqc.lasexta.com',
'lasextadeportes.com', 'quevidamastriste.lasexta.com', 'buenafuente.lasexta.com', 'salvados.lasexta.com')='lasexta.com'")
#marca.com
dt_portada$web <-recode(dt_portada$web, "c('jjoo.marca.com', 'marcawas5.recoletos.es', 'marca.es', 'marca.recoletos.com')='marca.com'")
#expansion.com
dt_portada$web <-recode(dt_portada$web, "c('app2.expansion.com', 'nauta360.expansion.com', 'origin-www.expansion.com',
'php.expansion.com', 'blogs.expansion.com')='expansion.com'")
#libertaddigital.com
dt_portada$web <-recode(dt_portada$web, "c('libertaddigital.es', 'findesemana.libertaddigital.com', 'revista.libertaddigital.com',
'blogs.libertaddigital.com', 'esradio.libertaddigital.com', 'exteriores.libertaddigital.com',
'historia.libertaddigital.com', 'libertaddigital.tv', 'libros.libertaddigital.com',
'tv.libertaddigital.com')='libertaddigital.com'")
#terra.es
dt_portada$web <-recode(dt_portada$web, "c('actualidad.terra.es', 'noticias.terra.es', 'noticias.terra.com', 'terra.cl', 'terra.com',
'noticias.terra.com.ar', 'motor.terra.es', 'noticias.terra.com.pe', 'mujer.terra.es', 'terra.org',
'comunidad.terra.es', 'personal.telefonica.terra.es', 'noticias.terra.cl', 'noticias.terra.com.co',
'terra.com.ar', 'terra.com.pe', 'deportes.terra.es', 'economia.terra.com.co', 'entretenimiento.terra.es',
'terra.com.mx', 'eltiempo.terra.com.co', 'blogs.terra.es', 'co.terra.com', 'economia.terra.cl',
'fzhelenmamy.blogs.terra.es', 'megagalerias.terra.cl', 'noticias.terra.com.mx', 'vidayestilo.terra.es',
'ar.terra.com', 'deportes.terra.com.ar', 'deportes.terra.com.co', 'deportesar.terra.com.ar',
'economia.terra.com', 'economia.terra.com.ar', 'elcomercio.terra.com.ec', 'enter.terra.com.co',
'entretenimiento.terra.com.ar', 'entretenimiento.terra.com.pe', 'juegos.blogs.terra.es', 'm.terra.cl',
'musica.terra.com.mx', 'musica.terra.es', 'navidadlae.terra.es', 'noticias.terra.com.br', 'noticiascl.terra.cl',
'paginas.terra.com.br', 'pe.terra.com', 'tecnologia.terra.com.br', 'terra.com.pr', 'terra.tv', 'terratv.terra.cl',
'vidayestilo.terra.cl', 'vidayestilo.terra.com.ar', 'www3.terra.com.ar')='terra.es'")
#microsiervos.com
dt_portada$web <-recode(dt_portada$web, "c('wtf.microsiervos.com', 'eco.microsiervos.com', 'avion.microsiervos.com', 'foto.microsiervos.com',
'juegos.microsiervos.com')='microsiervos.com'")
#cincodias.com
dt_portada$web <-recode(dt_portada$web, "c('blogs.cincodias.com')='cincodias.com'")
#genbeta.com
dt_portada$web <-recode(dt_portada$web, "c('genbetadev.com', 'm.genbeta.com', 't.genbeta.com', 'genbetasocialmedia.com')='genbeta.com'")
#xataka.com
dt_portada$web <-recode(dt_portada$web, "c('magnet.xataka.com', 'xatakaciencia.com', 'xatakamovil.com', 'xatakafoto.com', 'm.xataka.com',
'm.magnet.xataka.com', 'xatakandroid.com', 'xatakaon.com', 'm.xatakaciencia.com', 't.xataka.com', 'xatakahome.com',
'm.xatakandroid.com', 'esports.xataka.com', 'm.xatakahome.com', 't.xatakaciencia.com', 't.xatakaon.com',
'xatakawindows.com')='xataka.com'")
#adslzone.net
dt_portada$web <-recode(dt_portada$web, "c('adslzone.tv', 'tv.adslzone.net', 'linux.adslzone.net', 'software.adslzone.net')='adslzone.net'")
#rt.com
dt_portada$web <-recode(dt_portada$web, "c('actualidad.rt.com')='rt.com'")
#telegraph.co.uk
dt_portada$web <-recode(dt_portada$web, "c('blogs.telegraph.co.uk')='telegraph.co.uk'")
#huffingtonpost.es
dt_portada$web <-recode(dt_portada$web, "c('huffingtonpost.com', 'huffingtonpost.co.uk', 'huffingtonpost.fr',
'huffingtonpost.ca', 'huffingtonpost.com.au', 'huffingtonpost.com.mx', 'huffingtonpost.it')='huffingtonpost.es'")
#flickr.com
dt_portada$web <-recode(dt_portada$web, "c('farm1.static.flickr.com', 'farm3.static.flickr.com', 'farm2.static.flickr.com',
'static.flickr.com', 'blog.flickr.com', 'blog.flickr.net', 'c2.staticflickr.com', 'farm8.staticflickr.com',
'photos3.flickr.com')='flickr.com'")
#lasprovincias.es
dt_portada$web <-recode(dt_portada$web, "c('bicivalencia.lasprovincias.es', 'blogs.lasprovincias.es', 'campusparty.lasprovincias.es',
'especiales.lasprovincias.es', 'firmas.lasprovincias.es', 'servicios.lasprovincias.es', 'valenciacf.lasprovincias.es',
'www1.lasprovincias.es')='lasprovincias.es'")
#nytimes.com
dt_portada$web <-recode(dt_portada$web, "c('artsbeat.blogs.nytimes.com', 'bits.blogs.nytimes.com', 'cityroom.blogs.nytimes.com',
'dealbook.blogs.nytimes.com', 'dealbook.nytimes.com', 'gadgetwise.blogs.nytimes.com', 'graphics.nytimes.com',
'graphics8.nytimes.com', 'green.blogs.nytimes.com', 'greeninc.blogs.nytimes.com', 'krugman.blogs.nytimes.com',
'laughlines.blogs.nytimes.com', 'lens.blogs.nytimes.com', 'mediadecoder.blogs.nytimes.com', 'mobile.nytimes.com',
'niemann.blogs.nytimes.com', 'open.nytimes.com', 'opinionator.blogs.nytimes.com', 'pogue.blogs.nytimes.com',
'prescriptions.blogs.nytimes.com', 'projects.nytimes.com', 'query.nytimes.com', 'thecaucus.blogs.nytimes.com',
'thelede.blogs.nytimes.com', 'travel.nytimes.com', 'well.blogs.nytimes.com')='nytimes.com'")
#lasprovincias.es
dt_portada$web <-recode(dt_portada$web, "c('bicivalencia.lasprovincias.es', 'blogs.lasprovincias.es', 'campusparty.lasprovincias.es',
'especiales.lasprovincias.es', 'firmas.lasprovincias.es', 'servicios.lasprovincias.es', 'valenciacf.lasprovincias.es',
'www1.lasprovincias.es')='lasprovincias.es'")
#as.com
dt_portada$web <-recode(dt_portada$web, "c('futbol.as.com', 'masdeporte.as.com', 'motor.as.com', 'www-org.as.com')='as.com'")
#meristation.com
dt_portada$web <-recode(dt_portada$web, "c('zonaforo.meristation.com', 'meristation.as.com', 'meristation.com.mx')='meristation.com'")
#valenciaplaza.com
dt_portada$web <-recode(dt_portada$web, "c('epoca1.valenciaplaza.com')='valenciaplaza.com'")
#formulatv.com
dt_portada$web <-recode(dt_portada$web, "c('blogs.formulatv.com')='formulatv.com'")
#theguardian.com
dt_portada$web <-recode(dt_portada$web, "c('guardian.co.uk', 'observer.guardian.co.uk', 'm.guardian.co.uk', 'technology.guardian.co.uk',
'arts.guardian.co.uk', 'film.guardian.co.uk', 'lifeandhealth.guardian.co.uk', 'politics.guardian.co.uk',
'travel.guardian.co.uk')='theguardian.com'")
#diariodemallorca.es
dt_portada$web <-recode(dt_portada$web, "c('ocio.diariodemallorca.es', 'blog.diariodemallorca.es', 'comunidades.diariodemallorca.es',
'videos.diariodemallorca.es')='diariodemallorca.es'")
#elcorreodigital.com
dt_portada$web <-recode(dt_portada$web, "c('blogs.elcorreodigital.com', 'elcorreodigital.finanzas.com', 'elcorreodigital.hoytecnologia.com',
'servicios.elcorreodigital.com', 'elcorreodigital.hoyinversion.com', 'eurocopa2008.elcorreodigital.com',
'cibernauta.elcorreodigital.com', 'hoysport.elcorreodigital.com', 'salud.elcorreodigital.com')='elcorreodigital.com'")
#elcorreo.com
dt_portada$web <-recode(dt_portada$web, "c('blogs.elcorreo.com', 'ciencia.elcorreo.com', 'especiales.elcorreo.com', 'info.elcorreo.com',
'm.elcorreo.com', 'actualidad.elcorreo.com', 'bilbaobasket.elcorreo.com', 'vamosacorrer.elcorreo.com')='elcorreo.com'")
#ideal.es
dt_portada$web <-recode(dt_portada$web, "c('blogs.ideal.es', 'deportebase.ideal.es', 'hoysport.ideal.es', 'salud.ideal.es',
'ubeda.ideal.es')='ideal.es'")
#bandaancha.eu
dt_portada$web <-recode(dt_portada$web, "c('backstage.bandaancha.eu', 'bandaancha.st', 'rwx.bandaancha.st')='bandaancha.eu'")
#infolibre.es
dt_portada$web <-recode(dt_portada$web, "c('blog.infolibre.es', 'elblogdexnet.infolibre.es', 'porlovisto.infolibre.es')='infolibre.es'")
#laverdad.es
dt_portada$web <-recode(dt_portada$web, "c('blog.laverdad.es', 'blogs.laverdad.es', 'canales.laverdad.es', 'lospiesenlatierra.laverdad.es',
'verano.laverdad.es', 'videos.laverdad.es')='laverdad.es'")
#eluniversal.com
dt_portada$web <-recode(dt_portada$web, "c('sociales.eluniversal.com', 'buscador.eluniversal.com', 'deportes.eluniversal.com',
'economia.eluniversal.com', 'eluniversal.com', 'espectaculos.eluniversal.com', 'espectaculos.eluniversal.com',
'internacional.eluniversal.com', 'm.eluniversal.com', 'politica.eluniversal.com',
'sociales.eluniversal.com.com')='eluniversal.com'")
#naukas.com
dt_portada$web <-recode(dt_portada$web, "c('cienciaenelbar.naukas.com', 'danielmarin.naukas.com', 'edocet.naukas.com',
'elprofedefisica.naukas.com', 'francis.naukas.com', 'fuga.naukas.com', 'irreductible.naukas.com', 'jmmulet.naukas.com',
'listadelaverguenza.naukas.com', 'maikelnai.naukas.com', 'mati.naukas.com', 'pacobellido.naukas.com',
'zoologik.naukas.com')='naukas.com'")
#telecinco.es
dt_portada$web <-recode(dt_portada$web, "c('12meses12causas.telecinco.es', 'aquihaytomate.telecinco.es', 'blogs.telecinco.es',
'cine.telecinco.es', 'diariode.telecinco.es', 'dutifri.telecinco.es', 'f1.informativos.telecinco.es', 'gente5.telecinco.es',
'granhermano.telecinco.es', 'informativos.telecinco.es', 'mitele.telecinco.es')='telecinco.es'")
#antena3.com
dt_portada$web <-recode(dt_portada$web, "c('antena3noticias.com', 'blogs.antena3.com', 'foros.antena3.com')='antena3.com'")
#clarin.com
dt_portada$web <-recode(dt_portada$web, "c('blogs.clarin.com', 'edant.clarin.com', 'ieco.clarin.com', 'jjoo.clarin.com',
'old.clarin.com', 'ole.clarin.com', 'revistaenie.clarin.com', 'weblogs.clarin.com')='clarin.com'")
#aldea-irreductible.blogspot.com
dt_portada$web <-recode(dt_portada$web, "c('aldea-irreductible.blogspot.com.es')='aldea-irreductible.blogspot.com'")
#infobae.com
dt_portada$web <-recode(dt_portada$web, "c('america.infobae.com', 'blogs.infobae.com', 'infobae.com.ar', 'opinion.infobae.com',
'saludable.infobae.com')='infobae.com'")
#theinquirer.es
dt_portada$web <-recode(dt_portada$web, "c('es.theinquirer.net', 'theinquirer.es', 'theinquirer.net', 'theinquirer.org',
'uk.theinquirer.net')='theinquirer.es'")
#fogonazos.es
dt_portada$web <-recode(dt_portada$web, "c('fogonazos.blogspot.com')='fogonazos.es'")
#periodistadigital.com
dt_portada$web <-recode(dt_portada$web, "c('blogs.periodistadigital.com')='periodistadigital.com'")
#google.com
dt_portada$web <-recode(dt_portada$web, "c('afp.google.com', 'ap.google.com', 'base.google.com', 'books.google.com',
'canadianpress.google.com', 'chrome.google.com', 'code.google.com', 'desktop.google.com',
'developers.google.com', 'docs.google.com', 'drive.google.com', 'earth.google.com', 'finance.google.com',
'google.com.mt', 'groups.google.com', 'images.google.com', 'labs.google.com', 'mail.google.com',
'maps.google.com', 'music.google.com', 'news.google.com', 'news.google.com.co', 'pack.google.com',
'pages.google.com', 'picasaweb.google.com', 'play.google.com', 'plus.google.com', 'productforums.google.com',
'quickdraw.withgoogle.com', 'research.google.com', 'services.google.com', 'sites.google.com', 'sketchup.google.com',
'spreadsheets.google.com', 'support.google.com', 'translate.google.com', 'video.google.com',
'wave.google.com')='google.com'")
#eitb.com
dt_portada$web <-recode(dt_portada$web, "c('blog.eitb.com', 'blog.eitb24.com', 'blogseitb.com', 'eitb.com', 'eitb.eus', 'eitb.tv',
'eitb24.com', 'mediablog.eitb24.com')='eitb.com'")
#imgur.com
dt_portada$web <-recode(dt_portada$web, "c('ayesee.imgur.com', 'halytech.imgur.com', 'i.imgur.com', 'imgurfun.net',
'sinasterisco.imgur.com')='imgur.com'")
#diariodesevilla.es
dt_portada$web <-recode(dt_portada$web, "c('diariodesevilla.com')='diariodesevilla.es'")
#tercerainformacion.es
dt_portada$web <-recode(dt_portada$web, "c('blogs.tercerainformacion.es')='tercerainformacion.es'")
#cuatro.com
dt_portada$web <-recode(dt_portada$web, "c('blog.cuatro.com', 'blogs.cuatro.com', 'foros.cuatro.com', 'play.cuatro.com')='cuatro.com'")
#amazings.es
dt_portada$web <-recode(dt_portada$web, "c('amazings.com')='amazings.es'")
#barrapunto.com
dt_portada$web <-recode(dt_portada$web, "c('softlibre.barrapunto.com', 'preguntas.barrapunto.com', 'espana.barrapunto.com',
'empleo.barrapunto.com', 'debian.barrapunto.com', 'ciencia.barrapunto.com', 'ciberderechos.barrapunto.com',
'bp25.barrapunto.com', 'americas.barrapunto.com')='barrapunto.com'")
#wired.com
dt_portada$web <-recode(dt_portada$web, "c('blog.wired.com', 'howto.wired.com', 'news.wired.com', 'wired.co.uk', 'wired.reddit.com',
'wireservice.wired.com')='wired.com'")
#consumer.es
dt_portada$web <-recode(dt_portada$web, "c('escuelas.consumer.es', 'museos.consumer.es', 'revista.consumer.es')='consumer.es'")
#wikipedia.org
dt_portada$web <-recode(dt_portada$web, "c('ca.wikipedia.org', 'en.wikipedia.org', 'es.wikipedia.org', 'eu.wikipedia.org',
'fr.wikipedia.org', 'gl.wikipedia.org', 'it.wikipedia.org', 'mail.wikipedia.org',
'static.wikipedia.org')='wikipedia.org'")
#independent.co.uk
dt_portada$web <-recode(dt_portada$web, "c('environment.independent.co.uk', 'i100.independent.co.uk',
'news.independent.co.uk')='independent.co.uk'")
#mimesacojea.com
dt_portada$web <-recode(dt_portada$web, "c('mimesacojea.blogspot.com')='mimesacojea.com'")
#washingtonpost.com
dt_portada$web <-recode(dt_portada$web, "c('blog.washingtonpost.com', 'blogs.washingtonpost.com', 'knowmore.washingtonpost.com',
'm.washingtonpost.com', 'voices.washingtonpost.com', 'wpcomics.washingtonpost.com')='washingtonpost.com'")
#finanzas.com
dt_portada$web <-recode(dt_portada$web, "c('blogs.finanzas.com', 'foro.finanzas.com', 'laverdad.finanzas.com',
'xlsemanal.finanzas.com')='finanzas.com'")
#engadget.com
dt_portada$web <-recode(dt_portada$web, "c('engadgetmobile.com', 'es.engadget.com', 'spanish.engadget.com',
'transportation.engadget.com')='engadget.com'")
#prnoticias.com
dt_portada$web <-recode(dt_portada$web, "c('prnoticias.es')='prnoticias.com'")
#astroseti.org
dt_portada$web <-recode(dt_portada$web, "c('astrobiologia.astroseti.org', 'ciencia.astroseti.org',
'esa.astroseti.org')='astroseti.org'")
#vice.com
dt_portada$web <-recode(dt_portada$web, "c('broadly.vice.com', 'i-d.vice.com', 'motherboard.vice.com', 'news.vice.com',
'thecreatorsproject.vice.com')='vice.com'")
#larepublica.com
dt_portada$web <-recode(dt_portada$web, "c('afindemes.republica.com', 'blogs.republica.com')='larepublica.com'")
#cnn.com
dt_portada$web <-recode(dt_portada$web, "c('apple20.blogs.fortune.cnn.com', 'archives.cnn.com', 'brainstormtech.blogs.fortune.cnn.com',
'cnn.netscape.cnn.com', 'cnnespanol.cnn.com', 'cnnpressroom.blogs.cnn.com', 'edition.cnn.com', 'ireport.cnn.com',
'larrykinglive.blogs.cnn.com', 'mexico.cnn.com', 'money.cnn.com', 'news.blogs.cnn.com', 'sportsillustrated.cnn.com',
'us.cnn.com')='cnn.com'")
#boredpanda.com
dt_portada$web <-recode(dt_portada$web, "c('boredpanda.es', 'boredpanda.org')='boredpanda.com'")
#nasa.com
dt_portada$web <-recode(dt_portada$web, "c('antwrp.gsfc.nasa.gov', 'apod.nasa.gov', 'blogs.nasa.gov', 'ciencia.nasa.gov', 'climate.nasa.gov',
'data.giss.nasa.gov', 'earthasart.gsfc.nasa.gov', 'earthobservatory.nasa.gov', 'eobglossary.gsfc.nasa.gov',
'eol.jsc.nasa.gov', 'eyes.jpl.nasa.gov', 'imagine.gsfc.nasa.gov', 'ipac.jpl.nasa.gov', 'jpl.nasa.gov',
'lars-lab.jpl.nasa.gov', 'm.earthobservatory.nasa.gov', 'map.gsfc.nasa.gov', 'mars.nasa.gov',
'marsrovers.jpl.nasa.gov', 'microgravity.grc.nasa.gov', 'neo.jpl.nasa.gov', 'opensource.arc.nasa.gov',
'photojournal.jpl.nasa.gov', 'rapidfire.sci.gsfc.nasa.gov', 'saturn.jpl.nasa.gov', 'science.nasa.gov',
'software.nasa.gov', 'sohowww.nascom.nasa.gov', 'solarsystem.nasa.gov', 'space.jpl.nasa.gov', 'spaceflight.nasa.gov',
'sunearth.gsfc.nasa.gov', 'svs.gsfc.nasa.gov', 'visibleearth.nasa.gov')='nasa.gov'")
#periodismohumano.com
dt_portada$web <-recode(dt_portada$web, "c('alianzas.periodismohumano.com', 'consumeymuere.periodismohumano.com',
'guatemalacomunitaria.periodismohumano.com', 'losrostrosdelosrecortes.periodismohumano.com',
'minotauro.periodismohumano.com', 'pandoras.periodismohumano.com', 'polvodeestrellas.periodismohumano.com',
'tomalapalabra.periodismohumano.com', 'traslapolitica.periodismohumano.com',
'trata.periodismohumano.com')='periodismohumano.com'")
#univision.com
dt_portada$web <-recode(dt_portada$web, "c('dinero.univision.com', 'entretenimiento.univision.com', 'feeds.univision.com',
'nfl.univision.com', 'noticias.univision.com')='univision.com'")
#reuters.com
dt_portada$web <-recode(dt_portada$web, "c('es.reuters.com', 'reuters.com', 'lta.reuters.com', 'es.today.reuters.com',
'lta.today.reuters.com', 'reuters.es', 'uk.reuters.com', 'today.reuters.com', 'blogs.reuters.com',
'af.reuters.com', 'mobile.reuters.com', 'today.reuters.co.uk', 'about.reuters.com', 'in.reuters.com',
'in.today.reuters.com', 'africa.reuters.com', 'ca.reuters.com', 'fr.reuters.com', 'i.today.reuters.com',
'mx.reuters.com', 'newsandinsight.thomsonreuters.com', 'us.mobile.reuters.com')='reuters.com'")
```
Después de las transformaciones vemos que el origen más frecuente de las noticias de portada de menéame es elpais.com con 7.550 noticias. Este resultado no deja de ser llamativo porque desde el año 2014 existe un boicot a los medios pertenecientes a la Asociación de Medios de Información (AMI), antigua Asociación de Editores de Diarios Españoles (AEDE), lo que significa que se promueve activamente el descarte de las noticias provenientes de los medios pertenecientes a esta organización. El diario El País es uno de estos medios, además, en segundo lugar de la clasificación encontramos el diario El Mundo y en las primeras 20 posiciones podemos encontrar otros medios AEDE como La Vanguardia, ABC, La Voz de Galicia, etc.
```{r meneame_2, include=FALSE}
#Gráfico de nº de portadas
webs <- as.data.frame(table(dt_portada$web))
webs <- webs[order(-webs$Freq),]
#rownames(webs) <- NULL
table(webs$Freq)
#Estadisticos
summary(webs$Freq)
ggplot(data=webs[c(1:30),], aes(x=reorder(Var1, -Freq), y=Freq)) +
geom_bar(stat="identity", fill="gray28") + theme_classic() +
geom_text(aes(label=Freq), vjust=1.6, color="white", size=3.5)+
theme(axis.text.x = element_text(angle = 40, hjust = 1, size=12)) +
scale_y_continuous(expand = c(0,0)) + labs(x = "Origen", y="Nº de noticias en portada", title="Origen de las noticias de portada")
```
Podemos ver los 30 orígenes más frecuentes de las noticias de portada de menéame en el siguiente gráfico:
```{r meneame_3, echo=FALSE, fig.width=14, fig.height=6}
ggplot(data=webs[c(1:25),], aes(x=reorder(Var1, -Freq), y=Freq)) +
geom_bar(stat="identity", fill="gray28") + theme_classic() +
geom_text(aes(label=Freq), vjust=1.6, color="white", size=3.5)+
theme(axis.text.x = element_text(angle = 40, hjust = 1, size=12)) +
scale_y_continuous(expand = c(0,0)) + labs(x = "Origen", y="Nº de noticias en portada", title="Origen de las noticias de portada")
```
Para acabar este apartado veamos la proporción total de noticias en portada que tiene cada medio. Por motivos de memoria se han incluido en el apartado "otros"" los 89.341 medios que tienen entre 1 y 250 noticias en portada.
```{r meneame_4, echo=FALSE, warning=F}
dt_tree <- webs %>% group_by(Var1) %>% summarise(n=sum(Freq))
dt_tree$Var1 <- as.character(dt_tree$Var1)
dt_tree$Var1[dt_tree$n < 250] <- "otros"
dt_tree <- dt_tree %>% group_by(Var1) %>% summarise(n=sum(n))
plot_ly(dt_tree, labels = ~(factor(Var1)), values = ~n, type = "pie", textinfo = 'none') %>%
layout(title = "Medios con mas noticias en portada", showlegend = T, font=list(size = 13))
##api_create(p1, filename = "men_orig_port")
##Liberamos memoria borrando variables
##rm(dt_tree, webs)
```
## ¿Qué usuarios son los más activos?
```{r meneame_5, include=FALSE}
######### Usuarios #########
df_users <- as.data.frame(sort(table(dt_portada$usuario), decreasing = T))
table(df_users$Freq)
```
Otro apartado interesante es el relativo a los usuarios. Tenemos un total de 22.149 usuarios distintos que han subido 177.509 noticias diferentes. La media de envíos por usuario es de 8 noticias y la mediana es igual a 2.
El usuario que más noticias ha subido a portada es mezvan, con 2.561 un 1,44% del total; seguido por Tanatos con 2.046 y Ratoncolorao con 1.297. En los 25 primeros puestos tenemos además a tres usuarios cuyas cuentas fueron eliminadas. Son aquellos cuyo apodo es un número franqueado por dos guiones. Un total de 10.144 usuarios tiene una única portada. La cifra va descendiendo paulatinamente: 3.470 con 2, 1780 con 3, 1136 con 4, etc.
#Estadisticos
summary(df_users$Freq)
```{r meneame_6, echo=FALSE, fig.width=14, fig.height=6}
ggplot(data=df_users[c(1:25),], aes(x=reorder(Var1, -Freq), y=Freq)) +
geom_bar(stat="identity", fill="gray28") + theme_classic() +
geom_text(aes(label=Freq), vjust=1.6, color="white", size=3.5)+
theme(axis.text.x = element_text(angle = 40, hjust = 1, size=12)) +
scale_y_continuous(expand = c(0,0)) + labs(x = "Usuario", y="Nº de noticias en portada", title="Usuarios con mas noticias en portada")
```
Veamos por último la proporción de noticias que los usuarios han subido del total. En el apartado "otros" se encuentran los 149.881 usuarios que han subido 300 noticias o menos.
```{r meneame_7, echo=FALSE, warning=F}
dt_tree <- df_users %>% group_by(Var1) %>% summarise(n=sum(Freq))
dt_tree$Var1 <- as.character(dt_tree$Var1)
dt_tree$Var1[dt_tree$n < 300] <- "otros"
dt_tree <- dt_tree %>% group_by(Var1) %>% summarise(n=sum(n))
plot_ly(dt_tree, labels = ~(factor(Var1)), values = ~n, type = "pie", rotation=320, textinfo = 'none') %>%
layout(title = "Usuarios con mas noticias en portada", showlegend = T, font=list(size = 13))
```
## ¿Qué subs llegan a portada?
Los subs son secciones temáticas dentro de menéame que permiten personalizar los temas. Éstos sustituyeron a las categorías, que eran los subgrupos que agrupaban a las noticias. Entraron en funcionamiento el 27 de marzo de 2014.
No hay datos de categorías anteriores a esta fecha, pero a partir de ésta podemos comprobar qué subs son los que llegan a portada.
La agrupación de resultados muestra que desde que se crearon, un total de 113 subs diferentes han tenido noticias en la portada de menéame.
```{r meneame_8, include=FALSE, warning=F}
#Estandarizamos los datos anteriores a la implementacion de los subs el 27 de marzo de 2014
dt_portada$sub[dt_portada$fecha_publicacion < "2014-03-26"] <-"mnm"
#Eliminamos las noticias no clasificadas
dt_sub <- dt_portada[!dt_portada$sub == "mnm", ]
#Dejamos las noticias por sub y año
dt_sub <- dt_sub[,c(8, 16)] %>%
group_by(month=floor_date(fecha_publicacion, "year"), sub) %>% select(-c(fecha_publicacion)) %>%
mutate(unique_types = n_distinct(sub))
dt_sub <- as.data.frame(table(dt_sub$sub, dt_sub$month))
dt_sub <- dt_sub[!dt_sub$Freq == 0,]
#Nº de subs con noticias en portada
length(unique(dt_sub$Var1))
```
En el gráfico aparecen por separado todos aquellos subs que han conseguido tener al menos 70 noticias en portada, los que han conseguido menos se agrupan en la categoría otros.
```{r meneame_9, echo=FALSE, warning=F}
#Total de noticias en portada de cada sub
dt_pie <- dt_sub %>% group_by(Var1) %>% summarise(n=sum(Freq))
dt_pie$Var1 <- as.character(dt_pie$Var1)
dt_pie$Var1[dt_pie$n < 70] <- "otros"
dt_pie <- dt_pie %>% group_by(Var1) %>% summarise(n=sum(n))
plot_ly(dt_pie, labels = ~(factor(Var1)), values = ~n, type = "pie") %>%
layout(title = "Subs a los que pertenecen las noticias de portada", showlegend = T, font=list(size = 13))
```
Los subs que más presencia tienen en portada son por este orden: actualidad con 23.958 noticias, el 56,8% del total; cultura con 9.548 noticias, el 22,6% y tecnología con 1.421 noticias, el 10,5%.
## ¿Cómo han ido evolucionando las portadas con el tiempo?
La primera portada de menéame tuvo lugar el 7 de septiembre de 2005. El autor del primer meneo fue Gallir y era una publicación de prueba. Esas tres semanas de diciembre 29 noticias llegaron a portada, y a partir de ahí las noticias en portada sufrieron un avance exponencial. El mes con más noticias fue junio de 2008 (724 portadas). Éste es el mes en el que España ganó la Eurocopa, el paro empezaba a dispararse y se empezaba a hablar (o a negar) la existencia de la crisis. Si nos fijamos en los datos anuales, el máximo ocurrió en el año 2009, con 7.212 noticias en portada.
```{r meneame_10, echo=FALSE, warning=F}
MyMerge <- function(x, y){
#Funcion que fusiona df
df <- merge(x, y, by="date", all=T)
return(df)
}
gen_df_ts_m <- function(x, anual=FALSE){
#Funcion que genera el DF con el envío mensual de noticias. Requiere función MyMerge.
#Requiere x, que es el nº de medios que queremos en orden decreciente. Si anual = TRUE, se hace la serie anual en vez de mensual
webl <- names(sort(table(dt_portada$web), decreasing = T))[1:x]
l_obj <- c()
l_str <- c()
for(i in webl){
ar <- strsplit(i, "[.]")
ar <- gsub("-", "_", ar[[1]][1])
if(anual==T){
eval(parse(text=paste("ts_a_", ar, " <- dt_portada %>% sub_set('web', '", i, "') %>% ts_anual ", sep="")))
ini <- "ts_a_"
}else{
eval(parse(text=paste("ts_m_", ar, " <- dt_portada %>% sub_set('web', '", i, "') %>% ts_mensual ", sep="")))
ini <- "ts_m_"
}
#Construccion lista objetos
if(length(l_obj) == 0){
l_obj <- paste(ini, ar, sep="")
}else {
l_obj <- paste(l_obj, paste(ini, ar, sep=""), sep=",")
}
#Construcción lista strings
if(length(l_str) == 0){
l_str <- paste(paste("'", ini, sep=""), ar, "'",sep="")
}else {
l_str <- paste(l_str, paste(paste("'", ini, sep=""), ar, "'",sep=""), sep=",")
}
}
l_obj <- paste("list(", l_obj, ")", sep="")
l_str <- paste("c(", l_str, ")", sep="")
ts_m_df20 <- eval(parse(text=l_obj))
media_20 <- eval(parse(text=l_str))
df_ts_m_20 <- Reduce(MyMerge, ts_m_df20)
colnames(df_ts_m_20) <- c("date", media_20)
df_ts_m_20[is.na(df_ts_m_20)] <- 0
if(anual==T){
df_ts_m_20$date <- as.Date(paste(df_ts_m_20$date , '01-01', sep='-'), '%Y-%m-%d')
}else{
df_ts_m_20$date <- as.Date(paste(df_ts_m_20$date , '01', sep='-'), '%Y-%m-%d')
}
df_ts_m_20 <- df_ts_m_20[!df_ts_m_20$date == "2017-12-01",]
return(df_ts_m_20)
}
gen_ts_m_plot <- function(dataframe_ts){
webl <- names(sort(table(dt_portada$web), decreasing = T))[1:length(dataframe_ts)]
AEDE <- c('ts_m_elpais', 'ts_m_elmundo','ts_m_eleconomista', 'ts_m_lavanguardia', 'ts_m_abc', 'ts_m_elperiodico', 'ts_m_marca',
'ts_m_lavozdegalicia', 'ts_m_levante_emv', 'ts_m_expansion', 'ts_m_elcorreo', 'ts_m_cincodias', 'ts_m_larazon',
'ts_a_elpais', 'ts_a_elmundo','ts_a_eleconomista', 'ts_a_lavanguardia', 'ts_a_abc', 'ts_a_elperiodico', 'ts_a_marca',
'ts_a_lavozdegalicia', 'ts_a_levante_emv', 'ts_a_expansion', 'ts_a_elcorreo', 'ts_a_cincodias', 'ts_a_larazon')
for(i in (1:(length(dataframe_ts)-1))){
if(colnames(dataframe_ts)[i+1] %in% AEDE){
ar <- paste("add_trace(dt_portada, y = ~", colnames(dataframe_ts)[i+1], ", legendgroup = 'AEDE', name = '", webl[i], "')", sep="")
}else{
ar <- paste("add_trace(dt_portada, y = ~", colnames(dataframe_ts)[i+1], ", name = '", webl[i], "')", sep="")
}
if(exists("l_plots") == F){
l_plots <- ar
}else {
l_plots <- paste(l_plots, ar, sep=" %>% ")
}
}
return(eval(parse(text=paste("plot_ly(dataframe_ts, x = ~date, y = rowSums(dataframe_ts[2:length(dataframe_ts)]), mode = 'lines', type = 'scatter', name = 'Total de envíos') %>%
layout(title = 'Evolucion temporal', showlegend = T, xaxis=list(title='Fecha'), yaxis=list(title='Nº de portadas'))",
l_plots, sep=" %>%"))))
}
#Generamos el gráfico mensual y anual de envíos
dt_ts_m <- gen_df_ts_m(30)
gen_ts_m_plot(dt_ts_m)
```
Hay otros dos picos en los que se superaron las 700 noticias en portada: mayo de 2011 (15-M) y enero de 2012 (Justo después de la toma de posesión de Rajoy, cuando se escondían las tijeras hasta que pasaran las elecciones andaluzas). A partir de ahí el número de noticias de portada empezó a caer lentamente. Se pasó de las 7.147 noticias en portada del año 2011 a las 4.526 del año 2016; aunque la tendencia descendiente se rompe en 2017 ya que este año las portadas aumentaron. Llaman la atención varios picos en los gráficos mensuales: octubre de 2014 (555 noticias, crisis del ébola en España) y mayo de 2015 (552 noticias, elecciones locales). A partir de ahí las noticias en portada fueron bajando hasta llegar al mínimo de noviembre de 2016 (261 noticias). Y es que la crisis de gobierno Española de 2016 tuvo un efecto directo sobre las portadas. Los últimos dos picos ocurrieron en mayo de 2017 (elecciones a secretario general del PSOE, repunte de las noticias de corrupción, crisis del Fiscal General Moix, elecciones francesas, ...) y en octubre de 2017 (el procés).
Por último, podemos ver como salvo excepciones muy puntuales, se ha respetado el boicot a los medios AEDE: se pasó de 98 portadas de medios AEDE en febrero de 2014 a 0 en el mes de marzo. Es interesante ver como el papel que antes tenían en la web elpais.com y elmundo.es; ahora lo tienen eldiario.es y elconfidencial.com respectivamente.
```{r meneame_11, echo=FALSE, warning=F}
dt_ts_a <- gen_df_ts_m(30, T)
gen_ts_m_plot(dt_ts_a)
```
## ¿Qué tiempo pasa desde que se envía una noticia hasta que sube a portada?
De media pasan unas 7,12 horas desde que una noticia es enviada hasta que es publicada en la portada. La noticia que más rápido llegó a portada fue "España campeona de Europa de Baloncesto tras vencer a Serbia 85-63" el 20 de septiembre del año 2009, tardó sólo 91 segundos. Por el contrario, el envío que más tiempo tardó en llegar a portada fue "Click Here You Idiot". Fue enviada el 5 de enero de 2006 a las 18h y no subió a portada hasta el día 15 de enero a las 4h, nueve días y medio después. Este caso es muy excepcional y es bastante raro encontrar envíos con más de 3 días que lleguen a portada.
```{r meneame_12, echo=FALSE, warning=F}
dt_subida <- dt_portada[, c(4, 5, 16)]
dt_subida$t_subida_min <- as.numeric(difftime(dt_portada$fecha_publicacion, dt_portada$fecha_envio), units="mins")
dt_subida$t_subida_horas <- as.numeric(difftime(dt_portada$fecha_publicacion, dt_portada$fecha_envio), units="hours")
dt_subida$t_subida_dia <- as.numeric(difftime(dt_portada$fecha_publicacion, dt_portada$fecha_envio), units="days")
plot_ly(type = "box", width = 450, height = 500) %>%
layout(autosize = F, title = "Horas hasta llegar a portada", showlegend = F, font=list(size = 13), xaxis=list(title=""), yaxis=list(title="Nº de Horas")) %>%
add_boxplot(data=dt_subida, y = ~t_subida_horas, name = "Todas")
```
Por otra parte, el sub de la noticia determina el tiempo que tarda en subir a portada. Las noticias de actualidad son las que más rápido suben, mientras que las noticias de ciencia son las que más tiempo tardan en subir a portada.
```{r meneame_13, echo=FALSE, warning=F}
#Por subs
#Eliminamos las noticias no clasificadas
dt_subida_subs <- dt_subida[!dt_subida$sub == "mnm", ]
dt_subida_subs[!dt_subida_subs$sub %in% c("actualidad", "astronomia", "ciencia", "cultura", "ocio", "tecnología"), "sub"] <- "otros"
plot_ly(dt_subida_subs, y = ~t_subida_horas, color = ~sub, type = "box", xaxis = list(tickangle = 45)) %>%
layout(title = "Horas hasta llegar a portada | Por sub", showlegend = T, font=list(size = 13), xaxis=list(title=""), yaxis=list(title="Nº de Horas"))
```
## Votos, comentarios y karma
En general, vemos que:
La media de meneos han sido 585. Con un máximo de 12.389 y un mínimo de 10.
La media de votos positivos han sido 239. Con un máximo de 3.315 y un mínimo de 6.
La media de votos anónimos han sido 346. Con un máximo de 9.597 y un mínimo de 0.
La media de votos negativos han sido 2. Con un máximo de 246 y un mínimo de 0.
La media de karma han sido 2. Con un máximo de 246 y un mínimo de 0.
La media de clics en las noticias es de 6.569. Con un máximo de 113.528 y un mínimo de 29 (Sólo hay datos a partir de octubre de 2010).
La media de comentarios por noticia es de 48. El máximo es 2.718 y existen 680 noticias sin comentarios.
```{r meneame_14, echo=FALSE, warning=F}
dt_karma <- dt_portada[, c(4, 5, (9:16))]
dt_karma$clicks <- as.integer(dt_karma$clicks)
dt_karma$comentarios <- as.integer(dt_karma$comentarios)
#summary(dt_karma[, c(3:9)])
plot_ly(type = "box") %>%
layout(autosize = F, title = "Nº de votos | Total de karma", showlegend = F, font=list(size = 13), xaxis=list(title=""), yaxis=list(title="Total")) %>%
add_boxplot(data=dt_karma, y = ~meneos, name = "Meneos") %>%
add_boxplot(data=dt_karma, y = ~votos_positivos, name = "V. Positivos") %>%
add_boxplot(data=dt_karma, y = ~votos_anonimos, name = "V. Anónimos") %>%
add_boxplot(data=dt_karma, y = ~votos_negativos, name = "V. Negativos") %>%
add_boxplot(data=dt_karma, y = ~karma, name = "Karma") %>%
add_boxplot(data=dt_karma, y = ~comentarios, name = "Comentarios")
```
Si comparamos los datos de karma con otras categorías, como los 10 usuarios más activos o los subs, vemos por ejemplo que las noticias de portada enviadas por el usuario mezvan o camachosoft, y especialmente las de aberron suelen obtener más karma que la de otros usuarios.
```{r meneame_15, echo=FALSE, warning=F}
dt_karma_users <- dt_karma[dt_karma$usuario %in% c("mezvan", "Tanatos", "Ratoncolorao", "jm22381", "camachosoft", "juvenal", "Ripio", "--136875--", "disconubes", "aberron"), ]
#Karma
plot_ly(dt_karma_users, y = ~karma, color = ~usuario, type = "box", xaxis = list(tickangle = 45)) %>%
layout(title = "Karma | Por usuario", showlegend = T, font=list(size = 13), xaxis=list(title=""), yaxis=list(title="Total de karma"), margin = list(b = 70))
```
También son interesantes los datos de los meneos por categoría. Las noticias de actualidad obtienen muchísimos más meneos que las de cualquier otra categoría.
```{r meneame_16, echo=FALSE, warning=F}
#Por subs
#Eliminamos las noticias no clasificadas
dt_karma_subs <- dt_karma[!dt_karma$sub == "mnm", ]
dt_karma_subs[!dt_karma_subs$sub %in% c("actualidad", "astronomia", "ciencia", "cultura", "ocio", "tecnología"), "sub"] <- "otros"
#Meneos
plot_ly(dt_karma_subs, y = ~meneos, color = ~sub, type = "box", xaxis = list(tickangle = 45)) %>%
layout(title = "Meneos | Por sub", showlegend = T, font=list(size = 13), xaxis=list(title=""), yaxis=list(title="Nº de meneos"), margin = list(b = 50))
```
Por último, veamos la evolución temporal de los meneos, votos positivos, votos negativos, karma y clics a lo largo del tiempo.
```{r meneame_17, echo=FALSE, warning=F}
#Evolucion temporal votos y karma
gen_ts_month_values<- function(x) {
dt_portada$meneos <- as.integer(dt_portada$meneos)
dt_portada$votos_positivos <- as.integer(dt_portada$votos_positivos)
dt_portada$votos_negativos <- as.integer(dt_portada$votos_negativos)
dt_portada$karma <- as.integer(dt_portada$karma)
dt_portada$clicks <- as.integer(dt_portada$clicks)
dt_portada$votos_anonimos <- as.integer(dt_portada$votos_anonimos)
sal <- dt_portada %>%
mutate(date = format(fecha_publicacion, "%Y-%m")) %>%
group_by(date) %>% summarise(tot_men=sum(meneos), tot_pos=sum(votos_positivos), tot_anom=sum(votos_anonimos), tot_neg=sum(votos_negativos), tot_kar=sum(karma), tot_clicks=sum(clicks))
sal <- sal[!sal$date == "2017-12",]
plot_ly(sal, x = ~date, y = ~tot_men, mode = 'lines', type = 'scatter', name = 'Meneos') %>%
layout(title = 'Evolucion temporal', showlegend = T, yaxis=list(title='Valor total'), xaxis=list(title='')) %>%
add_trace(sal, y = ~tot_pos, name = 'Votos Positivos') %>%
add_trace(sal, y = ~tot_anom, name = 'Votos Anonimos') %>%
add_trace(sal, y = ~tot_neg, name = 'Votos Negativos') %>%
add_trace(sal, y = ~tot_kar, name = 'Karma') %>%
add_trace(sal, y = ~tot_clicks, name = 'Clicks')
}
gen_ts_month_values()
```
Puede verse claramente la caída a la mitad de todos los valores (salvo los votos negativos), y lo que parece una estabilización en los últimos meses.
## ¿De qué tratan las noticias de portada?
Y bueno, por último he hecho algunas nubes de palabras con los titulares de las noticias de portada. He tenido algunos problemas con la codificación del texto y aparecen sin caracteres especiales (acentos, eñes, etc.) y con algunos pequeños errores. Pero aún así, son interesantes.
```{r meneame_18, echo=FALSE, warning=F}
rmstrange <- function(x) stringr::str_replace_all(x,"[^[:graph:]]", " ")
rmacentos <- function(x) chartr("áàâäéëèêíïìîóöòôúüùûñ", "aaaaeeeeiiiioooouuuun", x)
gen_cloud <- function(dataf,x){
#Titulares - Total
corpus_tit <- Corpus(VectorSource(dataf), readerControl = list(reader = readPlain, language = "es"))
corpus_tit <- tm_map(corpus_tit, content_transformer(removePunctuation))
corpus_tit <- tm_map(corpus_tit, content_transformer(tolower))
corpus_tit <- tm_map(corpus_tit, content_transformer(rmstrange))
corpus_tit <- tm_map(corpus_tit, content_transformer(rmacentos))
corpus_tit <- tm_map(corpus_tit, removeWords, c(stopwords("spanish"), "eng", "cómo", "ser", "ing", "pide", "tras", "así", "dice", "solo", "cada", "gran", "asi", "“", "casi", "the", "100", "mas"))
corpus_tit <- tm_map(corpus_tit, content_transformer(stripWhitespace))
corpus_tit <- tm_map(corpus_tit, content_transformer(trimws))
corpus_tit <- TermDocumentMatrix(corpus_tit)
corpus_tit <- removeSparseTerms(corpus_tit, .997)
findFreqTerms(corpus_tit, lowfreq=1)
corpus_tit <- weightTfIdf(corpus_tit,normalize=FALSE)
corpus_tit <- as.matrix(corpus_tit)
dim(corpus_tit)
summary(rowSums(corpus_tit))
corpus_tit <- sort(rowSums(corpus_tit), decreasing=TRUE)
if(dataf==dt_portada$noticia){
corpus_tit <- corpus_tit[-c(28)]
names(corpus_tit) <- c("años", "España", "euros", "millones", "dos", "gobierno", "Madrid", "mundo", "policía","Rajoy", "google",
"internet", "nuevo", "EE.UU", "hace", "historia", "ley", "tres","humor", "españoles", "nueva", "puede", "hombre",
"español", "día", "primera", "año","mujer", "guerra", "personas", "vídeo", "PSOE", "país", "vida", "juez", "caso",
"vez", "sgae", "hacer", "europa", "casa", "primer", "crisis", "española", "dinero","menos", "después", "denuncia",
"quiere", "muere", "niños", "agua", "cuatro", "muerte","segun", "linux", "fotos", "Barcelona", "pagar", "sistema",
"mundial", "mayor", "ahora","Valencia", "joven", "Aguirre", "coche", "presidente", "web", "trabajo", "cárcel",
"libre","horas", "mejor", "civil", "china", "ayuntamiento", "podemos", "real", "detenido", "luz","cinco", "público",
"pública", "Zapatero", "diez", "hoy", "días", "ETA", "podría","estan", "imágenes", "alcalde", "windows", "partido",
"microsoft", "congreso", "iglesia", "meses","tierra", "empresa", "descubren", "mujeres", "jóvenes", "Francia",
"Alemania", "deja", "niño","científicos", "trabajadores", "red", "banco", "cat", "Rey", "software", "foto",
"gana","guardia", "será", "anuncia", "seguridad", "tener", "nunca", "datos", "energía", "grupo","corrupción",
"canon", "nacional", "paro", "piden", "fin", "ciudad", "veces", "precio","familia", "hijo", "gratis", "también",
"huelga", "grandes", "Bárcenas", "seis", "madre","dólares", "gente", "niña", "campana", "bajo", "unidos", "empresas",
"cáncer", "ver","avión", "viñeta", "sol", "carta", "elecciones", "Japón", "sanidad", "cambio", "tiempo","parte",
"padre", "Israel", "toda", "inglés", "TVE", "calle", "medio", "metro","mes", "usuarios", "prisión", "solar", "uso",
"amenaza", "vuelve", "ciencia", "pueblo","sueldo", "telefónica", "prensa", "muertos", "ministro", "poder", "mientras")
}
wordcloud(words=names(corpus_tit), freq=corpus_tit, random.order = FALSE, colors = RColorBrewer::brewer.pal(8, "Set2"), max.words=700)
}
```
## Word-cloud de toda la existencia de menéame
```{r meneame_19, echo=FALSE, warning=F}
#Todas las noticias
gen_cloud(dt_portada$noticia, "total")
```
## Año 2006 (primer año)
```{r meneame_20, echo=FALSE, warning=F}
#Por año
df <- dt_portada[(dt_portada$fecha_publicacion > paste(as.character(2006),"-01-01", sep="") & dt_portada$fecha_publicacion < paste(as.character(2006+1),"-01-01", sep="")), 2]
gen_cloud(df, as.character(2006))
```
## Año 2022 (actual)
```{r meneame_21, echo=FALSE, warning=F}
#Por año
df <- dt_portada[(dt_portada$fecha_publicacion > paste(as.character(2022),"-01-01", sep="") & dt_portada$fecha_publicacion < paste(as.character(2022+1),"-01-01", sep="")), 2]
gen_cloud(df, as.character(2022))
```
### 200 noticias con mas clicks
```{r meneame_22, echo=FALSE, warning=F}
df <- dt_portada[complete.cases(dt_portada[,10]), ]
df$clicks <- as.integer(df$clicks)
df <- df[order(df$clicks, decreasing = T),][c(1:200), 2]
gen_cloud(df, "200_mas_clicks")
```
### 200 noticias con mas meneos
```{r meneame_23, echo=FALSE, warning=F}
df <- dt_portada[order(dt_portada$meneos, decreasing = T),][c(1:200), 2]
gen_cloud(df, "200_mas_meneos")
```
### 200 noticias con mas votos positivos
```{r meneame_24, echo=FALSE, warning=F}
df <- dt_portada[order(dt_portada$votos_positivos, decreasing = T),][c(1:200), 2]
gen_cloud(df, "200_mas_positivos")
```
### 200 noticias con mas votos anónimos
```{r meneame_25, echo=FALSE, warning=F}
df <- dt_portada[order(dt_portada$votos_anonimos, decreasing = T),][c(1:200), 2]
gen_cloud(df, "200_mas_anonimos")
```
### 200 noticias con mas votos negativos
```{r meneame_26, echo=FALSE, warning=F}
df <- dt_portada[order(dt_portada$votos_negativos, decreasing = T),][c(1:200), 2]
gen_cloud(df, "200_mas_negativos")
```
### 200 noticias con mas comentarios
```{r meneame_27, echo=FALSE, warning=F}
df <- dt_portada[order(dt_portada$comentarios, decreasing = T),][c(1:200), 2]
gen_cloud(df, "200_mas_comentarios")
```
### 200 noticias con mas karma
```{r meneame_28, echo=FALSE, warning=F}
df <- dt_portada[order(dt_portada$karma, decreasing = T),][c(1:200), 2]
gen_cloud(df, "200_mas_karma")
```
# Espero que os haya gustado :).