Datuen prestaketa

R-ra ekarri aurretik, datuen prestaketa eta garbiketa egin behar da, nik hurrengo pausen bitartez egitea pentsatu dut:

1. PDFan aukeratu
2. Kate testu editorean itsatsi (erdiko erroberarekin klik)
3. Bertan lehenengo garbiketa bat
   Esate baterako:
   • (mark.) dioten testuak eta (?) oharrak ezabatu.²
   • Herrialdeen izenak ezabatu.
   • Lerro bakarrean utzi herri bakoitza.
4. Aukeratu eta LibreOffice Calc-en itsatsi, banatzailetzat puntu biak (:) eta komak (,) hartuta.
5. Gorde fitxategi hori .csv formatuan. Herriak beste lerro izango ditu eta erantzun gehien hartutako herriko erantzun kopurua beste zutabe.

# Datuak 'hair' izenko data frame batera sartu
hair <- read.table("./HAIR.csv", 
                   header = F, 
                   sep = ",", 
                   stringsAsFactors = F)

knitr::kable(hair[120:132,], caption = "Data framearen zenbait lerro eta aldagai guztiak")

Data frameak aldagai asko ditu (5) eta lerroak/herriak 145 dira.

Ordena zuzendu behar da honelako egiturara:

• Lehenengo aldagaia herriaren izena (errepikatu egingo da)
• Bigarren aldagaia hizkuntz forma (ez da errepikatuko herrian bertan)

Nahi den egokitzapen horretarako, sortuko ditugu data frameak erantzun-aldagaiak beste, gero denak data frame bakarrean batzeko.

# Banatu
df.zerrenda <- c()
for(i in 1:length(names(hair))) {
    if(i==1){
    next
    } 
    ixena <- paste("df",i, sep = "")
    assign(ixena, data.frame(HERRIA = hair[,1], ERANTZUNAK = hair[,i]))
    # print(ixena)
    df.zerrenda <- c(df.zerrenda, ixena)
}

# Batu
df.hair <- dplyr::bind_rows(df2, df3, df4, df5)

# Kendu balio sobrakoak
df.hair <- df.hair[!df.hair[,2]=="",]

# Taula bat, aztertzeko
knitr::kable(tail(df.hair, 15), caption = "data framearen azken balioak")

Oraingo data frameak 2 aldagai eta 173 lerro ditu

Azentu eta karaktere konfigurazio batzuk aldatu behar dira, abisurik ez emateko.

Oharra: Puntu honetan berrikus daitezke euskarazko konfigurazio batzuk sinplifikatzea, alineR-ek lana hobeto egiteko, esate baterako, bilho/bilo erakoak batu, lh guztiak l hutsera pasatuaz. Berdin egin behar litzateke, hala egitera, kh eta antzerako kasuekin.

ipa.garbifuntzioa eraiki behar da

# Irteerako datuak garbitzeko, arazodun azentuak-eta ezabatu
# Funtzio egin behar da
# Aldagaiak batu bakarrean.

# ipa.garbi(df.hair)

df.hair[,2] <- gsub("r̄",
                 "r",
                 df.hair[, 2])

df.hair[, 2] <- gsub("i̯",
                  "i",
                  df.hair[, 2])

df.hair[, 2] <- gsub("ɛ́",
                  "ɛ",
                  df.hair[, 2])

df.hair[, 2] <- gsub("͜ó",
                    "o",
                     df.hair[, 2])

df.hair[, 2] <- gsub("\\*", "", df.hair[, 2])
df.hair[, 2] <- gsub("\\)", "", df.hair[, 2])
df.hair[, 2] <- gsub("\\(", "", df.hair[, 2])
df.hair[, 2] <- gsub("\\?", "", df.hair[, 2])

ALINE distantzien gainetiko azterketa bat

Darabiltzagun datuekin aldaera batzuen arteko ALINE distantzi linguistikoa aztertuko dugu. Oinarritzat Azkoitiako íʎe aldaera erabili da beste modu batzuekin alderatzeko.

• \(d_{ALINE( íʎe - íʎe)}\) Azkoitia-Bergara
• \(d_{ALINE( íʎe - iʎé)}\) Azkoitia-Azpeitia
• \(d_{ALINE( íʎe - úle)}\) Azkoitia-Arrasate
• \(d_{ALINE( íʎe - úʎe)}\) Azkoitia-Orozko
• \(d_{ALINE( íʎe - ílɛ)}\)Azkoitia-Lekaroz
• \(d_{ALINE( íʎe - íle)}\)Azkoitia-Urdiain
• \(d_{ALINE( íʎe - βurúkoiʎé)}\) Azkoitia-Ataun
• \(d_{ALINE( íʎe - bílho)}\) Azkoitia-SantaEngrazi

library(alineR)

# - d~(Azkoitia-Bergara)~
# Balio berberak
df.hair[46,2]; df.hair[50, 2]; aline(df.hair[46,2], df.hair[50, 2])

## [1] " íʎe"

## [1] " íʎe"

## [1] 0

# - d~(Azkoitia-Azpeitia)~
# Azentu desberdina
df.hair[46,2]; df.hair[47, 2]; aline(df.hair[46,2], df.hair[47, 2])

## [1] " íʎe"

## [1] " iʎé"

## [1] 0

# - d~(Azkoitia-Arrasate)~
# Grafema desberdin bi
df.hair[46,2]; df.hair[42, 2]; aline(df.hair[46,2], df.hair[42, 2])

## [1] " íʎe"

## [1] " úle"

## [1] 0.2461538

# - d~(Azkoitia-Orozko)~
# Bokal bat aldatzen da 
df.hair[46,2]; df.hair[29, 2]; aline(df.hair[46,2], df.hair[29, 2])

## [1] " íʎe"

## [1] " úʎe"

## [1] 0.1538462

# - d~(Azkoitia-Urdiain)~
# Kontsonante bat aldatzen da
df.hair[46,2]; df.hair[98, 2]; aline(df.hair[46,2], df.hair[98, 2])

## [1] " íʎe"

## [1] " íle"

## [1] 0.09230769

# - d~(Azkoitia-Lekaroz)~
# Hurreko bokal bat aldatzen da
df.hair[46,2]; df.hair[92, 2]; aline(df.hair[46,2], df.hair[92, 2])

## [1] " íʎe"

## [1] " ílɛ"

## [1] 0.09230769

# Azkoitia-Ataun
df.hair[46,2]; df.hair[45,2]

## [1] " íʎe"

## [1] " βurúkoiʎé"

aline(df.hair[46,2], df.hair[45,2], 
      mark = TRUE, 
      m1 = "β",
      m2 = "b")

## [1] 0.5357143

# Azkoitia-Santa engrazi
knitr::kable(
    aline(df.hair[46,2], df.hair[143,2], mark = T, alignment = T),
    caption = paste(df.hair[46,2], df.hair[143,2])
)

Bigarren ahalegina

Zortziko taldekatzeak ezin erantzun diezaioke gure planteamenduari, datu hauek erabilita. Bide posibleak bi dira, beraz:

1. Datuak egokitu. Multzokatze prozesuan idazkera/kodetze moduak hurrundutako batzuk hurreratu.
   EB: lh -> l, edo antzerakoak, aurretik adierazi den moduan
2. Multzokatze prozesua multzo gehiagotan aztertu.

# MULTZOKATZEAK
erak <-c("ward.D", "ward.D2", "single", "complete", 
         "average", "mcquitty", "median","centroid")

# IRUDI BAT MULTZOKO
for(i in erak) {
    clus.x <- hclust(d.aline.hair, method = i)
    plot(clus.x, 
                    cex = 0.5,
                    labels = paste(df.hair[,1],df.hair[,2], sep = "-"),
                    main = "Lemen bila"
                    )
    rect.hclust(clus.x,
            k=8,
            border="blue")
}

Aurreko irudiak aztertuta (eskuineko botoiarekin pantaila osoan ikus daitezke), ematen du gure helburuetatik hurbilen dagoen multzokatze era ward.D2 dela. Baina, datuak dauden moduan Senpereko ileondo forma ILE lemaren barruan kokatzen du eta banaketa bat markatzen du BILO eta BILHO artean.

Datuak zuzendu ezik, etiketa bik batu behar lukete ordezkatze prozesuan.

Hirugarren ahalegina

Honetan soilik aztertuko da ward.D2 multzokatze era, baina aurretik datuen lh formak l-ra igaro eta distantzi matrizea berreraikita.

# df barria
df.hair1 <- df.hair
df.hair1[, 2] <- gsub("lh", "l", df.hair1[, 2])

# distantzi matrize berria
d.aline.hair1 <- aline.dist(df.hair1[,2], df.hair1[,1])

clus.hair1 <- hclust(d.aline.hair1, method = "ward.D2")
plot(
    clus.hair1,
    cex = 0.5,
    labels = paste(df.hair[, 1], df.hair[, 2], sep = "-"),
    main = "Lemen bila v3"
    )
rect.hclust(clus.hair1,
            k = 7,
            border = "green")

Azken multzoek ere ez diote ondo erantzuten, Landibarreko biruak forma eta Ataungo burukoile elkarrekin ematen baititu. Hala ere, ematen du bidea hortik pasa daitekeela.

Zerrendak (herrienak)

Erantzun honetan oinarritua.

# Prozesu osoa HAMAR multzotan banatu
kutri <- cutree(clus.hair1, k = 7)

Cluster arazoduna:

names(kutri)[kutri==3]

## [1] "Ataun"      "Landibarre"

Datu antolatuekin data.frame bat sortu

Datuok berrantolatu daitezke eta .csv artxibo batera zuzenean atera.

df.kutri <- data.frame(HERRIAK = names(kutri),
                       FORMAK = df.hair[,2], 
                       MULTZOA = kutri)
# df.kutri

knitr::kable(dplyr::arrange(df.kutri, kutri), row.names = F)