********************************************************************
# Forschungsseminar Politischer Datenjournalismus
# 2. Blogbeitrag von Lukas Lauener
  
# zuletzt geändert: 28.03.2015
  
********************************************************************
  
# Voreinstellungen
rm(list=ls(all=TRUE)) # Environment leeren
getwd()
setwd("/home/ddj/llauener/Blogbeitrag 2") # Arbeitsordner ändern
options(stringsAsFactors=F) # Automatisches Bilden von Faktoren in Data frames verhindern
set.seed(123) # Reproduzierbarkeit für Operationen mit Zufallszahlen

# Pakete laden
library(foreign)
library(ROAuth) # R-Anbindung für Registrierung bei Twitter (siehe https://dev.twitter.com/docs/faq)
library(twitteR) # R-Anbindung für Datenbeschaffung bei Twitter
library(ggplot2) # Für Grafiken in ggplot
library(grid) # Für Anpassung des Hintergrunds mit ggplot
require(scales) # für Anpassung der Skalen mit ggplot
library(RColorBrewer) # Farbschema
library(devtools)
library(stringr) # Ermöglicht Umgang mit Regular Expressions 
library(RMySQL) # Datenbankanbindung
library(plyr)

# Datenbeschaffung mittels Twitter-API (mit twitteR und ROAuth)
# URLs der Twitter Registrierungs-API definieren
requestURL <- "https://api.twitter.com/oauth/request_token"
accessURL <- "https://api.twitter.com/oauth/access_token"
authURL <- "https://api.twitter.com/oauth/authorize"

# Credentials in File speichern
credentials <- c(
  "xxx",
  "xxx",
  "xxx",
  "xxx"
)

save(credentials, file="twitter-cred.rdata") # Authorisierungsangaben in eine Datei speichern, um die Registrierung nicht jedesmal neu machen zu m\"ussen

# Registrierung vornehmen
load("twitter-cred.rdata") # laden der Authorisierungsangaben
setup_twitter_oauth(credentials[1], credentials[2], credentials[3], credentials[4])

# Userliste von phpMyAdmin laden
# Mit Datenbank verbinden
v_db <- dbConnect(MySQL(), 
                  user="xxx", pass="xxx", host="localhost", dbname="twitter")
on.exit(dbDisconnect(v_db))


# Datensatz der Accounts von Datenbank laden
rs <- dbSendQuery(v_db, "SELECT * FROM  `accounts`")
accounts <- fetch(rs, n=-1)

userID <- accounts$twitterID # Liste von Twitter ID's erstellen, da Twitternames teilweise falsch/nicht vorhanden
userNames <- lookupUsers(userID) # Twitternames für ID's suchen

userDF <- twListToDF(userNames) # Liste in Dataframe umwandeln für zusätzliche Informationen

userDF <- subset(userDF, statusesCount>=1) # Subset der User, die mindestens einen Tweet abgesetzt haben
names(userDF)[names(userDF)=="id"] <- "twitterID"

# Datensätz "userDF" und "accounts" mergen by "twitterID"
users <- merge(accounts,userDF,by="twitterID")

# unnötige Spalten löschen
users <- users[,-c(2:9,26,27)]
users <- users[,-c(17)]
users <- users[,-c(5,19:21)]

# Spalten umordnen
users <- users[c(1,15,16,7,8,3,17,5,6,2,4,9,10,11,12,13,14)]
names(users)[names(users)=="screenName.y"] <- "screenName"

userNames <- users$name

write.csv(user, file = "users.csv", row.names = FALSE) # Resultate als CSV speichern

# Datensatz Tweets aus Datenbank laden
# Textcodierung anpassen
dbSendQuery(v_db, "set names utf8")
tw <- dbSendQuery(v_db, "SELECT * FROM  `tweets`")
tweets <- fetch(tw, n=-1)
Encoding(tweets$text) <- 'UTF-8'

# Nach Vorlagennummer -> Liste mit Stichwörtern/Hashtags bestimmen (s. Word-Dokument "Keywords)
keywords578 <- c("fabi", "eisenbahninfrastruktur", "infrastruktur", "faif")
keywords579 <- c("abtreibung", "abtreibungsinitiative", "abtreibungsfinanzierung", "avortement")
keywords580 <- c("mei", "masseneinwanderung", "pfz", "dichtestress", "svpinitiative", "masseneinwanderungsinitiative", "massenei", "immigrationdemasse", "immigration", "personenfreizügigkeit", "einwanderung", "zuwanderung", "massenzuwanderung", "abschottung")
keywords581 <- c("medgv", "hausarztmedizin", "grundversorgung", "médecine", "medecine")
keywords582 <- c("pädo14", "paedo14", "paedo", "pädo", "pädophilen", "pädophile", "pädophilie", "pädophileninitiative", "marcheblanche", "pädosexuell")
keywords583 <- c("milo14", "mindestlohn", "mli", "mindestlohninitiative", "salaireminimum", "smicch", "salaire", "mindestlöhne", "lohngerechtigkeit", "lohnungerechtigkeit", "lohnkampf")
keywords584 <- c("gripen", "gripenja", "gripennein", "kampfflugzeug", "militärflugzeug", "kampfjet", "kampfflieger", "luftwaffe")
keywords585 <- c("mwst14", "mwst", "tax14", "gastrosuisse", "tva14", "tva", "gastroinitiative", "gastro", "gastroch")
keywords586 <- c("einheitskasse", "einheitskrankenkasse", "ehk14", "oeffkk", "öffkk", "oefkk", "oekk", "ökk14", "oekk14", "kkch", "caissepublique", "caissech", "caisseunique")
keywords587 <- c("pauschalbesteuerung", "pauschalsteuer", "forfaitsfiscaux", "pauschalbesteuerungsinitiative")
keywords588 <- c("ecopop",  "ecopopja", "ecopopnein", "dichtestress", "ecopopnon", "ecopopoui")
keywords589 <- c("goldinitiative", "snb", "gold", "orbns", "or", "bns")
keywords590 <- c("familieninitiative", "cvpinitiative", "initiativefamille")
keywords591 <- c("viesm", "energieinitiative", "glpinitiative", "tecontretva", "tva")

#alle Keywords zusammenfassen
keywords1 <- c(keywords578,keywords579,keywords580,keywords581,keywords582,keywords583,keywords584,keywords585,keywords586,keywords587,keywords588,
               keywords589)
keywords2 <- c(keywords590,keywords591)

########################################################################################################
# Datensätze "tweets" und "users" mergen by "screenName"
data <- merge(users,tweets,by="screenName")

# Datum in R-Format für datetime umwandeln
data$tweetCreation <- as.POSIXct(data$tweetCreation, format='%Y-%m-%d %H:%M:%S') 

# Lower case der Tweets für die Analyse
data$text <- tolower(data$text)

#######################################################################################################
# Für Abstimmungen 590 und 591 eigener Datensatz mit letzten 300 Tweets der Akteure erstellen 

# Warnings in Errors umwandeln, damit diese von Loop aufgefangen werden
options(warn=2)

# Leerer Dataframe für Tweets
results <- data.frame()

# Loop, um die letzten 300 Tweets pro User herunterzuladen
for (user in userNames) { 
  
  # printe die Usernames um zu schauen, welche user schon abgefragt sind
  print(user)
  
  err <- try(userTimeline(user, n=300, includeRts=TRUE), silent = T) # Userabfrage testen wegen rate limit
  
  if (grepl("OAuth authentication error:", err[1])) {
    
    print(" \nUser is protected!")
    tweets1 <- list()
    
  } else if (grepl("Rate limit encountered", err[1])) {
    
    Sys.sleep(905) # Anzahl Sekunden warten, falls rate limit erreicht ist (Twitter: 15 times in 15 minutes)
    
    tweets1 <- try(userTimeline(user, n=300, includeRts=TRUE), silent = T) # Userabfrage nochmals testen, um versch. Errors aufzufangen
    
  } else {
    
    tweets1 <- err # Wenn class(err) == "try-error", dann ist err = tweets
    
  }
  
  # am Schluss alles zusammenfügen und in Dataframe "results" speichern
  if (length(tweets1) != 0) {
    tweets1 <- twListToDF(tweets1) # Liste in Dataframe umwandeln
    results <- rbind(results, tweets1) # Alles zusammenfuegen
  }
  
}

# Datensätze "results" und "users" mergen by "screenName"
data1 <- merge(users,results,by="screenName")

# Datum in R-Format für datetime umwandeln
data1$created <- as.POSIXct(data1$created, format='%Y-%m-%d %H:%M:%S') 

# Lower case der Tweets für die Analyse
tryTolower = function(x)
{
  # create missing value
  # this is where the returned value will be
  y = NA
  # tryCatch error
  try_error = tryCatch(tolower(x), error = function(e) e)
  # if not an error
  if (!inherits(try_error, "error"))
    y = tolower(x)
  return(y)
}

data1$text <- sapply(data1$text, function(x) tryTolower(x))

##########################################################################################################
# Analyse der Tweets mit Regular Expressions für Zuordnung zu Abstimmungsthemen
# Loop pro Wort (Abstimmungen 2014: 578 bis 589) für Analyse der Tweets 
for (word in keywords1) {
  print(paste0("Schaue @ Keyword ",word))
  col <- str_detect(data$text, paste0("(^|[[:blank:]]|#)(",word,"){1}($|[[:blank:]]|[[:punct:]])"))
  data <- cbind(data, col)
  data <- rename(data, c("col"= word)) # Pro Wort wird eine neue Spalte angehängt mit TRUE/FALSE
}

# Abstimmungen 590 und 591
for (word in keywords2) {
  print(paste0("Schaue @ Keyword ",word))
  col <- str_detect(data1$text, paste0("(^|[[:blank:]]|#)(",word,"){1}($|[[:blank:]]|[[:punct:]])"))
  data1 <- cbind(data1, col)
  data1 <- rename(data1, c("col"= word)) # Pro Wort wird eine neue Spalte angehängt mit TRUE/FALSE
}
#####################################################################################################################################
# Vektoren generiern für Tweets nach Tagen VOR Abstimmung (6 Wochen = 42 Tage)
vector_februar14 <- c("2013-12-29","2013-12-30","2013-12-31","2014-01-01","2014-01-02","2014-01-03","2014-01-04","2014-01-05",
                      "2014-01-06","2014-01-07","2014-01-08","2014-01-09","2014-01-10","2014-01-11","2014-01-12","2014-01-13",
                      "2014-01-14","2014-01-15","2014-01-16","2014-01-17","2014-01-18","2014-01-19","2014-01-20","2014-01-21",
                      "2014-01-22","2014-01-23","2014-01-24","2014-01-25","2014-01-26","2014-01-27","2014-01-28","2014-01-29",
                      "2014-01-30","2014-01-31","2014-02-01","2014-02-02","2014-02-03","2014-02-04","2014-02-05","2014-02-06",
                      "2014-02-07","2014-02-08")

vector_mai14 <- c("2014-04-06", "2014-04-07","2014-04-08","2014-04-09","2014-04-10","2014-04-11","2014-04-12","2014-04-13",
                  "2014-04-14", "2014-04-15","2014-04-16","2014-04-17","2014-04-18","2014-04-19","2014-04-20","2014-04-21",
                  "2014-04-22", "2014-04-23","2014-04-24","2014-04-25","2014-04-26","2014-04-27","2014-04-28","2014-04-29",
                  "2014-04-30", "2014-05-01","2014-05-02","2014-05-03","2014-05-04","2014-05-05","2014-05-06","2014-05-07",
                  "2014-05-08", "2014-05-09","2014-05-10","2014-05-11","2014-05-12","2014-05-13","2014-05-14","2014-05-15",
                  "2014-05-16","2014-05-17")

vector_september14 <- c("2014-08-17", "2014-08-18","2014-08-19","2014-08-20","2014-08-21","2014-08-22","2014-08-23","2014-08-24",
                        "2014-08-25", "2014-08-26","2014-08-27","2014-08-28","2014-08-29","2014-08-30","2014-08-31","2014-09-01",
                        "2014-09-02", "2014-09-03","2014-09-04","2014-09-05","2014-09-06","2014-09-07","2014-09-08","2014-09-09",
                        "2014-09-10", "2014-09-11","2014-09-12","2014-09-13","2014-09-14","2014-09-15","2014-09-16","2014-09-17",
                        "2014-09-18", "2014-09-19","2014-09-20","2014-09-21","2014-09-22","2014-09-23","2014-09-24","2014-09-25",
                        "2014-09-26", "2014-09-27")

vector_november14 <- c("2014-10-19", "2014-10-20","2014-10-21","2014-10-22","2014-10-23","2014-10-24","2014-10-25","2014-10-26",
                       "2014-10-27", "2014-10-28","2014-10-29","2014-10-30","2014-10-31","2014-11-01","2014-11-02","2014-11-03",
                       "2014-11-04", "2014-11-05","2014-11-06","2014-11-07","2014-11-08","2014-11-09","2014-11-10","2014-11-11",
                       "2014-11-12", "2014-11-13","2014-11-14","2014-11-15","2014-11-16","2014-11-17","2014-11-18","2014-11-19",
                       "2014-11-20", "2014-11-21","2014-11-22","2014-11-23","2014-11-24","2014-11-25","2014-11-26","2014-11-27",
                       "2014-11-28", "2014-11-29")

vector_märz15 <- c("2015-01-25", "2015-01-26","2015-01-27","2015-01-28","2015-01-29","2015-01-30","2015-01-31","2015-02-01",
                   "2015-02-02", "2015-02-03","2015-02-04","2015-02-05","2015-02-06","2015-02-07","2015-02-08","2015-02-09",
                   "2015-02-10", "2015-02-11","2015-02-12","2015-02-13","2015-02-14","2015-02-15","2015-02-16","2015-02-17",
                   "2015-02-18", "2015-02-19","2015-02-20","2015-02-21","2015-02-22","2015-02-23","2015-02-24","2015-02-25",
                   "2015-02-26", "2015-02-27","2015-02-28","2015-03-01","2015-03-02","2015-03-03","2015-03-04","2015-03-05",
                   "2015-03-06", "2015-03-07")

########################## VORLAGE 578 ################################################################################
# Tabelle umformen und aggregieren der Anzahl Nennungen pro Hashtag pro Tag
vorlage578 <- data[,c("tweetCreation", "party", "fabi", "infrastruktur", "eisenbahninfrastruktur", "faif")]
for (word in keywords578) {vorlage578[[word]] <- vorlage578[[word]]*1 } # TRUE/FALSE mit 1/O ersetzen

# TweetCreation in Datum ohne Zeitangabe umwandeln, Subset aus Tweets die in Vor-Abstimmungszeit fallen
vorlage578$tweetCreation <- as.Date(vorlage578$tweetCreation, format='%Y-%m-%d')
vorlage578 <- subset(vorlage578, tweetCreation >= as.Date("2013-12-29") & tweetCreation < as.Date("2014-02-09"))

# Summe der Tweets nach Parteien
sum578 <- aggregate(cbind(fabi, eisenbahninfrastruktur, infrastruktur, faif) ~ party, vorlage578, FUN = sum)
for(i in 1:length(sum578[,1])){
  sum578$sum[i] = sum(sum578[i,2:(1+length(keywords578))])
}
# Anteile Tweets an Gesamtvolumen 
sum578$Anteile <- sum578$sum / sum(sum578$sum) * 100

# Summe der Tweets nach Tagen vor der Abstimmung (gesamt)
tage578 <- aggregate(cbind(fabi, eisenbahninfrastruktur, infrastruktur, faif) ~ tweetCreation, vorlage578, FUN = sum)
for(i in 1:length(tage578[,1])){
  tage578$sum[i] = sum(tage578[i,2:(1+length(keywords578))])
}

# Vorbereitung leerer Dataframe für Resultate (Anteile)
party.anteile.578 = data.frame(cbind(vector_februar14,rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42)))
colnames(party.anteile.578) = c("Tag",unique(accounts$party))

# Loop zum Füllen des Dataframes mit Anteilen pro Tag nach Partei
for(i in 1:length(vector_februar14)){
  temp <- subset(vorlage578, tweetCreation == vector_februar14[i]) 
  temp <- aggregate(cbind(fabi, eisenbahninfrastruktur, infrastruktur, faif) ~ party, temp, FUN = sum)
  for(j in 1:length(temp[,1])){
    temp$sum[j] = sum(temp[j,2:(1+length(keywords578))])
  }
  temp$Anteile <- temp$sum / sum(temp$sum) * 100
  
  party.anteile.578$SVP[i] = temp[10,7]
  party.anteile.578$SPS[i] = temp[9,7]
  party.anteile.578$CVP[i] = temp[2,7]
  party.anteile.578$FDP[i] = temp[4,7]
  party.anteile.578$RL[i] = temp[7,7]
  party.anteile.578$RR[i] = temp[8,7]
  party.anteile.578$GLP[i] = temp[5,7]
  party.anteile.578$GPS[i] = temp[6,7]
  party.anteile.578$BDP[i] = temp[1,7]
  party.anteile.578$EVP[i] = temp[3,7]
}

#######################################################################################################################
########################## VORLAGE 579 ################################################################################

# Tabelle umformen und aggregieren der Anzahl Nennungen pro Hashtag pro Tag
vorlage579 <- data[,c("tweetCreation", "party", "abtreibung", "abtreibungsinitiative", "abtreibungsfinanzierung", "avortement")]
for (word in keywords579) {vorlage579[[word]] <- vorlage579[[word]]*1 } # TRUE/FALSE mit 1/O ersetzen

# TweetCreation in Datum ohne Zeitangabe umwandeln, Subset aus Tweets die in Vor-Abstimmungszeit fallen
vorlage579$tweetCreation <- as.Date(vorlage579$tweetCreation, format='%Y-%m-%d')
vorlage579 <- subset(vorlage579, tweetCreation >= as.Date("2013-12-29") & tweetCreation < as.Date("2014-02-09"))

# Summe der Tweets nach Parteien
sum579 <- aggregate(cbind(abtreibung, abtreibungsinitiative, abtreibungsfinanzierung, avortement) ~ party, vorlage579, FUN = sum)
for(i in 1:length(sum579[,1])){
  sum579$sum[i] = sum(sum579[i,2:(1+length(keywords579))])
}
# Anteile Tweets an Gesamtvolumen 
sum579$Anteile <- sum579$sum / sum(sum579$sum) * 100

# Summe der Tweets nach Tagen vor der Abstimmung (gesamt)
tage579 <- aggregate(cbind(abtreibung, abtreibungsinitiative, abtreibungsfinanzierung, avortement) ~ tweetCreation, vorlage579, FUN = sum)
for(i in 1:length(tage579[,1])){
  tage579$sum[i] = sum(tage579[i,2:(1+length(keywords579))])
}

# Vorbereitung leerer Dataframe für Resultate (Anteile)
party.anteile.579 = data.frame(cbind(vector_februar14,rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42)))
colnames(party.anteile.579) = c("Tag",unique(accounts$party))

# Loop zum Füllen des Dataframes mit Anteilen pro Tag nach Partei
for(i in 1:length(vector_februar14)){
  temp <- subset(vorlage579, tweetCreation == vector_februar14[i]) 
  temp <- aggregate(cbind(abtreibung, abtreibungsinitiative, abtreibungsfinanzierung, avortement) ~ party, temp, FUN = sum)
  for(j in 1:length(temp[,1])){
    temp$sum[j] = sum(temp[j,2:(1+length(keywords579))])
  }
  temp$Anteile <- temp$sum / sum(temp$sum) * 100
  
  party.anteile.579$SVP[i] = temp[10,7]
  party.anteile.579$SPS[i] = temp[9,7]
  party.anteile.579$CVP[i] = temp[2,7]
  party.anteile.579$FDP[i] = temp[4,7]
  party.anteile.579$RL[i] = temp[7,7]
  party.anteile.579$RR[i] = temp[8,7]
  party.anteile.579$GLP[i] = temp[5,7]
  party.anteile.579$GPS[i] = temp[6,7]
  party.anteile.579$BDP[i] = temp[1,7]
  party.anteile.579$EVP[i] = temp[3,7]
}

#######################################################################################################################
########################## VORLAGE 580 ################################################################################

# Tabelle umformen und aggregieren der Anzahl Nennungen pro Hashtag pro Tag
vorlage580 <- data[,c("tweetCreation", "party", "mei", "masseneinwanderung", "pfz", "dichtestress", "svpinitiative", "masseneinwanderungsinitiative", "massenei", "immigrationdemasse", "immigration", "personenfreizügigkeit", "einwanderung", "zuwanderung", "massenzuwanderung", "abschottung")]
for (word in keywords580) {vorlage580[[word]] <- vorlage580[[word]]*1 } # TRUE/FALSE mit 1/O ersetzen

# TweetCreation in Datum ohne Zeitangabe umwandeln, Subset aus Tweets die in Vor-Abstimmungszeit fallen
vorlage580$tweetCreation <- as.Date(vorlage580$tweetCreation, format='%Y-%m-%d')
vorlage580 <- subset(vorlage580, tweetCreation >= as.Date("2013-12-29") & tweetCreation < as.Date("2014-02-09"))

# Summe der Tweets nach Parteien
sum580 <- aggregate(cbind(mei, masseneinwanderung, pfz, dichtestress, svpinitiative, masseneinwanderungsinitiative, massenei, immigrationdemasse, immigration, personenfreizügigkeit, einwanderung, zuwanderung, massenzuwanderung, abschottung) ~ party, vorlage580, FUN = sum)
for(i in 1:length(sum580[,1])){
  sum580$sum[i] = sum(sum580[i,2:(1+length(keywords580))])
}
# Anteile Tweets an Gesamtvolumen 
sum580$Anteile <- sum580$sum / sum(sum580$sum) * 100

# Summe der Tweets nach Tagen vor der Abstimmung (gesamt)
tage580 <- aggregate(cbind(mei, masseneinwanderung, pfz, dichtestress, svpinitiative, masseneinwanderungsinitiative, massenei, immigrationdemasse, immigration, personenfreizügigkeit, einwanderung, zuwanderung, massenzuwanderung, abschottung) ~ tweetCreation, vorlage580, FUN = sum)
for(i in 1:length(tage580[,1])){
  tage580$sum[i] = sum(tage580[i,2:(1+length(keywords580))])
}

# Vorbereitung leerer Dataframe für Resultate (Anteile)
party.anteile.580 = data.frame(cbind(vector_februar14,rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42)))
colnames(party.anteile.580) = c("Tag",unique(accounts$party))

# Loop zum Füllen des Dataframes mit Anteilen pro Tag nach Partei
for(i in 1:length(vector_februar14)){
  temp <- subset(vorlage580, tweetCreation == vector_februar14[i]) 
  temp <- aggregate(cbind(mei, masseneinwanderung, pfz, dichtestress, svpinitiative, masseneinwanderungsinitiative, massenei, immigrationdemasse, immigration, personenfreizügigkeit, einwanderung, zuwanderung, massenzuwanderung, abschottung) ~ party, temp, FUN = sum)
  for(j in 1:length(temp[,1])){
    temp$sum[j] = sum(temp[j,2:(1+length(keywords580))])
  }
  temp$Anteile <- temp$sum / sum(temp$sum) * 100
  
  party.anteile.580$SVP[i] = temp[10,17]
  party.anteile.580$SPS[i] = temp[9,17]
  party.anteile.580$CVP[i] = temp[2,17]
  party.anteile.580$FDP[i] = temp[4,17]
  party.anteile.580$RL[i] = temp[7,17]
  party.anteile.580$RR[i] = temp[8,17]
  party.anteile.580$GLP[i] = temp[5,17]
  party.anteile.580$GPS[i] = temp[6,17]
  party.anteile.580$BDP[i] = temp[1,17]
  party.anteile.580$EVP[i] = temp[3,17]
}

#######################################################################################################################
########################## VORLAGE 581 ################################################################################

# Tabelle umformen und aggregieren der Anzahl Nennungen pro Hashtag pro Tag
vorlage581 <- data[,c("tweetCreation", "party", "medgv", "hausarztmedizin", "grundversorgung", "médecine", "medecine")]
for (word in keywords581) {vorlage581[[word]] <- vorlage581[[word]]*1 } # TRUE/FALSE mit 1/O ersetzen

# TweetCreation in Datum ohne Zeitangabe umwandeln, Subset aus Tweets die in Vor-Abstimmungszeit fallen
vorlage581$tweetCreation <- as.Date(vorlage581$tweetCreation, format='%Y-%m-%d')
vorlage581 <- subset(vorlage581, tweetCreation >= as.Date("2014-04-06") & tweetCreation < as.Date("2014-05-18"))

# Summe der Tweets nach Parteien
sum581 <- aggregate(cbind(medgv, hausarztmedizin, grundversorgung, médecine, medecine) ~ party, vorlage581, FUN = sum)
for(i in 1:length(sum581[,1])){
  sum581$sum[i] = sum(sum581[i,2:(1+length(keywords581))])
}
# Anteile Tweets an Gesamtvolumen 
sum581$Anteile <- sum581$sum / sum(sum581$sum) * 100

# Summe der Tweets nach Tagen vor der Abstimmung (gesamt)
tage581 <- aggregate(cbind(medgv, hausarztmedizin, grundversorgung, médecine, medecine) ~ tweetCreation, vorlage581, FUN = sum)
for(i in 1:length(tage581[,1])){
  tage581$sum[i] = sum(tage581[i,2:(1+length(keywords581))])
}

# Vorbereitung leerer Dataframe für Resultate (Anteile)
party.anteile.581 = data.frame(cbind(vector_mai14,rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42)))
colnames(party.anteile.581) = c("Tag",unique(accounts$party))

# Loop zum Füllen des Dataframes mit Anteilen pro Tag nach Partei
for(i in 1:length(vector_mai14)){
  temp <- subset(vorlage581, tweetCreation == vector_mai14[i]) 
  temp <- aggregate(cbind(medgv, hausarztmedizin, grundversorgung, médecine, medecine) ~ party, temp, FUN = sum)
  for(j in 1:length(temp[,1])){
    temp$sum[j] = sum(temp[j,2:(1+length(keywords581))])
  }
  temp$Anteile <- temp$sum / sum(temp$sum) * 100
  
  party.anteile.581$SVP[i] = temp[10,8]
  party.anteile.581$SPS[i] = temp[9,8]
  party.anteile.581$CVP[i] = temp[2,8]
  party.anteile.581$FDP[i] = temp[4,8]
  party.anteile.581$RL[i] = temp[7,8]
  party.anteile.581$RR[i] = temp[8,8]
  party.anteile.581$GLP[i] = temp[5,8]
  party.anteile.581$GPS[i] = temp[6,8]
  party.anteile.581$BDP[i] = temp[1,8]
  party.anteile.581$EVP[i] = temp[3,8]
}

#######################################################################################################################
########################## VORLAGE 582 ################################################################################

# Tabelle umformen und aggregieren der Anzahl Nennungen pro Hashtag pro Tag
vorlage582 <- data[,c("tweetCreation", "party", "pädo14", "paedo14", "paedo", "pädo", "pädophilen", "pädophile", "pädophilie", "pädophileninitiative", "marcheblanche", "pädosexuell")]
for (word in keywords582) {vorlage582[[word]] <- vorlage582[[word]]*1 } # TRUE/FALSE mit 1/O ersetzen

# TweetCreation in Datum ohne Zeitangabe umwandeln, Subset aus Tweets die in Vor-Abstimmungszeit fallen
vorlage582$tweetCreation <- as.Date(vorlage582$tweetCreation, format='%Y-%m-%d')
vorlage582 <- subset(vorlage582, tweetCreation >= as.Date("2014-04-06") & tweetCreation < as.Date("2014-05-18"))

# Summe der Tweets nach Parteien
sum582 <- aggregate(cbind(pädo14, paedo14, paedo, pädo, pädophilen, pädophile, pädophilie, pädophileninitiative, marcheblanche, pädosexuell) ~ party, vorlage582, FUN = sum)
for(i in 1:length(sum582[,1])){
  sum582$sum[i] = sum(sum582[i,2:(1+length(keywords582))])
}
# Anteile Tweets an Gesamtvolumen 
sum582$Anteile <- sum582$sum / sum(sum582$sum) * 100

# Summe der Tweets nach Tagen vor der Abstimmung (gesamt)
tage582 <- aggregate(cbind(pädo14, paedo14, paedo, pädo, pädophilen, pädophile, pädophilie, pädophileninitiative, marcheblanche, pädosexuell) ~ tweetCreation, vorlage582, FUN = sum)
for(i in 1:length(tage582[,1])){
  tage582$sum[i] = sum(tage582[i,2:(1+length(keywords582))])
}

# Vorbereitung leerer Dataframe für Resultate (Anteile)
party.anteile.582 = data.frame(cbind(vector_mai14,rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42)))
colnames(party.anteile.582) = c("Tag",unique(accounts$party))

# Loop zum Füllen des Dataframes mit Anteilen pro Tag nach Partei
for(i in 1:length(vector_mai14)){
  temp <- subset(vorlage582, tweetCreation == vector_mai14[i]) 
  temp <- aggregate(cbind(pädo14, paedo14, paedo, pädo, pädophilen, pädophile, pädophilie, pädophileninitiative, marcheblanche, pädosexuell) ~ party, temp, FUN = sum)
  for(j in 1:length(temp[,1])){
    temp$sum[j] = sum(temp[j,2:(1+length(keywords582))])
  }
  temp$Anteile <- temp$sum / sum(temp$sum) * 100
  
  party.anteile.582$SVP[i] = temp[10,13]
  party.anteile.582$SPS[i] = temp[9,13]
  party.anteile.582$CVP[i] = temp[2,13]
  party.anteile.582$FDP[i] = temp[4,13]
  party.anteile.582$RL[i] = temp[7,13]
  party.anteile.582$RR[i] = temp[8,13]
  party.anteile.582$GLP[i] = temp[5,13]
  party.anteile.582$GPS[i] = temp[6,13]
  party.anteile.582$BDP[i] = temp[1,13]
  party.anteile.582$EVP[i] = temp[3,13]
}

#######################################################################################################################
########################## VORLAGE 583 ################################################################################

# Tabelle umformen und aggregieren der Anzahl Nennungen pro Hashtag pro Tag
vorlage583 <- data[,c("tweetCreation", "party", "milo14", "mindestlohn", "mli", "mindestlohninitiative", "salaireminimum", "smicch", "salaire", "mindestlöhne", "lohngerechtigkeit", "lohnungerechtigkeit", "lohnkampf")]
for (word in keywords583) {vorlage583[[word]] <- vorlage583[[word]]*1 } # TRUE/FALSE mit 1/O ersetzen

# TweetCreation in Datum ohne Zeitangabe umwandeln, Subset aus Tweets die in Vor-Abstimmungszeit fallen
vorlage583$tweetCreation <- as.Date(vorlage583$tweetCreation, format='%Y-%m-%d')
vorlage583 <- subset(vorlage583, tweetCreation >= as.Date("2014-04-06") & tweetCreation < as.Date("2014-05-18"))

# Summe der Tweets nach Parteien
sum583 <- aggregate(cbind(milo14, mindestlohn, mli, mindestlohninitiative, salaireminimum, smicch, salaire, mindestlöhne, lohngerechtigkeit, lohnungerechtigkeit, lohnkampf) ~ party, vorlage583, FUN = sum)
for(i in 1:length(sum583[,1])){
  sum583$sum[i] = sum(sum583[i,2:(1+length(keywords583))])
}
# Anteile Tweets an Gesamtvolumen 
sum583$Anteile <- sum583$sum / sum(sum583$sum) * 100

# Summe der Tweets nach Tagen vor der Abstimmung (gesamt)
tage583 <- aggregate(cbind(milo14, mindestlohn, mli, mindestlohninitiative, salaireminimum, smicch, salaire, mindestlöhne, lohngerechtigkeit, lohnungerechtigkeit, lohnkampf) ~ tweetCreation, vorlage583, FUN = sum)
for(i in 1:length(tage583[,1])){
  tage583$sum[i] = sum(tage583[i,2:(1+length(keywords583))])
}

# Vorbereitung leerer Dataframe für Resultate (Anteile)
party.anteile.583 = data.frame(cbind(vector_mai14,rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42)))
colnames(party.anteile.583) = c("Tag",unique(accounts$party))

# Loop zum Füllen des Dataframes mit Anteilen pro Tag nach Partei
for(i in 1:length(vector_mai14)){
  temp <- subset(vorlage583, tweetCreation == vector_mai14[i]) 
  temp <- aggregate(cbind(milo14, mindestlohn, mli, mindestlohninitiative, salaireminimum, smicch, salaire, mindestlöhne, lohngerechtigkeit, lohnungerechtigkeit, lohnkampf) ~ party, temp, FUN = sum)
  for(j in 1:length(temp[,1])){
    temp$sum[j] = sum(temp[j,2:(1+length(keywords583))])
  }
  temp$Anteile <- temp$sum / sum(temp$sum) * 100
  
  party.anteile.583$SVP[i] = temp[10,14]
  party.anteile.583$SPS[i] = temp[9,14]
  party.anteile.583$CVP[i] = temp[2,14]
  party.anteile.583$FDP[i] = temp[4,14]
  party.anteile.583$RL[i] = temp[7,14]
  party.anteile.583$RR[i] = temp[8,14]
  party.anteile.583$GLP[i] = temp[5,14]
  party.anteile.583$GPS[i] = temp[6,14]
  party.anteile.583$BDP[i] = temp[1,14]
  party.anteile.583$EVP[i] = temp[3,14]
}

#######################################################################################################################
########################## VORLAGE 584 ################################################################################

# Tabelle umformen und aggregieren der Anzahl Nennungen pro Hashtag pro Tag
vorlage584 <- data[,c("tweetCreation", "party", "gripen", "gripenja", "gripennein", "kampfflugzeug", "militärflugzeug", "kampfjet", "kampfflieger", "luftwaffe")]
for (word in keywords584) {vorlage584[[word]] <- vorlage584[[word]]*1 } # TRUE/FALSE mit 1/O ersetzen

# TweetCreation in Datum ohne Zeitangabe umwandeln, Subset aus Tweets die in Vor-Abstimmungszeit fallen
vorlage584$tweetCreation <- as.Date(vorlage584$tweetCreation, format='%Y-%m-%d')
vorlage584 <- subset(vorlage584, tweetCreation >= as.Date("2014-04-06") & tweetCreation < as.Date("2014-05-18"))

# Summe der Tweets nach Parteien
sum584 <- aggregate(cbind(gripen, gripenja, gripennein, kampfflugzeug, militärflugzeug, kampfjet, kampfflieger, luftwaffe) ~ party, vorlage584, FUN = sum)
for(i in 1:length(sum584[,1])){
  sum584$sum[i] = sum(sum584[i,2:(1+length(keywords584))])
}
# Anteile Tweets an Gesamtvolumen 
sum584$Anteile <- sum584$sum / sum(sum584$sum) * 100

# Summe der Tweets nach Tagen vor der Abstimmung (gesamt)
tage584 <- aggregate(cbind(gripen, gripenja, gripennein, kampfflugzeug, militärflugzeug, kampfjet, kampfflieger, luftwaffe) ~ tweetCreation, vorlage584, FUN = sum)
for(i in 1:length(tage584[,1])){
  tage584$sum[i] = sum(tage584[i,2:(1+length(keywords584))])
}

# Vorbereitung leerer Dataframe für Resultate (Anteile)
party.anteile.584 = data.frame(cbind(vector_mai14,rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42)))
colnames(party.anteile.584) = c("Tag",unique(accounts$party))

# Loop zum Füllen des Dataframes mit Anteilen pro Tag nach Partei
for(i in 1:length(vector_mai14)){
  temp <- subset(vorlage584, tweetCreation == vector_mai14[i]) 
  temp <- aggregate(cbind(gripen, gripenja, gripennein, kampfflugzeug, militärflugzeug, kampfjet, kampfflieger, luftwaffe) ~ party, temp, FUN = sum)
  for(j in 1:length(temp[,1])){
    temp$sum[j] = sum(temp[j,2:(1+length(keywords584))])
  }
  temp$Anteile <- temp$sum / sum(temp$sum) * 100
  
  party.anteile.584$SVP[i] = temp[10,11]
  party.anteile.584$SPS[i] = temp[9,11]
  party.anteile.584$CVP[i] = temp[2,11]
  party.anteile.584$FDP[i] = temp[4,11]
  party.anteile.584$RL[i] = temp[7,11]
  party.anteile.584$RR[i] = temp[8,11]
  party.anteile.584$GLP[i] = temp[5,11]
  party.anteile.584$GPS[i] = temp[6,11]
  party.anteile.584$BDP[i] = temp[1,11]
  party.anteile.584$EVP[i] = temp[3,11]
}
#######################################################################################################################
########################## VORLAGE 585 ################################################################################

# Tabelle umformen und aggregieren der Anzahl Nennungen pro Hashtag pro Tag
vorlage585 <- data[,c("tweetCreation", "party", "mwst14", "mwst", "tax14", "gastrosuisse", "tva14", "tva", "gastroinitiative", "gastro", "gastroch")]
for (word in keywords585) {vorlage585[[word]] <- vorlage585[[word]]*1 } # TRUE/FALSE mit 1/O ersetzen

# TweetCreation in Datum ohne Zeitangabe umwandeln, Subset aus Tweets die in Vor-Abstimmungszeit fallen
vorlage585$tweetCreation <- as.Date(vorlage585$tweetCreation, format='%Y-%m-%d')
vorlage585 <- subset(vorlage585, tweetCreation >= as.Date("2014-08-17") & tweetCreation < as.Date("2014-09-28"))

# Summe der Tweets nach Parteien
sum585 <- aggregate(cbind(mwst14, mwst, tax14, gastrosuisse, tva14, tva, gastroinitiative, gastro, gastroch) ~ party, vorlage585, FUN = sum)
for(i in 1:length(sum585[,1])){
  sum585$sum[i] = sum(sum585[i,2:(1+length(keywords585))])
}
# Anteile Tweets an Gesamtvolumen 
sum585$Anteile <- sum585$sum / sum(sum585$sum) * 100

# Summe der Tweets nach Tagen vor der Abstimmung (gesamt)
tage585 <- aggregate(cbind(mwst14, mwst, tax14, gastrosuisse, tva14, tva, gastroinitiative, gastro, gastroch) ~ tweetCreation, vorlage585, FUN = sum)
for(i in 1:length(tage585[,1])){
  tage585$sum[i] = sum(tage585[i,2:(1+length(keywords585))])
}

# Vorbereitung leerer Dataframe für Resultate (Anteile)
party.anteile.585 = data.frame(cbind(vector_september14,rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42)))
colnames(party.anteile.585) = c("Tag",unique(accounts$party))

# Loop zum Füllen des Dataframes mit Anteilen pro Tag nach Partei
for(i in 1:length(vector_september14)){
  temp <- subset(vorlage585, tweetCreation == vector_september14[i]) 
  temp <- aggregate(cbind(mwst14, mwst, tax14, gastrosuisse, tva14, tva, gastroinitiative, gastro, gastroch) ~ party, temp, FUN = sum)
  for(j in 1:length(temp[,1])){
    temp$sum[j] = sum(temp[j,2:(1+length(keywords585))])
  }
  temp$Anteile <- temp$sum / sum(temp$sum) * 100
  
  party.anteile.585$SVP[i] = temp[10,12]
  party.anteile.585$SPS[i] = temp[9,12]
  party.anteile.585$CVP[i] = temp[2,12]
  party.anteile.585$FDP[i] = temp[4,12]
  party.anteile.585$RL[i] = temp[7,12]
  party.anteile.585$RR[i] = temp[8,12]
  party.anteile.585$GLP[i] = temp[5,12]
  party.anteile.585$GPS[i] = temp[6,12]
  party.anteile.585$BDP[i] = temp[1,12]
  party.anteile.585$EVP[i] = temp[3,12]
}

#######################################################################################################################
########################## VORLAGE 586 ################################################################################

# Tabelle umformen und aggregieren der Anzahl Nennungen pro Hashtag pro Tag
vorlage586 <- data[,c("tweetCreation", "party", "einheitskasse", "einheitskrankenkasse", "ehk14", "oeffkk", "öffkk", "oefkk", "oekk", "ökk14", "oekk14", "kkch", "caissepublique", "caissech", "caisseunique")]
for (word in keywords586) {vorlage586[[word]] <- vorlage586[[word]]*1 } # TRUE/FALSE mit 1/O ersetzen

# TweetCreation in Datum ohne Zeitangabe umwandeln, Subset aus Tweets die in Vor-Abstimmungszeit fallen
vorlage586$tweetCreation <- as.Date(vorlage586$tweetCreation, format='%Y-%m-%d')
vorlage586 <- subset(vorlage586, tweetCreation >= as.Date("2014-08-17") & tweetCreation < as.Date("2014-09-28"))

# Summe der Tweets nach Parteien
sum586 <- aggregate(cbind(einheitskasse, einheitskrankenkasse, ehk14, oeffkk, öffkk, oefkk, oekk, ökk14, oekk14, kkch, caissepublique, caissech, caisseunique) ~ party, vorlage586, FUN = sum)
for(i in 1:length(sum586[,1])){
  sum586$sum[i] = sum(sum586[i,2:(1+length(keywords586))])
}
# Anteile Tweets an Gesamtvolumen 
sum586$Anteile <- sum586$sum / sum(sum586$sum) * 100

# Summe der Tweets nach Tagen vor der Abstimmung (gesamt)
tage586 <- aggregate(cbind(einheitskasse, einheitskrankenkasse, ehk14, oeffkk, öffkk, oefkk, oekk, ökk14, oekk14, kkch, caissepublique, caissech, caisseunique) ~ tweetCreation, vorlage586, FUN = sum)
for(i in 1:length(tage586[,1])){
  tage586$sum[i] = sum(tage586[i,2:(1+length(keywords586))])
}

# Vorbereitung leerer Dataframe für Resultate (Anteile)
party.anteile.586 = data.frame(cbind(vector_september14,rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42)))
colnames(party.anteile.586) = c("Tag",unique(accounts$party))

# Loop zum Füllen des Dataframes mit Anteilen pro Tag nach Partei
for(i in 1:length(vector_september14)){
  temp <- subset(vorlage586, tweetCreation == vector_september14[i]) 
  temp <- aggregate(cbind(einheitskasse, einheitskrankenkasse, ehk14, oeffkk, öffkk, oefkk, oekk, ökk14, oekk14, kkch, caissepublique, caissech, caisseunique) ~ party, temp, FUN = sum)
  for(j in 1:length(temp[,1])){
    temp$sum[j] = sum(temp[j,2:(1+length(keywords586))])
  }
  temp$Anteile <- temp$sum / sum(temp$sum) * 100
  
  party.anteile.586$SVP[i] = temp[10,16]
  party.anteile.586$SPS[i] = temp[9,16]
  party.anteile.586$CVP[i] = temp[2,16]
  party.anteile.586$FDP[i] = temp[4,16]
  party.anteile.586$RL[i] = temp[7,16]
  party.anteile.586$RR[i] = temp[8,16]
  party.anteile.586$GLP[i] = temp[5,16]
  party.anteile.586$GPS[i] = temp[6,16]
  party.anteile.586$BDP[i] = temp[1,16]
  party.anteile.586$EVP[i] = temp[3,16]
}

#######################################################################################################################
########################## VORLAGE 587 ################################################################################

# Tabelle umformen und aggregieren der Anzahl Nennungen pro Hashtag pro Tag
vorlage587 <- data[,c("tweetCreation", "party", "pauschalbesteuerung", "pauschalsteuer", "forfaitsfiscaux", "pauschalbesteuerungsinitiative")]
for (word in keywords587) {vorlage587[[word]] <- vorlage587[[word]]*1 } # TRUE/FALSE mit 1/O ersetzen

# TweetCreation in Datum ohne Zeitangabe umwandeln, Subset aus Tweets die in Vor-Abstimmungszeit fallen
vorlage587$tweetCreation <- as.Date(vorlage587$tweetCreation, format='%Y-%m-%d')
vorlage587 <- subset(vorlage587, tweetCreation >= as.Date("2014-10-19") & tweetCreation < as.Date("2014-11-30"))

# Summe der Tweets nach Parteien
sum587 <- aggregate(cbind(pauschalbesteuerung, pauschalsteuer, forfaitsfiscaux, pauschalbesteuerungsinitiative) ~ party, vorlage587, FUN = sum)
for(i in 1:length(sum587[,1])){
  sum587$sum[i] = sum(sum587[i,2:(1+length(keywords587))])
}
# Anteile Tweets an Gesamtvolumen 
sum587$Anteile <- sum587$sum / sum(sum587$sum) * 100

# Summe der Tweets nach Tagen vor der Abstimmung (gesamt)
tage587 <- aggregate(cbind(pauschalbesteuerung, pauschalsteuer, forfaitsfiscaux, pauschalbesteuerungsinitiative) ~ tweetCreation, vorlage587, FUN = sum)
for(i in 1:length(tage587[,1])){
  tage587$sum[i] = sum(tage587[i,2:(1+length(keywords587))])
}

# Vorbereitung leerer Dataframe für Resultate (Anteile)
party.anteile.587 = data.frame(cbind(vector_november14,rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42)))
colnames(party.anteile.587) = c("Tag",unique(accounts$party))

# Loop zum Füllen des Dataframes mit Anteilen pro Tag nach Partei
for(i in 1:length(vector_november14)){
  temp <- subset(vorlage587, tweetCreation == vector_november14[i]) 
  temp <- aggregate(cbind(pauschalbesteuerung, pauschalsteuer, forfaitsfiscaux, pauschalbesteuerungsinitiative) ~ party, temp, FUN = sum)
  for(j in 1:length(temp[,1])){
    temp$sum[j] = sum(temp[j,2:(1+length(keywords587))])
  }
  temp$Anteile <- temp$sum / sum(temp$sum) * 100
  
  party.anteile.587$SVP[i] = temp[10,7]
  party.anteile.587$SPS[i] = temp[9,7]
  party.anteile.587$CVP[i] = temp[2,7]
  party.anteile.587$FDP[i] = temp[4,7]
  party.anteile.587$RL[i] = temp[7,7]
  party.anteile.587$RR[i] = temp[8,7]
  party.anteile.587$GLP[i] = temp[5,7]
  party.anteile.587$GPS[i] = temp[6,7]
  party.anteile.587$BDP[i] = temp[1,7]
  party.anteile.587$EVP[i] = temp[3,7]
}

#######################################################################################################################
########################## VORLAGE 588 ################################################################################

# Tabelle umformen und aggregieren der Anzahl Nennungen pro Hashtag pro Tag
vorlage588 <- data[,c("tweetCreation", "party", "ecopop",  "ecopopja", "ecopopnein", "dichtestress", "ecopopnon", "ecopopoui")]
for (word in keywords588) {vorlage588[[word]] <- vorlage588[[word]]*1 } # TRUE/FALSE mit 1/O ersetzen

# TweetCreation in Datum ohne Zeitangabe umwandeln, Subset aus Tweets die in Vor-Abstimmungszeit fallen
vorlage588$tweetCreation <- as.Date(vorlage588$tweetCreation, format='%Y-%m-%d')
vorlage588 <- subset(vorlage588, tweetCreation >= as.Date("2014-10-19") & tweetCreation < as.Date("2014-11-30"))

# Summe der Tweets nach Parteien
sum588 <- aggregate(cbind(ecopop,  ecopopja, ecopopnein, dichtestress, ecopopnon, ecopopoui) ~ party, vorlage588, FUN = sum)
for(i in 1:length(sum588[,1])){
  sum588$sum[i] = sum(sum588[i,2:(1+length(keywords588))])
}
# Anteile Tweets an Gesamtvolumen 
sum588$Anteile <- sum588$sum / sum(sum588$sum) * 100

# Summe der Tweets nach Tagen vor der Abstimmung (gesamt)
tage588 <- aggregate(cbind(ecopop,  ecopopja, ecopopnein, dichtestress, ecopopnon, ecopopoui) ~ tweetCreation, vorlage588, FUN = sum)
for(i in 1:length(tage588[,1])){
  tage588$sum[i] = sum(tage588[i,2:(1+length(keywords588))])
}

# Vorbereitung leerer Dataframe für Resultate (Anteile)
party.anteile.588 = data.frame(cbind(vector_november14,rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42)))
colnames(party.anteile.588) = c("Tag",unique(accounts$party))

# Loop zum Füllen des Dataframes mit Anteilen pro Tag nach Partei
for(i in 1:length(vector_november14)){
  temp <- subset(vorlage588, tweetCreation == vector_november14[i]) 
  temp <- aggregate(cbind(ecopop,  ecopopja, ecopopnein, dichtestress, ecopopnon, ecopopoui) ~ party, temp, FUN = sum)
  for(j in 1:length(temp[,1])){
    temp$sum[j] = sum(temp[j,2:(1+length(keywords588))])
  }
  temp$Anteile <- temp$sum / sum(temp$sum) * 100
  
  party.anteile.588$SVP[i] = temp[10,9]
  party.anteile.588$SPS[i] = temp[9,9]
  party.anteile.588$CVP[i] = temp[2,9]
  party.anteile.588$FDP[i] = temp[4,9]
  party.anteile.588$RL[i] = temp[7,9]
  party.anteile.588$RR[i] = temp[8,9]
  party.anteile.588$GLP[i] = temp[5,9]
  party.anteile.588$GPS[i] = temp[6,9]
  party.anteile.588$BDP[i] = temp[1,9]
  party.anteile.588$EVP[i] = temp[3,9]
}

#######################################################################################################################
########################## VORLAGE 589 ################################################################################

# Tabelle umformen und aggregieren der Anzahl Nennungen pro Hashtag pro Tag
vorlage589 <- data[,c("tweetCreation", "party", "goldinitiative", "snb", "gold", "orbns", "or", "bns")]
for (word in keywords589) {vorlage589[[word]] <- vorlage589[[word]]*1 } # TRUE/FALSE mit 1/O ersetzen

# TweetCreation in Datum ohne Zeitangabe umwandeln, Subset aus Tweets die in Vor-Abstimmungszeit fallen
vorlage589$tweetCreation <- as.Date(vorlage589$tweetCreation, format='%Y-%m-%d')
vorlage589 <- subset(vorlage589, tweetCreation >= as.Date("2014-10-19") & tweetCreation < as.Date("2014-11-30"))

# Summe der Tweets nach Parteien
sum589 <- aggregate(cbind(goldinitiative, snb, gold, orbns, or, bns) ~ party, vorlage589, FUN = sum)
for(i in 1:length(sum589[,1])){
  sum589$sum[i] = sum(sum589[i,2:(1+length(keywords589))])
}
# Anteile Tweets an Gesamtvolumen 
sum589$Anteile <- sum589$sum / sum(sum589$sum) * 100

# Summe der Tweets nach Tagen vor der Abstimmung (gesamt)
tage589 <- aggregate(cbind(goldinitiative, snb, gold, orbns, or, bns) ~ tweetCreation, vorlage589, FUN = sum)
for(i in 1:length(tage589[,1])){
  tage589$sum[i] = sum(tage589[i,2:(1+length(keywords589))])
}

# Vorbereitung leerer Dataframe für Resultate (Anteile)
party.anteile.589 = data.frame(cbind(vector_november14,rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42)))
colnames(party.anteile.589) = c("Tag",unique(accounts$party))

# Loop zum Füllen des Dataframes mit Anteilen pro Tag nach Partei
for(i in 1:length(vector_november14)){
  temp <- subset(vorlage589, tweetCreation == vector_november14[i]) 
  temp <- aggregate(cbind(goldinitiative, snb, gold, orbns, or, bns) ~ party, temp, FUN = sum)
  for(j in 1:length(temp[,1])){
    temp$sum[j] = sum(temp[j,2:(1+length(keywords589))])
  }
  temp$Anteile <- temp$sum / sum(temp$sum) * 100
  
  party.anteile.589$SVP[i] = temp[10,9]
  party.anteile.589$SPS[i] = temp[9,9]
  party.anteile.589$CVP[i] = temp[2,9]
  party.anteile.589$FDP[i] = temp[4,9]
  party.anteile.589$RL[i] = temp[7,9]
  party.anteile.589$RR[i] = temp[8,9]
  party.anteile.589$GLP[i] = temp[5,9]
  party.anteile.589$GPS[i] = temp[6,9]
  party.anteile.589$BDP[i] = temp[1,9]
  party.anteile.589$EVP[i] = temp[3,9]
}

#######################################################################################################################
########################## VORLAGE 590 ################################################################################
### BEMERKUNG: ab hier: Datensatz data1 verwenden!!!

# Tabelle umformen und aggregieren der Anzahl Nennungen pro Hashtag pro Tag
vorlage590 <- data1[,c("created", "party", "familieninitiative", "cvpinitiative", "initiativefamille")]
for (word in keywords590) {vorlage590[[word]] <- vorlage590[[word]]*1 } # TRUE/FALSE mit 1/O ersetzen

# created in Datum ohne Zeitangabe umwandeln, Subset aus Tweets die in Vor-Abstimmungszeit fallen
vorlage590$created <- as.Date(vorlage590$created, format='%Y-%m-%d')
vorlage590 <- subset(vorlage590, created >= as.Date("2015-01-25") & created < as.Date("2015-03-08"))

# Summe der Tweets nach Parteien
sum590 <- aggregate(cbind(familieninitiative, cvpinitiative, initiativefamille) ~ party, vorlage590, FUN = sum)
for(i in 1:length(sum590[,1])){
  sum590$sum[i] = sum(sum590[i,2:(1+length(keywords590))])
}
# Anteile Tweets an Gesamtvolumen 
sum590$Anteile <- sum590$sum / sum(sum590$sum) * 100

# Summe der Tweets nach Tagen vor der Abstimmung (gesamt)
tage590 <- aggregate(cbind(familieninitiative, cvpinitiative, initiativefamille) ~ created, vorlage590, FUN = sum)
for(i in 1:length(tage590[,1])){
  tage590$sum[i] = sum(tage590[i,2:(1+length(keywords590))])
}

# Vorbereitung leerer Dataframe für Resultate (Anteile)
party.anteile.590 = data.frame(cbind(vector_märz15,rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42)))
colnames(party.anteile.590) = c("Tag",unique(accounts$party))

# Loop zum Füllen des Dataframes mit Anteilen pro Tag nach Partei
for(i in 1:length(vector_märz15)){
  temp <- subset(vorlage590, created == vector_märz15[i]) 
  temp <- aggregate(cbind(familieninitiative, cvpinitiative, initiativefamille) ~ party, temp, FUN = sum)
  for(j in 1:length(temp[,1])){
    temp$sum[j] = sum(temp[j,2:(1+length(keywords590))])
  }
  temp$Anteile <- temp$sum / sum(temp$sum) * 100
  
  party.anteile.590$SVP[i] = temp[10,6]
  party.anteile.590$SPS[i] = temp[9,6]
  party.anteile.590$CVP[i] = temp[2,6]
  party.anteile.590$FDP[i] = temp[4,6]
  party.anteile.590$RL[i] = temp[7,6]
  party.anteile.590$RR[i] = temp[8,6]
  party.anteile.590$GLP[i] = temp[5,6]
  party.anteile.590$GPS[i] = temp[6,6]
  party.anteile.590$BDP[i] = temp[1,6]
  party.anteile.590$EVP[i] = temp[3,6]
}

#######################################################################################################################
########################## VORLAGE 591 ################################################################################

# Tabelle umformen und aggregieren der Anzahl Nennungen pro Hashtag pro Tag
vorlage591 <- data1[,c("created", "party", "viesm", "energieinitiative", "glpinitiative", "tecontretva", "tva")]
for (word in keywords591) {vorlage591[[word]] <- vorlage591[[word]]*1 } # TRUE/FALSE mit 1/O ersetzen

# created in Datum ohne Zeitangabe umwandeln, Subset aus Tweets die in Vor-Abstimmungszeit fallen
vorlage591$created <- as.Date(vorlage591$created, format='%Y-%m-%d')
vorlage591 <- subset(vorlage591, created >= as.Date("2015-01-25") & created < as.Date("2015-03-08"))

# Summe der Tweets nach Parteien
sum591 <- aggregate(cbind(viesm, energieinitiative, glpinitiative, tecontretva, tva) ~ party, vorlage591, FUN = sum)
for(i in 1:length(sum591[,1])){
  sum591$sum[i] = sum(sum591[i,2:(1+length(keywords591))])
}
# Anteile Tweets an Gesamtvolumen 
sum591$Anteile <- sum591$sum / sum(sum591$sum) * 100

# Summe der Tweets nach Tagen vor der Abstimmung (gesamt)
tage591 <- aggregate(cbind(viesm, energieinitiative, glpinitiative, tecontretva, tva) ~ created, vorlage591, FUN = sum)
for(i in 1:length(tage591[,1])){
  tage591$sum[i] = sum(tage591[i,2:(1+length(keywords591))])
}

# Vorbereitung leerer Dataframe für Resultate (Anteile)
party.anteile.591 = data.frame(cbind(vector_märz15,rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42),rep(NA,42)))
colnames(party.anteile.591) = c("Tag",unique(accounts$party))

# Loop zum Füllen des Dataframes mit Anteilen pro Tag nach Partei
for(i in 1:length(vector_märz15)){
  temp <- subset(vorlage591, created == vector_märz15[i]) 
  temp <- aggregate(cbind(viesm, energieinitiative, glpinitiative, tecontretva, tva) ~ party, temp, FUN = sum)
  for(j in 1:length(temp[,1])){
    temp$sum[j] = sum(temp[j,2:(1+length(keywords591))])
  }
  temp$Anteile <- temp$sum / sum(temp$sum) * 100
  
  party.anteile.591$SVP[i] = temp[10,8]
  party.anteile.591$SPS[i] = temp[9,8]
  party.anteile.591$CVP[i] = temp[2,8]
  party.anteile.591$FDP[i] = temp[4,8]
  party.anteile.591$RL[i] = temp[7,8]
  party.anteile.591$RR[i] = temp[8,8]
  party.anteile.591$GLP[i] = temp[5,8]
  party.anteile.591$GPS[i] = temp[6,8]
  party.anteile.591$BDP[i] = temp[1,8]
  party.anteile.591$EVP[i] = temp[3,8]
}
################################################################################################################
# Nach JA- und NEIN-Lager (national) sortieren -> in Excel geschehen

# Korrelation zwischen Anteil Befürworter auf Twitter und JA-Anteil bei Abstimmung
# Einlesen Daten für 2014
correlation <- read.csv("/home/ddj/llauener/Blogbeitrag 2/Grafik4.csv")
# Korrelation für 2014 berechnen
cor(correlation$twitter, correlation$vorlage)