Cartographie facile

Andy Eggers a écrit un petit programme pour R, googlemap, qui est très pratique pour visualiser rapidement une variable sur une aire géographique en utilisant un gradient de couleur, à partir de Google Charts.

Voici par exemple le pourcentage de femmes dans les parlements européens en 2008, qui varie de 8.7% (Malte) à 47% (Suède) :

Women in parliament (%, 2008)

Les données proviennent des Comparative Political Datasets de l’équipe de Klaus Armingeon (CPD-3). J’ai dû rajouter les codes ISO 3166-2, ce qui n’a pris très longtemps. La manipulation sous R prend moins de dix minutes.

Une autre pour la route ? Les exécutions capitales aux États-Unis en 2009, à partir des données du Death Penalty Information Center. Environ 45% des exécutions ont eu lieu au Texas, avec 24 exécutions :

Executions in the USA (2009)

Il manque les options nécessaires pour agrandir le graphique et exporter en format vectoriel, mais Google Charts ne le permet apparemment pas. Il faudrait aussi modifier le code pour obtenir une légende et jouer avec les autres options pour les cartes de Google Charts.

Pour les autres types de graphiques, Andy Eggers a aussi écrit googleplot.

Note : les données ont été préparées sous Excel puis Stata, et incluent aussi quelques variables supplémentaires (quelques pays extra-européens pour les femmes parlementaires, et des fréquences). Les fichier de données sont compressés mais ne sont lourds du tout (4KB).

Blogging scientifique

J’ai rédigé mon intervention pour l’atelier “blogging scientifique” évoqué il y a quelques jours.

Note : la présentation s’est bien passée ; si vous y avez assisté, merci de laisser un commentaire, anonyme ou pas, en signalant ce qui a vous a plu et déplu, merci ! Il y a aussi un compte-rendu chez Martine Sonnet, du blog Femmes au travail, qui présentait aussi, et un compte-rendu de la journée chez les organisateurs.

Dans les slides, les blogueurs suivants, par ordre d’apparition :

J’ai inclus les featurings de chacun pour montrer la construction réticulaire de la blogosphère (par exemple, je pense n’avoir qu’un degré de séparation avec celles et ceux que je ne connais pas directement).

Sont aussi cités silencieusement, dans le texte de l’intervention :

Je cite aussi xkcd et des projets SSRC, et aurais aimé citer Org Theory ou Scatterplot mais n’ai pas pu, faute de place.

Petite note : Lapin Observateur est la seule femme citée explicitement pour son blog individuel, mais Kalai Elpides est aussi une femme et il y a des femmes dans les blogs collectifs.

Rajout : peu après avoir rédigé ce billet (en avance sur sa publication), j’ai appris que je devais rajouter quelques slides sur Hypothèses, suite à un problème d’agenda. Les blogs cités dans les quatre slides Hypothèses sur la fin sont :

Les trois premiers projets sont tenus par des doctorants (et le dernier blog est alimenté par des jeunes chercheurs). Lancez-vous !

Blogging

Comme l’an dernier, j’interviens dans le séminaire “Outils” la semaine prochaine. Merci à Franziska Heimburger et Émilien Ruiz pour l’invitation ! Joël, mon clo-blogueur qui était présent l’an dernier, ne sera malheureusement pas là, alors qu’il est plus juste que moi dans l’emploi du langage sur les positions sociales, par exemple. J’ai prévu de parler de ça.

Histoire d’agrémenter cette note d’activité, j’en profite pour faire un petit tour d’autres billets récents sur la plateforme Hypothèses, à laquelle je participe à la hauteur de mes moyens dans le cadre de son conseil scientifique :

  • “L’événement et ses politiques dans le domaine de la santé”, une annonce de journée d’étude diffusée sur le blog AMADES, indispensable pour les chercheurs dans le domaine de la santé, et qui couvre aussi les revues.
  • “Les financements par contrats alimentent la précarité” : le blog AGORA reprend un récent communiqué d’une association de jeunes chercheurs en science politique, où j’ai également un pied (ce billet mériterait un mot-clé “multipositionnalité”).
  • “Boltanski m’inspire. Réponse à Francis Chateauraynaud” : un point de vue sur l’épistémologie du discours, publié sur un blog qui s’intéresse à ce thème précis (précision : je ne connais rien au débat).
  • “Conversations numériques” : un autre membre du conseil scientifique d’Hypothèses parle d’un blog hors-plateforme, et donne à réfléchir sur l’idée de séminaire virtuel permanent lancé par encore un autre membre dudit conseil.

Sciences Sociales et Santé

Une excellente nouvelle aperçue par hasard sur le portail Persée : la revue Sciences sociales et santé est désormais accessible sur ce même portail, en accès libre, ce qui simplifiera grandement la vie des chercheurs travaillant sur la santé.

Cette très bonne revue (dans laquelle je n’ai jamais publié, je peux donc le dire sans aucun risque de conflit d’intérêts) est éditée hors du champ des sciences sociales, ce qui limitait les possibilités d’accès institutionnel en bibliothèque ou en ligne sur les sites universitaires où je travaille.

Je cours y (re)lire un article classique pour les chercheurs travaillant sur l’histoire du cancer et de la lutte contre le cancer.

Geek stuff

J’ai souri en lisant les vignettes d’une doctorante qui a fait son coming-out geek.

Dernière manipulation geek en date : une étudiante a eu une idée originale pour un cours de statistiques, où elle a décidé d’analyse un échantillon des trois millions de tweets #iranelection envoyés lors de l’élection iranienne. Son échantillon commence le 19 juin 2009, et son filtre a récupéré principalement des tweets en langue anglaise, avec quelques observations en Farsi et dans d’autres langues. Le fichier qu’elle m’a fourni contient 45 000 observations environ.

Pour lui fabriquer un échantillon plus maniable, j’ai appliqué la méthode suivante :

  • Assigner un nombre aléatoire entre 0 et 1 à chaque ligne.
  • Ordonner les observations par ce numéro.
  • Extraire les 4000 premières entrées vers un nouveau fichier.
  • Recommencer, extraire les 3000 premières.
  • Recommencer, extraire les 2000 premières.

L’opération sous Excel m’a créé un fichier d’environ 165MB qui a bien ralenti mon système, mais le fichier final est correctement échantillonné. Ensuite, il a fallu appliquer pas mal d’expressions régulières, du genre \|en\|(.*).jpg\|, pour nettoyer les données, ce qui m’a valu de perdre 144 observations mais de terminer avec un fichier CSV presque directement exploitable, après deux heures de manipulation.

Vos suggestions sur comment analyser le fichier sont les bienvenues ! Comme le cours se déroule sous Stata, j’ai pensé lui faire utiliser wordscores, mais il y a certainement une meilleure méthode pour analyser le corpus.