Dla propagandzistów z Wiertniczej/Czerskiej/PolitrukaPL na pewno. Ale tego tam nie zobaczycie bo wtedy ich wyznawcy by dostali rozdwojenia jaźni.
Brakuje tylko Tuska + Bono.
BTW zdjęcie pochodzi ze spotkania w Stambule 27.10.2018 czyli wczoraj (jedyny element dorysowany to oczywiście kretyńskie badge/odznaki pn. KONSTYTUCJA)
Powyborczo. Primo: szkoda, że PiSom te kamery nie wyszły byłoby się z czego pośmiać oglądając debili ze świeczkami (innego pożytku z zainstalowania -- przy założeniu #1kamera na jedną komisję -- 27tys kamer nie widzę).
Ale do rzeczy: dane pobrane z PKW (na Wikipedii za 2014 mają dokładnie takie same, za 2018 nie sprawdzałem)
require(ggplot2)
#d <- read.csv("mandaty.csv", sep = ';', header=T, na.string="NA");
# Albo po prostu bo danych mało
# https://www.datamentor.io/r-programming/data-frame/
x <- data.frame("komitet" = c("PIS", "PO", "PSL", "SLD", "INNI"),
"y2018" = c(254,194,70,15,19),
"y2014" = c(171,179,157,28,20) )
# różnica w liczbie uzyskanych mandatów
d$diff <- d$y2018 - d$y2014
ggplot(d, aes(x= komitet, y=diff, fill=komitet)) +
geom_bar(stat="identity") +
scale_fill_manual("legend",
values = c("PIS" = "#421C52", "PO" = "blue",
"PSL" = "green", "SLD" = "red", "INNI" = "pink")) +
geom_text(aes(x=komitet, y=diff, label=diff),
hjust=0, vjust=-0.25, size=3.5) +
ggtitle ("Mandaty sejmików wojewódzkich 2018--2014 (zmiana)")
BTW, jeżeli protokoły komisje obwodowe wysłały (zapewne elektronicznie) do PKW góra w poniedziałek (w mojej już poniedziałek-rano okleili kopią drzwi), to co niezawisłe Hermelińskie robiły we wtorek i środę? Niestety tego prostego pytania żaden z tzw. dziennikarzy (aka specjalistów od pierdołowatych njusów czyli #pierdokontentu) nie zadał.
A mnie ono ciekawi.
BTW2: ten wpis jest 500 w blogu. Wychodzi jakieś 45/rok średnio (z tendencją spadkową).
Znakomita większość publikowanych sondaży pomija szacowanie frekwencji; czasami dodaje się zaklęcie zdecydowani wyborcy. Widziałem jeden sondaż, w którym podano ilu jest tych zdecydowanych -- 80%. Jak się to ma do realiów i jaka jest wartość prognoz opartych na założeniu, że do urn pójdzie 80% uprawnionych, no to poniższa tabela daje pojęcie (P oznacza oczywiście wybory parlamentarne a S samorządowe):
Rok | P2015 S2014 P2011 S2010 P2007 S2006 P2005 P2001 --------------+------------------------------------------------ %Uprawnionych | 50,92 47,21 48,92 47,32 53,88 45,99 40,57 44,23
Analiza eksploracyjna wyborów wójtów/burmistrzów/prezydentów. W PL wybiera się radnych w wyborach do rad powiatów/rad gmin (oba ciała IMO zbędne), radnych sejmików wojewódzkich oraz uwaga: wójtów/burmistrzów/prezydentów (WBP) na poziomie gmin. O ile wybory sejmików kierują się tym samym mechanizmem co wybory sejmowe to wybory WBP są większościowe -- każdy może wystartować i wygrać. Do tego taki WBP ma dużą władzę więc warto być WBP. Takich wyborów w PL jest 2477 -- tyle ile gmin. W zależności od statusu gminy w jednych wybiera się wójta a w innych prezydenta czy burmistrza. Mówiąc konkretnie wójtów jest 1547, burmistrzów 823 a prezydentów 107. Poniższa tabela zestawia dane dotyczące kandydatów w wyborach 2018/2014/2010
Rok N 1KN 1K% 2KN 2K% >4N >4% śr ------------------------------------------------------ 2018 6965 329 13,30 849 34,30 262 10,58 2,81 2014 8019 245 9,90 666 26,90 471 19,00 3,25 2010 7776 303 12,20 683 27.57 430 17,36 3,14
Jak na moje to kandydatów za dużo to się nie zgłasza, do tego (w tym roku/w tych wyborach) w 13,30% gmin jest jeden, a w 34,30% dwóch (co daje co najwyżej dwóch w prawie połowie wyborów WBP). Do tego tendencja jest jakby nie w tę stronę co trzeba: mniej kandydatów ogółem, więcej gmin z małą liczbą kandydatów, mniej gmin z dużą liczbą kandydatów. Można podsumować że demokracja na lokalnym poziomie słabnie...
Ilustruje to wykres krzywych gęstości liczby kandydatów na urząd WBP (dla każdego roku oddzielna krzywa).
## ramka g ma następującą strukturę: razem;teryt;rok g$r <- as.factor(g$rok) p <- ggplot(g, aes(x=razem, color=r)) + geom_density() + labs(title="Krzywa gęstości liczby kandydatów na urząd wójta/burmistrza/prezydenta", x="Liczba kandydatów", y = "Gęstość", color="Rok")
Dane są tutaj
Po występach przewodniczącego Juliusa Schetyny można było mieć wątpliwości, że to jednorazowy amok. Ale znaleźli się wszakże podwładni Juliusa, którzy postanowi pokazać, że są równie mądrzy jak szef, a nawet dużo mądrzejsi. Naprawdę trzeba nie mieć mózgu w ogóle, żeby przerobić Goebbelsowski plakat z podpisem Pracuj z Niemcami a będziesz uratowany i takie coś publikować z dumą na Twitterze. No a przecież wcześniej był/jest w tej partii ważna figura pn. Protasiewicz co się na bagażowym wyżywała we Franfurcie wrzeszcząc na niego Heil Hitler czy jakoś tak. No już trzech mamy KN (kryptonazistów) -- jeszcze dwóch i będzie tylu co w słynnym reportarzu w #WaffelTV, co taką gównoburzę wywołał w styczniu br.
Znamienne jest tak nawiasem mówiąc milczenie takich opertkowych figur jak pan Bodnar (na przykład), który miał gębę pełną frazesów a nawet listy dramatyczne do premiera i ministra sprawiedliwości pisał, kiedy ww. WaffelTV ujawniła ww. groźny spisek 5 idiotów w lesie (Konieczne wydaje się opracowanie nowej, kompleksowej strategii mającej na celu zwalczanie rasizmu i ksenofobii w Polsce -- uważa Rzecznik Praw Obywatelskich, Adam Bodnar) Teraz nie ma problemu operetkowy pan Bodnar, i nie widzi żadnej potrzeby a to zapewne z tej prostej przyczyny, że skończonym idiotą okazał się chłop z ferajny, a nie żaden tam anonimowy zresztą nacjonalista.
Jeżeli ktoś nie wie czemu Juliusz/Julius a nie Grzegorz. Ano temu że, Dr. Goebbels nie tyle wymyślił co udowodnił empirycznie, że kłamstwo powtórzone 1000 razy staje się prawdą. Mianowicie w tekstach publikowanych w gazecie Der Angriff przekręcał systematycznie i uporczywie imię szefa Berlińskiej Policji, określając go Izydorem (co ma/miało żydowskie konotacje w Niemczech podobno), aż większość Berlińczyków faktycznie uznała w końcu, że Bernhard Weiss ma na imię Izydor.
Dobrnąłem w końcu do finału pobierając ostatecznie ze strony PKW dane dotyczące siedmiu wyborów, które odbyły się w latach: 2015, 2014 (samorządowe), 2011, 2010 (samorządowe), 2007, 2006 (samorządowe), 2005.
Wyniki wcześniejszych wyborów nie są już dostępne na poziomie komisji obwodowych (a przynajmniej ja nie potrafię takowych odszukać). Protokoły z wyborów z 2006 roku też nie były dostępne, ale udało się je w części odtworzyć ze stron z wynikami kandydatów (zawierającymi liczbę głosów oddanych na kandydata w poszczególnych komisjach obwodowych).
Dla każdych wyborów wykreśliłem histogram poparcia dla mainstreamowych partii: PSL, PO, PiS oraz SLD. Zgodnie z oczekiwaniami rozkłady poparcia są jednomodalne, prawostronnie symetryczne, ale z dwoma wyjątkami: rozkład poparcia dla PO jest bimodalny i ta tendencja wydaje się stała. Rozkład poparcia dla PSL z roku 2014 (cud nad urną) różni się -- na zasadzie znajdź element niepasujący do pozostałych -- od sześciu pozostałych rozkładów poparcia dla tej partii (czemu to już inna historia).
Dane są tutaj
Co wybory to inaczej oczywiście...
Wyniki wyborów 2010 są na stronie http://wybory2010.pkw.gov.pl/. Punktem wyjścia jest zaś strona z wynikami dla województwa postaci http://wybory2010.pkw.gov.pl/geo/pl/020000/020000-o-020000-RDA-2.html?wyniki=1, w której wiodące 02 z 020000 to kod teryt województwa a 2 przed .html to numer okręgu wyborczego. Zatem pobranie wszystkich stron `okręgowych' sprowadza się do:
#!/usr/bin/perl
#
use LWP::Simple;
#
my $uribase = 'http://wybory2010.pkw.gov.pl/geo/pl';
@Woj = ("02", "04", "06", "08", "10", "12", "14", "16",
"18", "20", "22", "24", "26", "28", "30", "32");
@Okr = (1,2,3,4,5,6,7,8,9,10); ## nadmiarowo (max jest 8 chyba)
for $w (@Woj) {
for $o (@Okr) {
$url = "$uribase/${w}0000/${w}0000-o-${w}0000-RDA-${o}.html?wyniki=1";
$file = "ws2010_woj_${w}_${o}";
getstore($url, $file);
print STDERR "$url stored\n";
}
}
Teraz się okazuje że każdy taki plik zawiera odnośniki postaci /owk/pl/020000/2c9682212bcdb46c012bcea96efe0131.html. Każdy taki plik opisuje kandydata startującego w wyborach. Ich pobranie jest równie banalne:
#!/usr/bin/perl
#
use LWP::Simple;
use locale;
use utf8;
binmode(STDOUT, ":utf8");
use open IN => ":encoding(utf8)", OUT => ":utf8";
$baseURI="http://wybory2010.pkw.gov.pl";
$file = $ARGV[0];
while (<>) {
chomp();
if (/(owk\/[^<>"]*)/) {
$url= "$baseURI/$1";
if (/(owk\/[^<>"]*)[^<>]*>([^<>]*)/) {
$who = "$2"; $who =~ s/ //g;
$who =~ tr/ĄĆĘŁŃÓŚŻŹ/ACELNOSZZ/;
$who =~ tr/ąćęłńóśżź/acelnoszz/;
} else {$who = "XxYyZz"; }
$outFile = "owk_${file}__${who}";
getstore($url, $outFile);
print STDERR "$url stored ($outFile)\n";
}
}
## pobranie wszystkich owk-URLi to:
## for i in ws2010_woj* ; do perl pobierz-owk.pl $i ; done
W plikach `owk' są linki do protokołów z wynikami z poszczególnych komisji. Są to linki postaci: /obw/pl/3206/bacbedd03197794e2e1e8e438bff87e1.html. Należy je wszystkie pobrać (URLe nie pliki) i posortować usuwając duplikaty. Powinno być takich URLi około 25--27 tysięcy (tyle ile komisji):
#!/usr/bin/perl
#
$baseURI="http://wybory2010.pkw.gov.pl";
$file = $ARGV[0];
while (<>) { chomp();
if (/(obw\/[^<>"]*)/) {
$url= "$baseURI/$1";
if (/(obw\/[^<>"]*)[^<>]*>([^<>]*)/) {
$obwNr = "$2"; }
$outFile = "${file};${obwNr}";
print "$url;$outFile\n";
} }
## for i in owk_2010* ; do perl pobierz-obw.pl $i ; done > proto0.csv
## awk -F';' '{print $1";"$3}' proto0.csv | sort -u > protokoly.csv
## wc -l protokoly.csv
## 25464 protokoly.csv
Każdy URL jest postaci /obw/pl/0201/051595429cc31a526f8b2455602ab929.html. Te 0201 to pewnie teryt powiatu, ale reszta wydaje się losowa więc nie da się ustalić jakiegoś schematu URLi protokołów, bo go nie ma po prostu. Teraz postaje pobrać te 25464 plików-protokołów z komisji obwodowych. Na wszelki wypadek będę zapisywał te protokoły wg schematu: proto_ws_2010_terytPowiatu_nrkomisji:
#!/usr/bin/perl
##
use LWP::Simple;
open (O, "protokoly.csv") || die "No protokoly.csv!";
while (<O>) { chomp();
($url, $nrk) = split /;/, $_;
$_ =~ m#http://wybory2010.pkw.gov.pl/obw/pl/([0-9][0-9][0-9][0-9])#;
$teryt = $1;
$outFile = "proto_ws_2010_${teryt}_$nrk";
getstore($url, $outFile);
print STDERR "*** $url stored ($outFile)\n";
}
close(O);
## time perl get-proto.pl
Mi się ściągało 62 minuty 30 sekund.
Rozkład odsetka głosów nieważnych (definiowanego jako głosy nieważne / (głosy ważne + nieważne)) w wyborach samorządowych w 2014. Pierwszy histogram dotyczy całej Polski (27455 komisji), drugi województwa pomorskiego (1856) a trzeci Mazowieckiego (3574).
#!/usr/bin/Rscript
# Skrypt wykreśla histogramy dla danych z pliku ws2014_komisje.csv
# (więcej: https://github.com/hrpunio/Data/tree/master/ws2014_pobranie_2018)
#
par(ps=6,cex=1,cex.axis=1,cex.lab=1,cex.main=1.2)
komisje <- read.csv("ws2014_komisje.csv", sep = ';',
header=T, na.string="NA");
komisje$ogn <- komisje$glosyNiewazne / (komisje$glosy + komisje$glosyNiewazne) * 100;
summary(komisje$glosyNiewazne); fivenum(komisje$glosyNiewazne);
sX <- summary(komisje$ogn);
sF <- fivenum(komisje$ogn);
sV <- sd(komisje$ogn, na.rm=TRUE)
skewness <- 3 * (sX[["Mean"]] - sX[["Median"]])/sV
summary_label <- sprintf ("Śr = %.1f\nMe = %.1f\nq1 = %.1f\nq3 = %.1f\nW = %.2f",
sX[["Mean"]], sX[["Median"]], sX[["1st Qu."]], sX[["3rd Qu."]], skewness)
## ##
kpN <- seq(0, 100, by=2);
kpX <- c(0, 10,20,30,40,50,60,70,80,90, 100);
nn <- nrow(komisje)
h <- hist(komisje$ogn, breaks=kpN, freq=TRUE,
col="orange", main=sprintf ("Rozkład odsetka głosów nieważnych\nPolska ogółem %i komisji", nn),
ylab="%", xlab="% nieważne", labels=F, xaxt='n' )
axis(side=1, at=kpN, cex.axis=2, cex.lab=2)
posX <- .5 * max(h$counts)
text(80, posX, summary_label, cex=1.4, adj=c(0,1))
## ##
komisje$woj <- substr(komisje$teryt, start=1, stop=2)
komisjeW <- subset (komisje, woj == "22"); ## pomorskie
nn <- nrow(komisjeW)
sX <- summary(komisjeW$ogn); sF <- fivenum(komisjeW$ogn);
sV <- sd(komisjeW$ogn, na.rm=TRUE)
skewness <- 3 * (sX[["Mean"]] - sX[["Median"]])/sV
summary_label <- sprintf ("Śr = %.1f\nMe = %.1f\nq1 = %.1f\nq3 = %.1f\nW = %.2f",
sX[["Mean"]], sX[["Median"]], sX[["1st Qu."]], sX[["3rd Qu."]], skewness)
h <- hist(komisjeW$ogn, breaks=kpN, freq=TRUE,
col="orange", main=sprintf("Rozkład odsetka głosów nieważnych\nPomorskie %i komisji", nn),
ylab="%", xlab="% nieważne", labels=T, xaxt='n' )
axis(side=1, at=kpX, cex.axis=2, cex.lab=2)
posX <- .5 * max(h$counts)
text(80, posX, summary_label, cex=1.4, adj=c(0,1))
komisjeW <- subset (komisje, woj == "14"); ## mazowieckie
nn <- nrow(komisjeW)
sX <- summary(komisjeW$ogn); sF <- fivenum(komisjeW$ogn);
sV <- sd(komisjeW$ogn, na.rm=TRUE)
skewness <- 3 * (sX[["Mean"]] - sX[["Median"]])/sV
summary_label <- sprintf ("Śr = %.1f\nMe = %.1f\nq1 = %.1f\nq3 = %.1f\nW = %.2f",
sX[["Mean"]], sX[["Median"]], sX[["1st Qu."]], sX[["3rd Qu."]], skewness)
h <- hist(komisjeW$ogn, breaks=kpN, freq=TRUE,
col="orange", main=sprintf("Rozkład odsetka głosów nieważnych\nMazowieckie %i komisji", nn),
ylab="%", xlab="% nieważne", labels=T, xaxt='n' )
axis(side=1, at=kpX, cex.axis=2, cex.lab=2)
posX <- .5 * max(h$counts)
text(80, posX, summary_label, cex=1.4, adj=c(0,1))
Wyniki są takie oto (indywidualne wykresy tutaj: #01 #02 #03):
Rozkłady odsetka poparcia dla PSL/PiS/PO w wyborach samorządowych w 2014 w całej Polsce, w miastach/poza miastami oraz w poszczególnych województwach. Poniższy skrypt generuje łącznie 60 wykresów słupkowych:
#!/usr/bin/Rscript
# Skrypt wykreślna różnego rodzaju histogramy dla danych z pliku ws2014_komitety_by_komisja_T.csv
# (więcej: https://github.com/hrpunio/Data/tree/master/ws2014_pobranie_2018)
#
showVotes <- function(df, x, co, region, N, minN) {
## showVotes = wykreśla histogram dla województwa (region)
kN <- nrow(df)
sX <- summary(df[[x]], na.rm=TRUE);
sV <- sd(df[[x]], na.rm=TRUE)
## współczynnik skośności Pearsona
skewness <- 3 * (sX[["Mean"]] - sX[["Median"]])/sV
summary_label <- sprintf ("Śr = %.1f\nMe = %.1f\nq1 = %.1f\nq3 = %.1f\nS = %.1f\nW = %.2f",
sX[["Mean"]], sX[["Median"]],
sX[["1st Qu."]], sX[["3rd Qu."]], sV, skewness)
if (minN < 1) {
t <- sprintf("Rozkład głosów na %s\n%s ogółem %d komisji", co, region, kN ) }
else { t <- sprintf("Rozkład głosów za %s\n%s ogółem %d komisji (N>%d)", co, region, kN, minN ) }
h <- hist(df[[x]], breaks=kpN, freq=TRUE, col="orange", main=t,
ylab="%", xlab="% poparcia", labels=F, xaxt='n' )
axis(side=1, at=kpN, cex.axis=2, cex.lab=2)
## pozycja tekstu zawierającego statystyki opisowe
posX <- .5 * max(h$counts)
text(80, posX, summary_label, cex=1.4, adj=c(0,1))
}
## Wczytanie danych; obliczenie podst. statystyk:
komisje <- read.csv("ws2014_komitety_by_komisja_T.csv",
sep = ';', header=T, na.string="NA");
komisje$ogn <- komisje$glosyNiewazne / (komisje$glosy
+ komisje$glosyNiewazne) * 100;
summary(komisje$PSL); summary(komisje$PiS); summary(komisje$PO);
fivenum(komisje$PSLp); fivenum(komisje$PiSp); fivenum(komisje$POp);
## ## ###
par(ps=6,cex=1,cex.axis=1,cex.lab=1,cex.main=1.2)
kpN <- seq(0, 100, by=2);
kpX <- c(0, 10,20,30,40,50,60,70,80,90, 100);
kN <- nrow(komisje)
region <- "Polska"
minTurnout <- 0
## cała Polska:
showVotes(komisje, "PSLp", "PSL", region, kN, minTurnout);
showVotes(komisje, "PiSp", "PiS", region, kN, minTurnout);
showVotes(komisje, "POp", "PO", region, kN, minTurnout);
## Cała Polska (bez małych komisji):
## ( późniejszych analizach pomijane są małe komisje)
minTurnout <- 49
komisje <- subset (komisje, glosyLK > minTurnout);
kN <- nrow(komisje)
showVotes(komisje, "PSLp", "PSL", region, kN, minTurnout);
showVotes(komisje, "PiSp", "PiS", region, kN, minTurnout);
showVotes(komisje, "POp", "PO", region, kN, minTurnout);
## Typ gminy U/R (U=gmina miejska ; R=inna niż miejska)
komisjeW <- subset (komisje, typ == "U");
kN <- nrow(komisjeW)
region <- "Polska/g.miejskie"
showVotes(komisjeW, "PSLp", "PSL", region, kN, minTurnout);
showVotes(komisjeW, "PiSp", "PiS", region, kN, minTurnout);
showVotes(komisjeW, "POp", "PO", region, kN, minTurnout);
komisjeW <- subset (komisje, typ == "R");
kN <- nrow(komisjeW)
region <- "Polska/g.niemiejskie"
showVotes(komisjeW, "PSLp", "PSL", region, kN, minTurnout);
showVotes(komisjeW, "PiSp", "PiS", region, kN, minTurnout);
showVotes(komisjeW, "POp", "PO", region, kN, minTurnout);
## woj = dwucyfrowy kod teryt województwa:
komisje$woj <- substr(komisje$teryt, start=1, stop=2)
cN <- c("dolnośląskie", "dolnośląskie", "kujawsko-pomorskie",
"lubelskie", "lubuskie", "łódzkie", "małopolskie", "mazowieckie",
"opolskie", "podkarpackie", "podlaskie", "pomorskie", "śląskie",
"świętokrzyskie", "warmińsko-mazurskie", "wielkopolskie",
"zachodniopomorskie");
cW <- c("02", "04", "06", "08", "10", "12", "14", "16", "18",
"20", "22", "24", "26", "28", "30", "32");
## wszystkie województwa po kolei:
for (w in 1:16) {
wojS <- cW[w]
###region <- cN[w];
region <- sprintf ("%s (%s)", cN[w], wojS);
komisjeW <- subset (komisje, woj == wojS); ##
showVotes(komisjeW, "PSLp", "PSL", region, kN, minTurnout);
showVotes(komisjeW, "PiSp", "PiS", region, kN, minTurnout);
showVotes(komisjeW, "POp", "PO", region, kN, minTurnout);
}
## ## koniec
Dla całej Polski wyniki są następujące:
Indywidualne wykresy zaś tutaj: #01 #02 #03 #04 #05 #06 #07 #08 #09 #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):
Rozkłady wieku kandydatów (2014/2018) i radnych wybranych do sejmików wojewódzkich 2014.
require(ggplot2)
### ### ###
co <- "Wiek kandydatów do sejmików wojewódzkich (2014 / Polska)"
## deklaracja końców klas (hist)
wB <- c(18,20,25,30,35,40,45,50,55,60,65,70,75,80,95);
wZ <- c(36,38,40,42,44,46,48,50,52,54,56);
wD <- seq(18, 92, by=2);
komitety <- "DB = Demokracja Bezpośrednia | RN = Ruch Narodowy | NPKM = Nowa Prawica JKM";
k <- read.csv("kandydaci_ws_2014.csv", sep = ';', header=T, na.string="NA", dec=",");
with (k, table(komitet))
aggregate (k$wiek, list(Numer = k$komitet), fivenum)
## analiza dotyczy tylko kandydatów z komitetów ogólnopolskich
kandydaci <- subset (k,
(komitet == "PSL" | komitet == "DB" | komitet == "PiS" | komitet == "PO" |
komitet == "RN" | komitet == "NPKM" | komitet == "SLDLR"));
kandydaciPL <- kandydaci
kNum <- nrow(kandydaciPL)
kNum
with (kandydaci, table(komitet))
aggregate (kandydaci$wiek, list(Numer = kandydaci$komitet), fivenum)
sumS <- summary(kandydaci$wiek)
sumV <- sd(kandydaci$wiek)
summary_label <- sprintf ("Śr = %.1f\nMe = %.1f\nQ1 = %.1f\nQ3 = %.1f\nS = %.1f",
sumS[["Mean"]], sumS[["Median"]],
sumS[["1st Qu."]], sumS[["3rd Qu."]], sumV)
#par() ## przegląd parametrów
# ps = stopień pisma
par(ps=11,cex=1,cex.axis=1,cex.lab=1,cex.main=1.2)
h <- hist(kandydaci$wiek,
breaks=wB,
freq=TRUE,
col="orange", main=co,
ylab="liczba kandydatów", xlab="wiek", labels=T, xaxt='n')
axis(side=1, at=wB)
text(80, 600, summary_label, cex = .8, adj=c(0,1))
par(ps=6,ce=2,cex.axis=2,cex.lab=2,cex.main=2)
h <- hist(kandydaci$wiek,
breaks=wD,
freq=TRUE,
col="orange", main=co, ylab="liczba kandydatów", xlab="wiek", labels=T, xaxt='n' )
axis(side=1, at=wB, cex.axis=2, cex.lab=2)
text(80, 600, summary_label, cex=0.4, size=3, pos=3, adj=c(0,1))
### ### ###
aggregate (kandydaci$wiek, list(Numer = kandydaci$nr), fivenum)
aggregate (kandydaci$wiek, list(Numer = kandydaci$komitet), fivenum)
### ### ###
ggplot(kandydaci, aes(x=komitet, y=wiek, fill=komitet)) +
geom_boxplot() +
ylab("Wiek") +
xlab("Komitet") +
annotate(geom="text", x = 1, y = 90, hjust=0, size=3,
label = komitety ) +
guides(fill=FALSE) ;
### ### ### Pomorskie TERYT=22 ### ### ###
co <- "Wiek kandydatów do sejmików wojewódzkich (2014 / Pomorskie)"
kandydaci <- subset (kandydaci, (woj == "22" ))
aggregate (kandydaci$wiek, list(Numer = kandydaci$komitet), fivenum)
ggplot(kandydaci, aes(x=komitet, y=wiek, fill=komitet)) +
geom_boxplot() +
ylab("Wiek") +
xlab("Komitet") +
annotate(geom="text", x = 1, y = 90, hjust=0, size=3,
label = komitety ) +
guides(fill=FALSE) ;
sumS <- summary(kandydaci$wiek)
summary_label <- sprintf ("Śr = %.1f\nMe = %.1f\nQ1 = %.1f\nQ3 = %.1f",
sumS[["Mean"]], sumS[["Median"]], sumS[["1st Qu."]], sumS[["3rd Qu."]])
## przywrócenie wartości parametrów
par(ps=11,cex=1,cex.axis=1,cex.lab=1,cex.main=1.2)
h <- hist(kandydaci$wiek,
breaks=wB,
freq=TRUE,
col="orange", main=co, xlab="wiek", ylab="liczba kandydatów", labels=T, xaxt='n')
axis(side=1, at=wB)
text(80, 40, summary_label, cex = .8, adj=c(0,1))
with (kandydaci, table(komitet))
### ## ###
kandydaciPL$okrN <- paste (kandydaciPL$woj, "o", kandydaciPL$okr)
a <- aggregate (kandydaciPL$wiek, list(Numer = kandydaciPL$okrN), fivenum)
h <- hist(a$x[,3],
breaks=wZ,
freq=TRUE,
col="orange",
main="Mediana wieku kandydatów wg okręgów [Polska 2014]",
xlab="wiek", ylab="liczba okręgów", labels=T, xaxt='n')
axis(side=1, at=wZ)
text(80, 40, summary_label, cex = .8, adj=c(0,1))
## ## ### radni (czyli wybrani)
radni <- read.csv("radni_ws_2014.csv", sep = ';',
header=T, na.string="NA", dec=",");
sumS <- summary(radni$wiek)
sumV <- sd(radni$wiek)
summary_label <- sprintf ("Śr = %.1f\nMe = %.1f\nQ1 = %.1f\nQ3 = %.1f\nS = %.1f",
sumS[["Mean"]], sumS[["Median"]], sumS[["1st Qu."]], sumS[["3rd Qu."]], sumV)
h <- hist(radni$wiek,
breaks=wB,
freq=TRUE,
col="orange",
main="Wiek radnych do sejmików wojewódzkich 2014",
ylab="liczba radnych", xlab="wiek", labels=T, xaxt='n')
axis(side=1, at=wB)
text(80, 80, summary_label, cex = .8, adj=c(0,1))
