The hardware and bandwidth for this mirror is donated by METANET, the Webhosting and Full Service-Cloud Provider.
If you wish to report a bug, or if you are interested in having us mirror your free-software or open-source project, please feel free to contact us at mirror[@]metanet.ch.
The R package ‘lpanda’ provides tools for preparing, analyzing and visualizing diachronic network data from municipal election results. It is designed to make it easier to study local political actor networks, with a particular focus on the development of local party systems’ format, especially in small municipalities.
You can install the released version of lpanda from CRAN
with (soon):
install.packages("lpanda")Or install the development version from GitHub with:
devtools::install_github("localpolitics/lpanda")To create a basic continuity diagram of candidacies of local political actors, it is necessary to prepare data containing at least unique names of candidates (if they are the same, they need to be distinguished, e.g. by adding ‘jr.’ or numbers after the names of candidates - for example: ‘John Smith (2)’), the year of the election and the name of the candidate list they ran for. Then, just use the ‘plot_continuity()’ function.
library(lpanda)
## basic example code
data(sample_data, package = "lpanda")
df <- sample_data
lpanda::plot_continuity(df)
However, the usefulness of the package lies in the simplicity of
converting basic data into network data, which can be used not only with
the lpanda package, but also with other packages for social
network analysis.
The following example shows how raw data is converted to network data. The output is a list of networks that contain edgelist and node attributes that can be directly used for social network analysis. The last item contains statistics of the included elections.
netdata <- lpanda::prepare_network_data(sample_data)
#> ==========================================================
#> Preparing Network Data for LPANDA
#> ==========================================================
#>
#> 1/ Checking the usability of input data and modifying it for
#> conversion to network data.
#> Column 'const_size' was missing and will be created based on 'elected'.
#> const_size was calculated from 'elected' for elections: 14, 18, 22.
#> Done.
#> 2/ Creating an edgelist of a bimodal network. Done.
#> 3/ Projecting a bimodal network and building edgelists for
#> the following networks: candidates, candidate lists,
#> continuity and elections. Done.
#> 4/ Detecting 'political parties' (may take a while):
#> | | | 0% | |■ | 1% | |■ | 2% | |■■ | 4% | |■■ | 5% | |■■■ | 6% | |■■■■ | 8% | |■■■■ | 9% | |■■■■■ | 10% | |■■■■■■ | 11% | |■■■■■■ | 12% | |■■■■■■■ | 14% | |■■■■■■■■ | 15% | |■■■■■■■■ | 16% | |■■■■■■■■■ | 18% | |■■■■■■■■■ | 19% | |■■■■■■■■■■ | 20% | |■■■■■■■■■■■ | 21% | |■■■■■■■■■■■ | 22% | |■■■■■■■■■■■■ | 24% | |■■■■■■■■■■■■ | 25% | |■■■■■■■■■■■■■ | 26% | |■■■■■■■■■■■■■■ | 28% | |■■■■■■■■■■■■■■ | 29% | |■■■■■■■■■■■■■■■ | 30% | |■■■■■■■■■■■■■■■■ | 31% | |■■■■■■■■■■■■■■■■ | 32% | |■■■■■■■■■■■■■■■■■ | 34% | |■■■■■■■■■■■■■■■■■■ | 35% | |■■■■■■■■■■■■■■■■■■ | 36% | |■■■■■■■■■■■■■■■■■■■ | 38% | |■■■■■■■■■■■■■■■■■■■ | 39% | |■■■■■■■■■■■■■■■■■■■■ | 40% | |■■■■■■■■■■■■■■■■■■■■■ | 41% | |■■■■■■■■■■■■■■■■■■■■■ | 42% | |■■■■■■■■■■■■■■■■■■■■■■ | 44% | |■■■■■■■■■■■■■■■■■■■■■■ | 45% | |■■■■■■■■■■■■■■■■■■■■■■■ | 46% | |■■■■■■■■■■■■■■■■■■■■■■■■ | 48% | |■■■■■■■■■■■■■■■■■■■■■■■■ | 49% | |■■■■■■■■■■■■■■■■■■■■■■■■■ | 50% | |■■■■■■■■■■■■■■■■■■■■■■■■■■ | 51% | |■■■■■■■■■■■■■■■■■■■■■■■■■■ | 52% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 54% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 55% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 56% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 58% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 59% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 60% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 61% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 62% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 64% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 65% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 66% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 68% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 69% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 70% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 71% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 72% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 74% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 75% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 76% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 78% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 79% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 80% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 81% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 82% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 84% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 85% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 86% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 88% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 89% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 90% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 91% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 92% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 94% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 95% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 96% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 98% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ | 99% | |■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■| 100%
#> Selected algorithm: wt_1 (modularity 51.7 %).
#> Creating an edgelist of political party network. Done.
#> 5/ Creating attribution data for networks: elections,
#> candidates, lists (& continuity), bipartite net, parties.
#> Done.
#>
#> ==========================================================
#> FINISHED.
#> ==========================================================
str(netdata, max.level = 2)
#> List of 6
#> $ bipartite :List of 2
#> ..$ edgelist :'data.frame': 18 obs. of 5 variables:
#> ..$ node_attr:'data.frame': 16 obs. of 20 variables:
#> $ candidates:List of 2
#> ..$ edgelist :'data.frame': 15 obs. of 3 variables:
#> ..$ node_attr:'data.frame': 10 obs. of 10 variables:
#> $ lists :List of 2
#> ..$ edgelist :'data.frame': 7 obs. of 3 variables:
#> ..$ node_attr:'data.frame': 6 obs. of 11 variables:
#> $ continuity:List of 2
#> ..$ edgelist :'data.frame': 5 obs. of 3 variables:
#> ..$ node_attr:'data.frame': 6 obs. of 11 variables:
#> $ parties :List of 2
#> ..$ edgelist :'data.frame': 2 obs. of 3 variables:
#> ..$ node_attr:'data.frame': 3 obs. of 11 variables:
#> $ elections :List of 2
#> ..$ edgelist :'data.frame': 3 obs. of 3 variables:
#> ..$ node_attr:'data.frame': 3 obs. of 7 variables:
# election stats
print(netdata$elections$node_attr)
#> vertices is_isolate cands seats elected lists plurality
#> 1 14 FALSE 3 3 3 1 1
#> 2 18 FALSE 9 3 3 3 3
#> 3 22 FALSE 6 3 3 2 2For diachronic analysis of the continuity of candidacies of local
political actors, a number of parameters in the
plot_continuity() function can be used (see
?plot_continuity), which will help identify political
parties (clusters of candidate lists), e.g., for calculating the
stability of the party system using one of the volatility indices, or
for tracking candidacies of a specific political actor.
netdata <- lpanda::prepare_network_data(sample_data, verbose = FALSE)
# identified "political parties"
plot_continuity(netdata, mark = "parties", separate_groups = TRUE,
do_not_print_to_console = TRUE)
# tracking the candidacies of candidate "c03"
plot_continuity(netdata, mark = c("candidate", "c03"),
do_not_print_to_console = TRUE)
These binaries (installable software) and packages are in development.
They may not be fully stable and should be used with caution. We make no claims about them.