{"id":876,"date":"2020-09-25T08:25:00","date_gmt":"2020-09-25T06:25:00","guid":{"rendered":"https:\/\/benedict-witzenberger.de\/wordpress\/?p=876"},"modified":"2020-09-29T15:33:26","modified_gmt":"2020-09-29T13:33:26","slug":"4-tipps-fuer-automatisierte-grafiken-mit-datawrappr-datawrapper","status":"publish","type":"post","link":"https:\/\/benedict-witzenberger.de\/wordpress\/2020\/09\/25\/4-tipps-fuer-automatisierte-grafiken-mit-datawrappr-datawrapper\/","title":{"rendered":"4 Tipps f\u00fcr automatisierte Grafiken mit DatawRappr"},"content":{"rendered":"\n

Das Coronavirus hat im digitalen Journalismus viel angeschoben. Zum Beispiel beim Thema automatisierte Grafiken. Ein paar Tipps, wie ich mit Skripten und Datawrapper Grafiken update.<\/p>\n\n\n\n\n\n\n\n

Dieser Blogpost ist schamlose Werbung f\u00fcr mein R-Package DatawRappr<\/a>. Das hatte ich zuf\u00e4llig Ende 2019 entwickelt, haupts\u00e4chlich um die API von Datawrapper aus R heraus nutzen zu k\u00f6nnen. <\/p>\n\n\n\n

Inzwischen nutzen es viele DatenjournalistInnen, um ihre Grafiken f\u00fcr das Coronavirus zu updaten. Seit Beginn der Pandemie habe ich einige L\u00f6sungen damit entwickelt, um „fancy“ Sachen zu machen – ein paar davon wollte ich hier teilen. Ein bisschen nerdiger Post diesmal.<\/p>\n\n\n\n

1. Viele Grafiken auf einmal erstellen<\/h2>\n\n\n\n

Ein klassischer Anwendungsfall: Wir haben eine Grafik und h\u00e4tten die gerne f\u00fcr verschiedene Auspr\u00e4gungen ausgegeben. Zum Beispiel: Ein Liniendiagramm der Neuinfektionen f\u00fcr alle L\u00e4nder in der EU. Wie kann ich diese Grafiken – die alle gleich aussehen – am einfachsten hintereinander weg erstellen?<\/p>\n\n\n\n

Das geht ganz einfach \u00fcber einen For-Loop (R-Enthusiasten werden an dieser Stelle darauf hinweisen, dass man daf\u00fcr doch auf jeden Fall die apply<\/code>-Familie oder das Package purrr<\/code> verwenden sollte. Macht auch Sinn, aber vermutlich ist es f\u00fcr Leute aus anderen Programmiersprachen einfacher, wenn wir erstmal bei for<\/code> bleiben.<\/em>)<\/p>\n\n\n\n

Wie gehen wir vor?<\/p>\n\n\n\n

  1. Wir erstellen f\u00fcr ein Land die Grafik in Datawrapper so, wie sie aussehen soll.<\/li>
  2. Lade die Metadaten dieser Grafik in R: metadata_chart <- dw_retrieve_chart_metadata(chart_id, api_key)<\/code><\/li>
  3. Wir speichern den visualize<\/code>-Abschnitt der Metadaten lokal ab. Zum Beispiel als visualize.RData<\/code>:
    visualize <- metadata_chart[[\"content\"]][[\"metadata\"]][[\"visualize\"]]<\/code>
    saveRDS(visualize, \"visualize.RData\")<\/code><\/li>
  4. Visualize<\/code> enth\u00e4lt alle optischen Vorgaben unserer Grafik. Wir k\u00f6nnen die der API mitgeben, wenn wir eine neue Grafik erstellen.
    Jetzt geht also der Loop los – \u00fcber einen Vektor mit den L\u00e4ndern. Grunds\u00e4tzlich sieht der irgendwie so aus:
    for (Land in Laender_liste) {
    rohdaten %>%
    filter(Staat_in_Rohdaten == Land)
    }<\/code><\/li>
  5. F\u00fcr jedes dieser L\u00e4nder erstellen wir eine neue Datawrapper-Grafik mit dw_create_chart()<\/code>. Die neue Chart-ID bekommen wir direkt von der API zur\u00fcckgeliefert und k\u00f6nnen sie im weiteren Verlauf benutzen:
    current_chart <- dw_create_chart(title = paste0(\"Chart f\u00fcr \", Land),type = \"d3-lines\")<\/code><\/li>
  6. Damit auch die Visualisierungen richtig angezeigt werden, schicken wir der neuen Grafik direkt noch ein dw_edit_chart()<\/code> hinterher:
    dw_edit_chart(chart_id = current_chart, visualize = visualize)<\/code>
    [Eventuell kann man an dieser Stelle auch schon Daten mit dw_data_to_chart()<\/code> hochladen.]<\/li>
  7. Praktisch w\u00e4re es jetzt noch, wenn wir einen \u00dcberblick bek\u00e4men \u00fcber alle Iframes und URLs unserer neu erstellten Grafiken. Daf\u00fcr nutzen wir die dw_publish-chart<\/code>-Funktion. Die kann ein Objekt zur\u00fcckgeben, das die gew\u00fcnschten Infos enth\u00e4lt und die wir abspeichern.
    Vor unseren Loop erstellen wir daf\u00fcr eine leere Liste…
    result_list <- list()
    <\/code>… die wir in jedem Loop-Durchgang (also f\u00fcr jedes Land) weiter bef\u00fcllen:
    published_chart <- dw_publish_chart(current_chart)

    result_list[[i]] <- data.frame(id = area_id, country = area_name, url = published_chart$publicUrl, iframe = published_chart$iframeCode, chart_id = published_chart[[\"content\"]][[\"data\"]][[1]][[\"id\"]])<\/code><\/li>
  8. Die Grafiken sind erstellt. Damit wir beim Aktualisieren auch alle Chart-IDs beisammen haben, speichern wir result_list<\/code> am besten irgendwo lokal als Dataframe ab:
    result_df <- dplyr::bind_rows(result_list)
    saveRDS(result_df, \"chart_ids.RData\")<\/code><\/li>
  9. F\u00fcr die Aktualisierung loopen wir dann einfach \u00fcber result_list<\/code> und ver\u00e4ndern die Charts: die Daten mit dw_data_to_chart<\/code>, die Titel, Introtexte oder Anmerkungen mit dw_edit_chart<\/code>.<\/li><\/ol>\n\n\n\n

    Den gesamten Code f\u00fcr so einen Loop habe ich hier in einem Github Gist <\/a>verlinkt.<\/p>\n\n\n\n

    2. Datawrapper-Grafiken als Bilder ausgeben<\/h2>\n\n\n\n

    In einem weiteren Schritt k\u00f6nnen wir aus den vielen Grafiken auch Bilder erstellen. Zum Beispiel f\u00fcr einen Small-Multiple-\u00dcberblick sein. Also viele kleine Grafiken nebeneinander. <\/p>\n\n\n\n

    Wir k\u00f6nnen daf\u00fcr wieder den vorherigen Loop verwenden. Dazu die Funktion dw_export_chart<\/code>():
    png_chart <- dw_export_chart(
    chart_id = current_chart,
    type = \"png\",
    unit = \"px\",
    mode = \"rgb\",
    width = 200,
    height = 300,
    plain = TRUE,
    scale = 2)<\/code><\/p>\n\n\n\n

    In diesem Beispiel geben wir ein PNG mit 200 Pixeln Breite und 300 Pixeln H\u00f6he aus, doppelt skaliert (scale<\/code>), Titel und Anmerkungen werden nicht angezeigt (wegen: plain = TRUE<\/code>). Mit der Funktion image_write aus dem magick<\/code>-Package<\/a> k\u00f6nnen wir die Grafiken dann lokal speichern:<\/p>\n\n\n\n

    image_write(png_chart, \"output.png\")<\/code><\/p>\n\n\n\n

    Dann laden wir die Bilder irgendwo hoch, und bauen mit HTML eine \u00dcberblicksseite, in die wir alle einbinden.<\/p>\n\n\n\n

    3. Tooltips \u00fcber die Datawrapper-API ver\u00e4ndern<\/h2>\n\n\n\n

    Karten und Scatterplots in Datawrapper k\u00f6nnen beim Hovern oder Klicken Tooltips anzeigen. Auch die kann man ziemlich einfach \u00fcber die API ver\u00e4ndern. Das kann zum Beispiel praktisch sein, wenn man bestimmte Daten dynamisch dazugibt oder eben nicht. <\/p>\n\n\n\n

    Ein Beispiel: Ich scrape f\u00fcr eine Zusatzinfo eine bestimmte Seite. Diese Info will ich eigentlich immer in meiner Grafik anzeigen, aber was, wenn die Seite pl\u00f6tzlich offline ist? Ich k\u00f6nnte auf ein Fallback zur\u00fcckspringen, ich kann mich aber auch entscheiden, diese Info dann nicht anzuzeigen. Daf\u00fcr muss ich die Tooltips ver\u00e4ndern k\u00f6nnen.<\/p>\n\n\n\n

    Am einfachsten ist das Vorgehen, wenn ich die Tooltips \u00fcber das grafische Nutzerinterface anlege. Ich kann sie dann \u00fcber dw_retrieve_chart_metadata()<\/code> ganz einfach abrufen und ver\u00e4ndern. Der Tooltip liegt unter: metadata_chart[[\"content\"]][[\"metadata\"]][[\"visualize\"]]<\/code> und besteht aus drei Abschnitten:<\/p>\n\n\n\n