Empirische Methoden

Wenn Sie das Tutorial zu Korpuslinguistik oder zu Fragebogenstudien durchgearbeitet haben, wissen Sie bereits, wie man Daten gewinnt – etwa durch eine Korpus- oder eine Fragebogenstudie. Sie haben dadurch schon erste Erfahrung im Umgang mit Daten gesammelt. Im Idealfall liegen Ihre Daten auch schon in einem übersichtlichen und einfach auswertbaren Format vor. Aber in welchem Format sollten unsere Daten überhaupt vorliegen, damit wir sie möglichst gut analysieren können? Und mit welcher Software können wir unsere Daten analysieren? Diesen Fragen wollen wir in diesem Tutorial nachgehen.

Tabellenkalkulationsprogramme und Spreadsheets

Wenn Sie mit Daten arbeiten, werden Sie in der Regel nicht umhin kommen, ein Tabellenkalkulationsprogramm zu nutzen (außer Sie können programmieren). Wir werden im Folgenden mit zwei Tabellenkalkulationsprogrammen arbeiten: Erstens Microsoft Excel, weil es die wahrscheinlich bekannteste und verbreitetste Software zur Bearbeitung von Spreadsheets ist; zweitens LibreOffice Calc, weil es für alle, die keine Excel-Lizenz haben, eine kostenlose und im Blick auf den wesentlichen Funktionsumfang vergleichbare Alternative darstellt.

Dabei sollten wir uns aber zunächst verdeutlichen, dass auch die beste Software immer nur ein Hilfsmittel sein kann. Bevor wir uns in die Programme vertiefen, schauen wir uns zunächst an, was eigentlich ein (gutes) Spreadsheet ausmacht.

Spreadsheets: menschenlesbar, maschinenlesbar

Wenn wir an Excel-Tabellen denken, haben wir vielleicht zunächst einen großen, unübersichtlichen Datenwust vor Augen. Das ist wenig hilfreich, wenn wir verstehen wollen, wie man gut mit solchen Tabellen arbeitet. Denken wir daher lieber an etwas Anderes – etwa an einen Einkaufszettel.

Letztlich ist auch ein Einkaufszettel einfach ein Datensatz. Wir können ihn theoretisch in eine Excel-Tabelle einpflegen:

Das bringt zwar zunächst nicht viel, kann sich aber als nützlich erweisen, wenn wir weitere Informationen hinfügen wollen, z.B. den Preis:

Wenn wir empirisch arbeiten, haben wir es in aller Regel mit solchen mehrdimensionalen Daten zu tun. Es handelt sich also nicht um bloße unstrukturierte Listen, sondern um strukturierte Datensätze, die aus mehreren Variablen bestehen. Das ist schon deshalb so, weil sich ja wissenschaftliche Fragestellungen, wie wir gesehen haben, dadurch auszeichnen, dass sie sich in “Je-desto”- bzw. “Wenn-dann”-Sätze umformulieren lassen. Wir sind also meistens an mindestens zwei Variablen interessiert – außer wenn wir rein explorativ arbeiten; in diesem Fall könnten wir auch versuchen, in einer Sammlung von sehr vielen Einkaufszetteln wiederkehrende Muster zu erkennen, die uns Aufschluss über das Einkaufsplanungsverhalten der betroffenen Personen geben können.

Ein wesentlicher Unterschied zwischen einem einfachen Einkaufszettel und den meisten Datensätzen, mit denen wir in der Linguistik und in anderen empirischen Wissenschaften arbeiten, besteht darin, dass Letztere meist erheblich größer sind und oft viel zu umfangreich, als dass man sie manuell auswerten könnte. In solchen Fällen ist es wichtig, dass die Spreadsheets, mit denen wir arbeiten, nicht nur menschenlesbar, sondern auch maschinenlesbar sind. Das ermöglicht eine automatisierte Auswertung, sei es mit Tabellenkalkulationsprogrammen wie Excel und Calc selbst oder mit Programmen wie R oder Python (auf R gehen wir an anderer Stelle in diesem Tutorial ein). Deshalb wollen wir uns bei den Tabellen, mit denen wir im Folgenden arbeiten, an ein einfaches Prinzip halten:

• Eine Variable = eine Spalte,
• ein Datenpunkt = eine Zeile,
• eine Beobachtung = eine Zelle.

Der neuseeländische Data Scientist Hadley Wickham spricht hier auch von “Tidy Data”. Die Vorteile des “Tidy Data”-Prinzips werden gleich noch deutlicher werden, wenn wir uns an die praktische Datenauswertung machen. Bleiben wir aber zunächst noch kurz beim Beispiel unseres Einkaufszettels. Um ihn in einem Tabellenkalkulationsprogramm auswerten zu können, müssen wir ihn zunächst in ein Spreadsheet-Format “gießen”.

Ein sehr häufig verwendetes Format für Spreadsheets ist das CSV-Format. CSV steht für Comma-Separated Values und enthält genau das, was der Name besagt: komma-separierte Werte.

Schauen wir uns die Struktur einer solchen CSV-Datei kurz genauer an, denn wir werden in diesem Tutorial immer wieder mit CSV-Dateien arbeiten. CSV-Dateien sind zunächst einmal einfach Textdateien: Man kann sie mit jedem beliebigen Texteditor öffnen. Das ist ein großer Vorteil gegenüber anderen Formaten, die nur mit einer ganz speziellen Software geöffnet und bearbeitet werden können. Als Spaltentrenner fungiert – Überraschung! – das Komma, mit anderen Worten: das Komma zeigt in jeder Zeile die Spaltengrenze an. Was aber, wenn innerhalb einer Tabellenspalte ein Komma steht? Dafür gibt es in der entsprechenden Zeile Anführungszeichen, die als sogenannte Textqualifizierer dienen – das heißt, sie zeigen an, dass der Text, der zwischen dem öffnenden und schließenden Anführungszeichen steht, zusammengehört.

Typischerweise werden bei CSV-Dateien Kommata als Spaltentrenner und Anführungszeichen als Textqualifizierer verwendet. Das ist aber nicht zwingend, prinzipiell sind auch andere Zeichen möglich. Häufig werden zum Beispiel auch Tabstopps als Spaltentrenner verwendet:

In diesem Fall spricht man auch von Tab-Separated Values, kurz TSV, weshalb die Dateiendung der entsprechenden Dateien in diesem Fall manchmal auch .tsv lautet. Das muss aber nicht zwingend der Fall sein: Eine Datei mit tab-separierten Werten kann dennoch die Endung .csv oder auch eine andere Endung wie einfach .txt haben. Wie oben schon gesagt, handelt es sich letztlich einfach um Textdateien, und prinzipiell kann die Datei auch einkaufszettel.horst heißen...

... und lässt sich mit entsprechenden Programmen wie Notepad++, BBEdit und anderen Texteditoren problemlos öffnen. Die Dateiendung ist einfach nur ein Label, eine Art Etikett, sie sagt nichts darüber aus, wie eine Datei “under the hood”, also quasi von innen, aussieht. (Deshalb ist es ja auch so einfach, Schadprogramme zu tarnen, indem man ihnen gängige Dateiendungen gibt, aber das nur nebenbei.)

Wenn wir ein Spreadsheet, das in einem Format wie CSV oder TSV vorliegt, in einem Tabellenkalkulationsprogramm öffnen wollen, ist es hilfreich zu wissen, welche Spaltentrenner und welche Textqualifizierer die Datei verwendet. Das wird wichtig, wenn wir die Daten in einem Tabellenkalkulationsprogramm öffnen wollen. Diesem Schritt wollen wir uns nun zuwenden. Zum Üben können Sie gern die Konkordanz zur Variation zwischen programmiert und vorprogrammiert verwenden, die hier im CSV- und XLSX-Format verfügbar ist (mit diesen Daten arbeiten wir auch im Tutorial zur Korpuslinguistik).