Hükümetlerde Görev Yapan Kadın Oranlarının Görselleştirilmesi

Makale Worldbank sitesinden aldığı data ile birlikte hükümetlerdeki kadınların oranlarını görselleştirmeyi amaçlıyor.

Makale bu incelemeyi 5 gurup için yapıyor. Bu guruplar;

1)Dünya çapında kadınların hükümetlerdeki görünürlüğü ve katılımı

2)Ülkelerin gelirlerine göre kadınların hükümetlerdeki görünürlüğü ve katılımı

3)Seçilmiş ülkelerdeki kadınların hükümetlerdeki görünürlüğü ve katılımı

4)2020 yılı datalarına göre hükümetlerinde en çok kadın olan 20 ülke

5)1997’den 2020’ye kadar hükümetlerindeki kadın sayısında en yüksek artış gösteren 20 ülke

Öncelikle datanın indirilmesi ve temizlenmesi gerekiyor. Data .csv uzantısıyla indirildikten sonra
data 3 ana adım kullanılarak temizleniyor. Öncelikle sütun adları değiştiriliyor. Böylece datanın
substring() kullanılarak okunması kolaylaşıyor ve yıllar ile isimler ayrıştırılabiliyor. Ve janitor
içerisinden make_clean_names() kullanılarak diğer isimler siliniyor. Orjinal data setinde bazı
eksik kısımlar olabilir. Bunun için de na_if() fonksiyonu kullanılarak dolduruluyor. Kodda da
görüldüğü gibi gerekli paketler indiriliyor. Orjinal data okunuyor. Sonrasında sütun adları
değiştiriliyor ve boş hücreler dolduruluyor

# Load the necessary packages
# Tidyverse is our rock in data analysis (includes ggplot2)
if(!require("tidyverse")) install.packages("tidyverse") 
# Janitor cleans data like the best janitor out there!
if(!require("janitor")) install.packages("janitor")
# ggsci has my favourite color palettes
if(!require("ggsci")) install.packages("ggsci")
# ggalt is necessary for the dumbbell chart
if(!require("ggalt")) install.packages("ggalt") 
# ggtext allows for great text to include for charts
if(!require("ggtext")) install.packages("ggtext") 

# Load the csv data file
df <- read_csv("WomenInGovernment_Data.csv")

# Change the column names to account for each year of the data 1997-2020
names <- colnames(df)[4:27]
names <- substring(names, 7,12)
colnames(df)[4:27] <- names
colnames(df) <- janitor::make_clean_names(colnames(df))

# Change all the ..s in the data to NAs and then convert the columns to numeric
df[,4:27] <- na_if(df[,4:27], "..")
df[,4:27] <- sapply(df[,4:27],as.numeric) %>% 
  round(digits = 1)

İnceleyecek kişi için anlaşılır olması adına data seti yukarıda görüldüğü gibi 5’e bölünüyor.
Bunu yapmak için filter() fonksiyonu kullanılıyor. Bu fonksiyon sayesinde bölme işlemlerini
istediğimiz gibi gerçekleştirebiliyoruz. Ayrıca pivot_longer() kullanılarak daha düzenli data
setleri elde ediliyor.

Buna ek olarak ek sütunlar üretiliyor; bunun amacı 1997-2020 yılları arasındaki değişimi
görmek. Sonrasında bu sütunları sırasına göre diziyoruz. Böylece yukarıda belirtilen 4 ve 5.
Guruptaki veriyi elde ediyoruz.

# Create a dataset for each chart, just to make it .
# For this we filter the data for the region, income or country, then make the graph longer using the pivot_longer() function
# Regional chart dataset
df.region <- df %>% 
  filter(category == "Region" | category == "World") %>% 
  pivot_longer(cols = starts_with("yr"), names_to = "year", names_prefix = "yr",
               values_to = "value", values_drop_na = TRUE)

# Income chart dataset
df.income <- df %>% 
  filter(category == "Income" | category == "World") %>% 
  pivot_longer(cols = starts_with("yr"), names_to = "year", names_prefix = "yr",
               values_to = "value", values_drop_na = TRUE)

# Selected Countries chart (Chose countries that are either near and dear to me or where my readers tend to be)
selected_countries <- c("World", "Canada", "China", "Denmark", "France", "Germany", "India", 
                        "Italy", "Norway", "Sweden", "United Kingdom", "United States")
df.country <- df %>% 
  filter(country_name %in% selected_countries| category == "World") %>%
  pivot_longer(cols = starts_with("yr"), names_to = "year", names_prefix = "yr",
               values_to = "value", values_drop_na = TRUE)

# Top Female representation by country dumbbell chart
df.top.dumbbell <- df %>% 
  filter(category == "Country") 
df.top.dumbbell$change <- df.top.dumbbell$yr2020 - df.top.dumbbell$yr1997
df.top.dumbbell <- head(arrange(df.top.dumbbell, desc(yr2020)), n = 20) %>% 
  droplevels()
df.top.dumbbell$country_name <- factor(df.top.dumbbell$country_name, levels = as.character(df.top.dumbbell$country_name))  # to retain the order in plot.

# Top Female Increase in representation dumbbell chart
df.change.dumbbell <- df %>% 
  filter(category == "Country") 
df.change.dumbbell$change <- df.change.dumbbell$yr2020 - df.change.dumbbell$yr1997
df.change.dumbbell <- head(arrange(df.change.dumbbell, desc(change)), n = 20) %>% 
  droplevels()
df.change.dumbbell$country_name <- factor(df.change.dumbbell$country_name, levels = as.character(df.change.dumbbell$country_name))  # to retain the order in plot.

Datayı temizledikten ve istediğimiz verileri alabilir hale getirdikten sonra 2.adım olarak
grafikleri çizmeye başlıyoruz.

Grafik-1: Dünya çapında kadınların hükümetlerdeki görünürlüğü ve katılımı
Öncelikle grafiklerin oluşturulabilmesi amacıyla theme_set() kurulur ve bu amaçla dosya
oluşturulur(output’u tutabilmek için). Kodu detaylı incelediğimiz zaman;
x ve y grafiklerinin oluşturulduğunu ve x’in yıl olarak tanımlanırken y’nin hükümetteki
kadın yüzdesi olarak tanımlandığını görüyoruz. X discrete olarak tanımlanmıştır çünkü
belli yıllar özelinde bakılabilmesi gerekmektedir. Kod içerisinde aynı zamanda
grafiklerin nasıl görüleceğine de karar verilir(punto vs.)

# Let's set the theme and create a folder to store your output
theme_set(theme_bw())
dir.create("plots")

# First create a plot of all the regional representation of women in government
region.plot <- ggplot(df.region, aes(x=year,y=value,group=country_name,color=country_name)) +
  geom_line(size = 1.5) +
  
  # My top color palette
  scale_color_simpsons() +
  
  # Set the x-axis scale
  scale_x_discrete(breaks=c(1997,2002,2007,2012,2017)) +
  
  # Update the labels of the axes
  labs(x = "Year",
       y = "Percentage of Women in Government",
       title = "Female Representation in Government by World Region",
       subtitle = "Unsurprisingly Europe leads the way in female representation, followed by Latin America \n& the Caribbean and then North America. Since 1997, the world's average has increased \nfrom 11.7% to 25.2%",
       color = "Region")  +
 
   #Adjust the axes
  theme(plot.title = element_text(face="bold", size =14), 
        axis.title.x = element_text(face="bold", size = 12),
        axis.title.y = element_text(face="bold", size = 12),
        legend.title = element_text(face="bold", size = 12))
region.plot
# Save the plot!
ggsave("plots/RegionalPlot.png", region.plot, height = 5, width = 8)

İlk grafiği incelediğimiz zaman; en çok kadın oranının Avrupa ve Amerikada olduğunu
görüyoruz. Orta Doğu, Kuzey Afrika ise sonlarda kalıyor. Yıllar içindeki değişime
baktığımızda ise en pozitif olarak görebileceğimiz etki hükümetlerdeki kadın
görünürlüğünün son 25 yılda 2 katından fazl arttığı. Hali hazırdaki eğime bakacak
olursak 2065 yılında kadın erkek oranlarında 50/50 bir dağılım olduğunu görebileceğiz.

Grafik-2: Ülkelerin gelirlerine göre kadınların hükümetlerdeki görünürlüğü ve
katılımı

# Next comes all the countries by income level
income.plot <- ggplot(df.income, aes(x=year,y=value,group=country_name,colour=country_name)) +
  geom_line(size = 1.5) +
  scale_color_simpsons() +
  scale_x_discrete(breaks=c(1997,2002,2007,2012,2017)) +
  labs(x = "Year",
       y = "Percentage of Women in Government",
       title = "Female Representation in Government by Country Income Level",
       subtitle = "Looking at it by income basically replicates the regional charts, with OECD and high income \ncountries leading the way with around 30% female representation. Interestingly heavily indebted \npoor countries have made the biggest rise, gaining about 17 percentage points over the past 25 years",
       color = "Country Income Level Group")  +
  theme(plot.title = element_text(face="bold", size =14), 
        axis.title.x = element_text(face="bold", size = 12),
        axis.title.y = element_text(face="bold", size = 12),
        legend.title = element_text(face="bold", size = 12))
income.plot
ggsave("plots/IncomePlot.png", income.plot, height = 5, width = 8)

Kodu incelediğimiz zaman; x ve y ekseninin 1. Örnektekiyle aynı olduğunu görüyoruz.
Yalnızca renklendirme kısmı bir öncekinde ülkelere göre yapılırken bu sefer gelir
oranlarına göre yapılıyor.

Grafiği incelediğimizde; ilk grafiğe benzer şekilde zengin ülkelerde hükümetlerdeki
kadın görünürlüğünün daha fazla olduğunu gözlemliyoruz. Sıralamalar zengin ülkeler
kısmında daha düzgün dağılıyor dolayısıyla daha detaylı bir araştırma yapılırsa bir
korelasyon olduğu görülecektir.

Grafik-3: Seçilmiş ülkelerdeki kadınların hükümetlerdeki görünürlüğü ve katılımı
Bu analiz daha çok bilinen ülkeler için yapılacaktır. Bu ülkeleri grafik oluştuktan sonra
görebileceksiniz. x ve y aynı şekilde tutulurken yine ülke seçenekleri renklerle
belirtilmiştir.

# Third comes my selected countries
country.plot <- ggplot(df.country, aes(x=year,y=value,group=country_name,colour=country_name)) +
  geom_line(size = 1.5) +
  scale_color_simpsons() +
  scale_x_discrete(breaks=c(1997,2002,2007,2012,2017)) +
  labs(x = "Year",
       y = "Percentage of Women in Government",
       title = "Female Representation in Government from Selected Countries",
       subtitle = "Sweden, Germany, Denmark and Norway have all had a higher representation of women in government \nfor almost all of the past 25 years. On the other hand, there has been large growth in representation \nfrom countries like Italy, the UK and France. India and the US lag against these other countries",
       color = "Selected Countries")  +
  theme(plot.title = element_text(face="bold", size =14), 
        axis.title.x = element_text(face="bold", size = 12),
        axis.title.y = element_text(face="bold", size = 12),
        legend.title = element_text(face="bold", size = 12))
country.plot
ggsave("plots/CountryPlot.png", country.plot, height = 5, width = 8)

Hükümetlerde kadın görünürlüğünde en büyük yükseliş Almanya, Danimarka, Norveç ve
İsveç’de var. Yaklaşık yüzde %40lık bir artış var. Bunun dışında Italya, İngiltere, Fransa
gibi ülkelerde artışın durduğunu görüyoruz

Grafik-4: 2020 yılı datalarına göre hükümetlerinde en çok kadın olan 20 ülke
Şimdi çizeceğimiz grafikler için belli bir yıl için ülkeleri karşılaştırmamız gerekiyor. Bu grafikleri
çizebilmemiz için; geom_dumbbell() fonksiyonunun kullanmamız gerekecek. geom_dumbbell(), ggalt paketi içinde bulunan bir fonksiyondur. Bu sayede ggplot() ile aşağıda göreceğimiz gibi bir grafiği çiziyoruz. Grafiğimizi farklılılaştırmak / görselleştirmek amacıyla geom_text()
geom_rect() annotate() gibi belli başlı fonksiyonları kullandık. Bu chartta aynı zamanda
1997’den 2020’ye kadın oranlarında ne kadar artış olduğunu da göstermeyi hedefliyoruz.

# Okay now for the pretty dumbbell charts
# The first dumbbell chart shows
top.dumbbell.plot <- ggplot(df.top.dumbbell, aes(y = country_name, x = yr1997, xend = yr2020, group=country_name)) +
  geom_dumbbell(size= 1, size_x = 3, size_xend = 3, colour_x = "darkred", colour_xend = "darkgreen", colour = "grey") +
  labs(
    y = "Country",
    x = "Percentage of Women in Government",
    title = "20 Countries with the Highest Proportion of Women \nin Government as of 2020",
    subtitle = "Despite the higher income countries showing larger proportions of women in government, only 1 of <br>the top 10 countries in <span style = 'color:darkgreen'><b>2020</b></span> is from Europe and the top three countries are Rwanda, Cuba and Bolivia. <br>Definitely different than most people would expect!"
  )+
  scale_x_continuous(breaks = seq(from = 0, to = 60, by = 10)) +
  scale_y_discrete(limits = rev(levels(df.top.dumbbell$country_name))) +
  theme(
    panel.background = element_rect(fill = "#FFEFCB", color = NA),
    plot.background = element_rect(fill = "#FFEFCB", color = NA),
    panel.grid = element_blank(),
    axis.ticks = element_blank(),
    axis.text = element_text(size = 12, color = "black"),
    axis.title.x = element_text(face = "bold", size = 12, margin = margin(t = 10, r = 0, b = 0, l = 0)),
    axis.title.y = element_text(face = "bold", size = 12),
    plot.title = element_text(size = 16, face = "bold"),
    plot.subtitle = element_markdown()
  ) +
  geom_rect(data = df.top.dumbbell, aes(xmin = max(yr2020) * 1.09, xmax = max(yr2020) * 1.13, ymin = -Inf, ymax = Inf), fill = "grey") +
  annotate(geom="text", x = 72, y= df.top.dumbbell$country_name[9], angle = 270,
           label=c("Percent Increase"), color="darkgreen", size = 4, fontface = 'bold') +  
  geom_text(data = df.top.dumbbell, aes(label = paste0("+", round(change), "%"), y = country_name, x = max(yr2020) * 1.11), fontface = "bold", size = 3, color = "darkgreen")
top.dumbbell.plot
ggsave("plots/TopdumbbellPlot.png", top.dumbbell.plot, height = 5, width = 10)

Bu grafiğe baktığımızda görüyoruz ki; tüm çabalara ragmen %50 sınırını aşmış olan ülke sayısı
yalnızca 3. 246 ülkeden yalnızca 3’ünün aşmış olması oldukça düşük bir oran. Ayrıca bu charta
baktığımızda Avrupa ya da Amerikadaki en yüksek gelirdeki ülkelerin en başta olmadığını
görüyoruz bu da bize gösteriyor ki yüksek gelire bakmak her zaman en iyi ölçüt değil.

Grafik-5: 1997’den 2020’ye kadar hükümetlerindeki kadın sayısında en yüksek artış
gösteren 20 ülke
Grafik benzer şekilde oluşturuluyor. Birleşik Arap emirliklerinin sıralamada 1. Geldiğini
görebiliriz. BAE demokrasi yok yani bu kadınlar seçilerek gelen kadınlar değiller. Oranının
%35’in üstünde arttıran Rwanda, Bolivia, Andorra gibi yerler takdiri hak ediyor.

# The second dumbbell chart
change.dumbbell.plot <- ggplot(df.change.dumbbell, aes(y = country_name, x = yr1997, xend = yr2020, group=country_name)) +
  geom_dumbbell(size= 1, size_x = 3, size_xend = 3, colour_x = "darkred", colour_xend = "darkgreen", colour = "grey") +
  labs(
    y = "Country",
    x = "Percentage of Women in Government",
    title = "The 20 Countries with the Largest Increases of Women \nin Government from 1997 to 2020",
    subtitle = "Many of the countries that have grown their proportion of women in government had less than 15% of <br>women in government in <span style = 'color:darkred'><b>1997</b></span>, but have since seen those levels grow 25-50 percentage <br>points by <span style = 'color:darkgreen'><b>2020</b></span>."
  )+
  scale_x_continuous(breaks = seq(from = 0, to = 60, by = 10)) +
  scale_y_discrete(limits = rev(levels(df.change.dumbbell$country_name))) +
  theme(
    panel.background = element_rect(fill = "#FFEFCB", color = NA),
    plot.background = element_rect(fill = "#FFEFCB", color = NA),
    panel.grid = element_blank(),
    axis.ticks = element_blank(),
    axis.text = element_text(size = 12, color = "black"),
    axis.title.x = element_text(face = "bold", size = 12, margin = margin(t = 10, r = 0, b = 0, l = 0)),
    axis.title.y = element_text(face = "bold", size = 12),
    plot.title = element_text(size = 16, face = "bold"),
    plot.subtitle = element_markdown()
  ) +
  geom_rect(data = df.change.dumbbell, aes(xmin = max(yr2020) * 1.09, xmax = max(yr2020) * 1.13, ymin = -Inf, ymax = Inf), fill = "grey") +
  annotate(geom="text", x = 72, y= df.change.dumbbell$country_name[9], angle = 270,
           label=c("Percent Increase"), color="darkgreen", size = 4, fontface = 'bold') +  
  geom_text(data = df.change.dumbbell, aes(label = paste0("+", round(change), "%"), y = country_name, x = max(yr2020) * 1.11), fontface = "bold", size = 3, color = "darkgreen")
change.dumbbell.plot
ggsave("plots/ChangedumbbellPlot.png", change.dumbbell.plot, height = 5, width = 10)

Kadınlar günü kutlu olsun!

Kaynak: Visualizing the Proportion of Women In Governments Around the World | R-bloggers

Çeviren: Elifcan Gönenç