Trabajo final de Diplomatura en Ciencias Sociales Computacionales y Humanidades Digitales (UNSAM)

Métricas: TF, IDF, TF-IDF

Una de las ideas que surgen intuitivamente al plantearse este objetivo es realizar un conteo crudo de las veces que aparece cada palabra en cada medio. Sin embargo, este método presenta deficiencias significativas en la práctica. Entre éstas, se destacan dos: el largo de los documentos varía, y la información sobre el sentido no crece de forma proporcional a la ocurrencia de una palabra en un documento. El resultado del conteo crudo puede verse en el siguiente gráfico.

medio_palabras<-corpus_tidy %>%
        group_by(medio, word) %>%
        summarise(n = n()) %>%
        arrange(desc(n)) %>%
        ungroup()

medio_palabras %>%
        group_by(medio) %>%
        slice_max(n, n = 10) %>%
        ungroup() %>%
        mutate(word = reorder_within(word, n, medio)) %>%
        ggplot(aes(n, word, fill = medio)) +
        geom_col(show.legend = FALSE) +
        facet_wrap(~medio, ncol = 2, scales = "free") +
        scale_y_reordered()+
        labs(x = "n", y = NULL) +
        theme_minimal()+
        theme(text=element_text(size=16,family="mono",face = "bold"))

Frente a las deficiencias del conteo crudo, considero algunas métricas alternativas.

El objetivo es identificar una métrica que balancee dos dimensiones centrales de las palabras: su importancia (dada por su frecuencia en un documento) y su informatividad con respecto al contenido de dicho documento en particular (dada por su presencia en pocos documentos y no en todos los del corpus).

En este caso, lo que busco es identificar las palabras importantes e informativas de cada medio. Para lograrlo, introduzco al análisis las siguientes métricas:

• El TF (Term frequency) refleja la importancia. Mide la frecuencia relativa de una palabra en cierto documento: la cantidad de veces que aparece la palabra en el documento sobre el total de palabras en dicho documento. En este sentido, la TF sortea una de las deficiencias del conteo crudo (documentos de diferentes tamaños) mediante su normalización a fines de obtener resultados que resulten comparables.

• El IDF (Inverse document frequency) refleja la informatividad. Se calcula como —el logaritmo de— el tamaño del corpus (el total de documentos) dividido por la cantidad de documentos que contienen la palabra en cuestión. Esta métrica incrementa el peso de las palabras que no se usan mucho (en el corpus) en detrimento de las palabras de uso común.

• El TF-IDF combina ambas métricas y, de esta forma, balancea importancia e informatividad. Se calcula multiplicando TF por IDF. Esta métrica busca identificar las palabras que son importantes (comunes) e informativas (no demasiado comunes). En síntesis, la métrica de TF-IDF permite identificar palabras características o distintivas de un documento dentro de una colección de documentos (el corpus).

Las tres métricas pueden obtenerse fácilmente mediante la función bind_tfi_idf() de tidytext.

library(forcats)

corpus_tf_idf <- medio_palabras %>%
  mutate(medio=recode(medio, "Clarin" = "Clarín", "Pagina 12" = "Página 12", "La Nacion" = "La Nación")) %>% 
  bind_tf_idf(word, medio, n)

library(kableExtra)
kbltfidf1<-kable(head(corpus_tf_idf,20),caption="Primeras 20 filas de tabla bind_tf_idf, a modo ilustrativo") %>%
  row_spec(0,bold=TRUE) %>% 
  kableExtra::kable_classic_2(full_width=TRUE) %>% 
  column_spec(1, bold = T)

kbltfidf1

Al ver la tabla resultante, se puede distinguir una serie de palabras con un TF alto y un IDF igual a cero. Éstas suelen ser palabras muy comunes pero poco informativas. En el caso de no haberlas eliminado previamente, este sería el caso de las stopwords.

Las deficiencias de limitar el análisis de las palabras a su frecuencia relativa se refleja claramente en el siguiente gráfico, con las 10 palabras de mayor TF para cada medio. Resulta prácticamente imposible detectar diferencias relevantes entre cada medio, dado que las palabras de mayor TF suelen ser comunes y repetirse en los diferentes diarios: “gobierno”, “país”, “Argentina”, “nacional”, “presidente”.

corpus_tf_idf %>%
  group_by(medio) %>%
        slice_max(tf, n = 10) %>%
        ungroup() %>%
        mutate(word = reorder_within(word, tf, medio)) %>%
        ggplot(aes(tf, word, fill = medio)) +
        geom_col(show.legend = FALSE) +
        facet_wrap(~medio, ncol = 2, scales = "free") +
        labs(x = "tf", y = NULL)+
        scale_y_reordered()+
        theme_minimal()+
        theme(text=element_text(size=16,family="mono",face = "bold"))

Tal como fue mencionado, este problema puede evitarse con el uso de la métrica TF-IDF, que balancea importancia e informatividad. Al aplicarlo, estas palabras rápidamente desaparecen del ranking; la razón es simple: por más alto que sea el valor del TF, al multiplicarse por un IDF igual a cero resultará en un TF_IDF igual a cero también.

Gráfico final a partir de TF-IDF

Grafico las 10 palabras de mayor TF-IDF para cada medio.

corpus_tf_idf %>%
  group_by(medio) %>%
        slice_max(tf_idf, n = 15) %>%
        ungroup() %>%
        ggplot(aes(tf_idf, fct_reorder(word, tf_idf), fill = medio)) +
        geom_col(show.legend = FALSE) +
        facet_wrap(~medio, ncol = 2, scales = "free") +
        labs(x = "tf_idf", y = NULL)+
        theme_minimal()+
  theme(text=element_text(size=16,family="mono",face = "bold"))

Para el gráfico final, realizo algunos pasos como: modificar la columna “medio” para recuperar las tildes de los nombres de los diarios; descargar la paleta de colores que utilizaré; indicar ciertos criterios como el tamaño y la fuente del texto, el tamaño del gráfico, etc.

En el caso de Perfil y Minuto Uno, ciertas palabras encabezan la lista (tres palabras en Perfil, y seis en Minuto Uno), y muchas otras compiten por los siguientes lugares, por lo que decidí recortar la cantidad de palabras que aparecen en dichos gráficos a fines de poder leer claramente las etiquetas (con el argumento with_ties = FALSE). Es importante destacar que, al aplicar este corte sin un criterio en particular, también podría influir en cuán esclarecedor resultan los gráficos en sí.

corpus_tf_idf<-corpus_tf_idf %>% mutate(medio=recode(medio, "Clarin" = "Clarín", "Pagina 12" = "Página 12", "La Nacion" = "La Nación"))
library(tarantino)
p<-tarantino_palette('ReservoirDogs')

library(forcats)

plotpalabras<-corpus_tf_idf %>%
  group_by(medio) %>%
        slice_max(tf_idf, n = 10,with_ties = FALSE) %>%
        ungroup() %>%
        ggplot(aes(tf_idf, fct_reorder(word, tf_idf), fill = medio)) +
        geom_col(show.legend = FALSE) +
        facet_wrap(~medio, ncol = 2, scales = "free") +
        labs(title="Palabras más importantes e informativas de cada medio
(de mayor TF_IDF)",x = "tf-idf", y = NULL) +
        theme_minimal()+
  scale_fill_manual(values = p)+
  theme(plot.title = element_text(family="mono",face = "bold",size = 18,hjust = 0.5),text=element_text(size=15,  family="mono",face = "bold"),strip.text = element_text(size=17,face = "bold",family="mono"))

png("plotpalabras.png",
    units="in", width=10, height=8,res=300)
print(plotpalabras)

plotpalabras

Modelado de tópicos

El próximo paso es identificar los principales tópicos presentes en el corpus.

El método Latent Dirichlet Allocation (LDA) ⁴ es un algoritmo para el modelado de tópicos. Presenta dos supuestos centrales:

1. Cada documento es una mezcla de tópicos (es decir, puede contener palabras de diversos tópicos en diferentes proporciones).

2. Cada tópico es una mezcla de palabras (y éstas pueden formar parte de diferentes tópicos).

Mediante el método LDA, buscaré identificar la combinación de palabras dentro de cada tópico y la combinacion de tópicos que compone cada documento.

Cargo el paquete que usaré.

library(topicmodels)

Para realizar el modelado de tópicos, creo una DocumentTermMatrix: una matriz donde las filas corresponden a documentos; las columnas, a palabras; y los valores, a recuentos de palabras.

Para llegar a esta matriz, primero genero la tabla con los recuentos.

word_counts <- corpus_tidy %>%
        group_by(id, word) %>%
        summarise(n=n()) %>%
        ungroup()

Luego la transformo en una DocumentTermMatrix (porque así lo requiere el paquete topicmodels, que realizará la estimación de tópicos).

disc_dtm <- word_counts %>%
                cast_dtm(id, word, n)

disc_dtm

## <<DocumentTermMatrix (documents: 7000, terms: 96678)>>
## Non-/sparse entries: 1146136/675599864
## Sparsity           : 100%
## Maximal term length: 38
## Weighting          : term frequency (tf)

Al explorarla, me indica que la matriz resultante tiene 675.599.864 cantidad de entradas y que sólo 1.146.136 entradas no son cero, por lo que la matriz es casi 100% dispersa (básicamente, la matriz está repleta de ceros).

Esta matriz Document-Term Matrix será el insumo del paquete topicmodels, que estimará un modelo LDA. En este caso, le indico que identifique 14 tópicos.

lda_14 <- LDA(disc_dtm, k=14, control = list(seed = 1234))

Exploro los primeros 20 términos de cada tópico.

terms(lda_14,20)

##       Topic 1      Topic 2      Topic 3        Topic 4         Topic 5    
##  [1,] "papa"       "ciudad"     "cristina"     "juez"          "musica"   
##  [2,] "francisco"  "san"        "gobierno"     "causa"         "disco"    
##  [3,] "minutos"    "aires"      "pais"         "kirchner"      "teatro"   
##  [4,] "carrera"    "agua"       "sociales"     "federal"       "banda"    
##  [5,] "final"      "zona"       "clase"        "dinero"        "canciones"
##  [6,] "vaticano"   "metros"     "modelo"       "baez"          "argentina"
##  [7,] "equipo"     "rio"        "politico"     "empresa"       "arte"     
##  [8,] "san"        "nacional"   "presidenta"   "millones"      "mundo"    
##  [9,] "argentina"  "centro"     "justicia"     "cristina"      "publico"  
## [10,] "iglesia"    "manana"     "mundo"        "fiscal"        "cantante" 
## [11,] "partido"    "personas"   "meses"        "justicia"      "cancion"  
## [12,] "manana"     "dias"       "militante"    "denuncia"      "rock"     
## [13,] "mundo"      "vecinos"    "kirchnerismo" "investigacion" "festival" 
## [14,] "argentino"  "semana"     "uber"         "nacional"      "grupo"    
## [15,] "copa"       "arte"       "deberian"     "informacion"   "aires"    
## [16,] "boca"       "provincia"  "relato"       "empresas"      "of"       
## [17,] "viernes"    "obras"      "argentina"    "caso"          "vida"     
## [18,] "encuentro"  "villa"      "opositores"   "pesos"         "apple"    
## [19,] "lunes"      "barrio"     "izquierda"    "gobierno"      "artista"  
## [20,] "comentario" "kilometros" "problemas"    "lopez"         "musical"  
##       Topic 6       Topic 7      Topic 8       Topic 9        Topic 10       
##  [1,] "macri"       "gobierno"   "mundo"       "salud"        "policia"      
##  [2,] "gobierno"    "justicia"   "argentina"   "personas"     "fiscal"       
##  [3,] "presidente"  "presidente" "sistema"     "casos"        "seguridad"    
##  [4,] "frente"      "corte"      "politica"    "hospital"     "mujer"        
##  [5,] "scioli"      "pais"       "vida"        "argentina"    "casa"         
##  [6,] "nacional"    "ley"        "forma"       "ciento"       "victima"      
##  [7,] "provincia"   "derechos"   "sociedad"    "enfermedad"   "hombre"       
##  [8,] "candidato"   "camara"     "social"      "pais"         "causa"        
##  [9,] "mauricio"    "brasil"     "pais"        "riesgo"       "manana"       
## [10,] "elecciones"  "judicial"   "educacion"   "nacional"     "joven"        
## [11,] "jefe"        "caso"       "personas"    "pacientes"    "justicia"     
## [12,] "cristina"    "juicio"     "universidad" "desarrollo"   "federal"      
## [13,] "politica"    "argentina"  "informacion" "ministerio"   "investigacion"
## [14,] "gobernador"  "tribunal"   "sociales"    "enfermedades" "crimen"       
## [15,] "ministro"    "nacional"   "tecnologia"  "vida"         "caso"         
## [16,] "kirchner"    "politico"   "desarrollo"  "estudio"      "detenido"     
## [17,] "pro"         "juez"       "internet"    "caso"         "ciudad"       
## [18,] "pais"        "fiscal"     "paises"      "medico"       "tarde"        
## [19,] "electoral"   "jueces"     "gente"       "tratamiento"  "muerte"       
## [20,] "oficialismo" "proceso"    "cambio"      "cancer"       "zona"         
##       Topic 11     Topic 12      Topic 13   Topic 14       
##  [1,] "millones"   "trump"       "vida"     "pais"         
##  [2,] "argentina"  "mujeres"     "historia" "presidente"   
##  [3,] "gobierno"   "unidos"      "libro"    "gobierno"     
##  [4,] "ciento"     "clinton"     "mundo"    "unidos"       
##  [5,] "economia"   "violencia"   "casa"     "paises"       
##  [6,] "dolares"    "campana"     "mujer"    "personas"     
##  [7,] "pais"       "personas"    "hombre"   "acuerdo"      
##  [8,] "mercado"    "mujer"       "gente"    "seguridad"    
##  [9,] "precios"    "donald"      "amor"     "guerra"       
## [10,] "pesos"      "mundo"       "familia"  "siria"        
## [11,] "inflacion"  "genero"      "pelicula" "refugiados"   
## [12,] "sector"     "hillary"     "obra"     "paz"          
## [13,] "banco"      "sexual"      "libros"   "fuerzas"      
## [14,] "empresas"   "pais"        "cine"     "obama"        
## [15,] "aumento"    "hombres"     "paso"     "mundo"        
## [16,] "central"    "presidente"  "novela"   "cuba"         
## [17,] "meses"      "republicano" "madre"    "ministro"     
## [18,] "deuda"      "york"        "hijos"    "grupo"        
## [19,] "acuerdo"    "democrata"   "hijo"     "internacional"
## [20,] "produccion" "partido"     "mujeres"  "europa"

Para analizar la distribución de palabras para cada tópico, aplico la función tidy(), que genera un formato de un tópico-palabra por fila: para cada combinación posible, estima la probabilidad de que esa palabra se genere a partir de ese tópico (probabilidad denominada “beta”).

ap_topics <- tidy(lda_14, matrix = "beta")
ap_topics<-ap_topics %>%
  mutate(beta = round(beta, 5))
ap_topics

## # A tibble: 1,353,492 × 3
##    topic term       beta
##    <int> <chr>     <dbl>
##  1     1 acelero 0.00002
##  2     2 acelero 0      
##  3     3 acelero 0      
##  4     4 acelero 0.00002
##  5     5 acelero 0      
##  6     6 acelero 0.00001
##  7     7 acelero 0      
##  8     8 acelero 0.00003
##  9     9 acelero 0.00002
## 10    10 acelero 0.00006
## # ℹ 1,353,482 more rows

A partir de este proceso, identifico las 15 palabras más comunes dentro de cada tópico.

Visualizo el resultado.

ap_top_terms <- ap_topics %>%
  group_by(topic) %>%
  slice_max(beta, n = 15) %>% 
  ungroup() %>%
  arrange(topic, -beta)

plottopicos<-ap_top_terms %>%
  mutate(term = reorder_within(term, beta, topic)) %>%
  ggplot(aes(beta, term, fill = factor(topic))) +
  geom_col(show.legend = FALSE) +
  facet_wrap(~ topic, scales='free') +
  scale_y_reordered() +
        labs(title="Tópicos revelados con LDA",y = "término") +
        theme_minimal()+
  scale_fill_manual(values = c(p,"#245C59","#707B5D","#696E68","#D7DA4C","#015c89","#B6523B","#8A7A23"))+
  theme(plot.title = element_text(family="mono",face = "bold",size = 18,hjust = 0.5),text=element_text(size=15,  family="mono",face = "bold"),strip.text = element_text(size=17,face = "bold",family="mono"))


plottopicos

png("plottopicos.png",
    units="in", width=10, height=10,res=300)
print(plottopicos)

Procedo a etiquetar —dentro de lo posible— cada tópico:

• 1. Fútbol/deporte
• 2. Servicios y espacios públicos/urbanismo?
• 3. Política nacional
• 4. Causas judiciales/corrupción
• 5. Cultura: foco en música y teatro, espectáculos
• 6. Elecciones
• 7. Política de países latinoamericanos
• 8. Desarrollo/educación/tecnología?
• 9. Salud
• 10. Inseguridad
• 11. Economía
• 12. Actualidad internacional
• 13. Cultura: foco en cine y literatura (+ tópicos amplios estilo amor, vida, familia?)
• 14. Política internacional con foco en conflictos/guerras/terrorismo

Me interesa confirmar si la diferencia que tracé entre el tópico 12 y el 14 es correcta. Para esto, identifico y visualizo las palabras que tengan la mayor diferencia en beta entre ambos tópicos. Para limitarlo a palabras significativas, filtro palabras con un beta de 2/1000 en al menos un tema (es decir, que su uso sea relativamente común). Hago esto con el siguiente código.

beta_wide <- ap_topics %>%
  mutate(topic = paste0("topic", topic)) %>%
  pivot_wider(names_from = topic, values_from = beta) %>% 
  filter(topic12 > .002 | topic14 > .002) %>%
  mutate(log_ratio12_14 = log2(topic12 / topic14))

plotdif<-beta_wide %>%
  mutate(pos = log_ratio12_14 >= 0) %>% 
  ggplot(aes(x=reorder(term,log_ratio12_14) , y=log_ratio12_14, fill=pos)) +
    geom_col(show.legend = FALSE) +
    coord_flip() +
    labs(x='término',
         y='Log2 ratio topic14/topic12') +
        theme_minimal()+
  scale_fill_manual(values = c("#245C59","#B6523B"))+
  theme(plot.title = element_text(family="mono",face = "bold",size = 18,hjust = 0.5),text=element_text(size=15,  family="mono",face = "bold"))

png("plotdif.png",
    units="in", width=10, height=5,res=300)
print(plotdif)

plotdif

Puede verse que mientras que en el tópico 14 se destacan palabras vinculadas a conflictos internacionales (como “siria”, “francia” —cabe recordar los atentados en Francia durante este período—, “refugiados”, “fuerzas”, “seguridad”, “guerra” y “paz”), en el tópico 12 se destacan términos vinculados a la política interna de EEUU (“hillary”, “trump”, “clinton”, “republicano” —cabe recordar el triunfo de Trump en 2016—), a la iglesia (“vaticano”, “papa”, “iglesia”, “francisco”) y a cuestiones de género (“género”, “mujeres” ¿y —posiblemente— “sexual”? ⁵).

Composición de tópicos de cada medio

En la sección anterior, el análisis fue guiado por el primer supuesto de LDA: cada tópico es una mezcla de palabras. Esta sección se enfoca en el segundo: cada documento es una mezcla de tópicos.

Busco identificar la composición de tópicos de cada medio.

Calculo las probabilidades por documento por tópico (denominadas “gamma”) con el siguiente código. Estos valores reflejan la proporción estimada de las palabras de cierto documento que se generan a partir de cierto tópico.

doc_2_topics1 <- tidy(lda_14, matrix = "gamma")
doc_2_topics1<-doc_2_topics1 %>%
  mutate(gamma = round(gamma, 5))
doc_2_topics1

## # A tibble: 98,000 × 3
##    document topic   gamma
##    <chr>    <int>   <dbl>
##  1 92           1 0.00019
##  2 132          1 0.00009
##  3 250          1 0.00003
##  4 346          1 0.00008
##  5 455          1 0.00029
##  6 465          1 0.00012
##  7 489          1 0.00005
##  8 502          1 0.00008
##  9 508          1 0.00009
## 10 534          1 0.00023
## # ℹ 97,990 more rows

A partir de la matriz gamma generada, examino la composición de tópicos de cada medio.

Aplico un left_join con el corpus, donde aparece la variable medio ⁶.

Mediante el siguiente código calculo el promedio de gamma para cada tópico para cada medio.

doc_2_topics<-doc_2_topics1 %>%
  rename(id = document) %>%
  mutate(id = as.integer(id)) %>%
  left_join(corpus %>% select(id, medio) %>% unique()) %>%
  group_by(medio, topic) %>%
  summarise(mean = mean(gamma)*100)

doc_2_topics<-doc_2_topics %>% mutate(medio=recode(medio, "Clarin" = "Clarín", "Pagina 12" = "Página 12", "La Nacion" = "La Nación"))

etiq<-c("Fútbol/deporte", "Servicios y espacios públicos/urbanismo", "Política nacional", "Causas judiciales/corrupción", "Cultura: foco en música y teatro", "Elecciones", "Política de países latinoamericanos", "Desarrollo/educación/tecnología", "Salud", "Inseguridad", "Economía","Actualidad internacional", "Cultura: foco en cine y literatura", "Conflictos internacionales")

plottop<-doc_2_topics %>%
  ggplot(aes(factor(topic), mean,fill=factor(topic)))+  
  geom_col() +
  facet_wrap(~ medio,ncol = 4) +
  labs(x = "tópico", y = "mean")+
        labs(title="Composición de tópicos de cada medio") +
        theme_minimal()+
  scale_fill_manual(values = c(p,"#245C59","#707B5D","#696E68","#D7DA4C","#015c89","#B6523B","#8A7A23"),name = "Tópico", labels=etiq)+
  theme(plot.title = element_text(family="mono",face = "bold",size = 24,hjust = 0.5),text=element_text(size=13,  family="mono",face = "bold"),strip.text = element_text(size=13,face = "bold",family="mono"),panel.spacing = unit(2, "lines"),legend.text = element_text(size=13),legend.title = element_text(size=13))

plottop

png("plottop.png",
    units="in", width=18, height=11,res=300)
print(plottop)

Una forma alternativa para visualizar la composición de tópicos por medio es la siguiente:

plottop2<-doc_2_topics %>%
  ggplot(aes(factor(medio), mean,fill=factor(topic),label=round(mean)))+  
  geom_bar(position="stack", stat="identity") +
  geom_text(size = 5,color="white",face="bold", position = position_stack(vjust = 0.5)) +
  labs(x = "medio", y = "mean")+
        labs(title="Composición de tópicos de cada medio") +
        theme_minimal()+
  scale_fill_manual(values = c(p,"#245C59","#707B5D","#696E68","#D7DA4C","#015c89","#B6523B","#8A7A23"),name = "Tópico", labels=etiq)+
  theme(plot.title = element_text(family="mono",face = "bold",size = 24,hjust = 0.5),text=element_text(size=13,  family="mono",face = "bold"),axis.text.x = element_text(angle = 13, size=19,  family="mono",face = "bold",color="black"),strip.text = element_text(size=13,face = "bold",family="mono"),panel.spacing = unit(2, "lines"),legend.text = element_text(size=13),legend.title = element_text(size=19))


plottop2

png("plottop2.png",
    units="in", width=18, height=11,res=300)
print(plottop2)

Evolución temporal de tópicos

Por último, me interesa analizar la evolución de los tópicos en el tiempo.

Aplico un left_join con el corpus, donde aparece la variable fecha.

doc_2_topicstemp<-doc_2_topics1 %>%
  rename(id = document) %>%
  mutate(id = as.integer(id)) %>%
  left_join(corpus %>% select(id, fecha) %>% unique()) %>%
  group_by(fecha, topic) %>%
  summarise(mean = mean(gamma)*100)

Exploro y visualizo la evolución de los tópicos a lo largo del tiempo. Lo hago analizando la evolución en el tiempo del promedio de gamma para cada tópico para cada fecha, y aplicando geom_smooth() para descartar el ruido y revelar la tendencia.

plottemp<-ggplot(doc_2_topicstemp, aes(x = fecha, y = mean, color=factor(topic))) + 
  geom_smooth(size=2)+
  scale_color_manual(values = c(p,"#245C59","#707B5D","#696E68","#D7DA4C","#015c89","#B6523B","#8A7A23"),name = "Tópico", labels=etiq) +
  facet_wrap(~topic, ncol = 3, scales = "free_y")+
  labs(x = "fecha", y = "mean")+
  labs(title="Evolución de tópicos en el tiempo") + 
  scale_x_date(date_labels = "%b-%y",date_breaks  ="3 month")+
  theme_minimal()+
  theme(plot.title = element_text(family="mono",face = "bold",size = 25,hjust = 0.5),text=element_text(size=17,  family="mono",face = "bold"),strip.text = element_text(size=19,face = "bold",family="mono"),panel.spacing = unit(2, "lines"),legend.text = element_text(size=14),legend.title = element_text(size=15),axis.text.x = element_text(angle = 45, hjust = 1.1,size=10,family="mono",face = "bold",color="black"))

plottemp

d=data.frame(date=as.Date(c("2015-08-09", "2015-10-25", "2015-11-22")), evento=c("PASO", "Primera vuelta", "Segunda vuelta"))

plottempelecc<-ggplot(data=filter(doc_2_topicstemp,topic==6), aes(x = fecha, y = mean)) + 
  geom_smooth(size=2,color="#245C59")+
  labs(x = "fecha", y = "mean")+
  labs(title="Evolución del tópico elecciones en el tiempo",legend=FALSE) + 
  scale_x_date(date_labels = "%b-%y",date_breaks  ="3 month")+
  theme_minimal()+
  theme(plot.title = element_text(family="mono",face = "bold",size = 25,hjust = 0.5),text=element_text(size=17,  family="mono",face = "bold"),strip.text = element_text(size=19,face = "bold",family="mono"),panel.spacing = unit(2, "lines"),axis.text.x = element_text(angle = 45, hjust = 1.1,size=10,family="mono",face = "bold",color="black"))+
  geom_vline(data=d,mapping=aes(xintercept=date), linetype=2, colour='black')+
geom_text(data=d, mapping=aes(x=date, y=12, label=evento), size=6, color="black", angle=90, vjust=-0.4, hjust=0)

plottempelecc