Archives

All posts by makko

Lange lange Zeit war ich, aus Gründen, auf der Suche nach einer größeren Wohnung in Berlin. Dies ist bekanntermaßen kein leichtes Unterfangen, aber was ich in nunmehr einem Jahr on/off Suche festgestellt habe: Es wird einem schwieriger gemacht als eigentlich notwendig wäre. Die Prozesse und Vergabepraktiken sind zudem äußerst suboptimal und ineffizient und es scheint so, als nehmen Menschen häufig ein Angebot an, nicht weil es ihren Suchkriterien entspricht, sondern weil sie es einfach nur bekommen.

Hierbei möchte ich einmal auf zwei Probleme eingehen, wo ich denke, dass ich diese inzwischen durchaus beurteilen kann. Da wäre zum einen die Suche nach passenden Wohnungen durch die gängigen Methoden und zum anderen die Einschränkungen und Vergabemethoden durch Gesellschaften, die wenig transparent sind und für Menschen in besonderen Umständen nicht praktikabel sind.

Wohnungssuche: Immobiliensuchportale

Begibt man sich auf die Suche nach einer Wohnung konsultiert man in der Regel die bekannten Wohnungssuchportale. Bei diesen Portalen gibt es gewöhnlich eine Suchfunktion nach Ort/Stadtteile und Filterkriterien wie Mieten/Kaufen, Objekttyp (Wohnung/Haus), Mietpreis (warm/kalt), Wohnungsgröße, Anzahl der Zimmer, usw.

Hier stellt sich bereits das erste Problem ein: Die Suchkriterien haben sich die letzten Jahrzehnte kaum verändert und lassen keine akkurate Suche nach Wohnungen zu, die den individuellen Bedürfnissen potentieller Mieter:innen entsprechen. Nicht dass man bei der Marktlage viel Auswahl hätte, aber eine gezieltere Suche könnte ggf. zu besseren Matchings und weniger Umlauf führen.

Miet- und Immobilienportale bieten in der Regel Suchkriterien wie die oben genannten, plus einige Weitere. Die, die ich gesehen habe beinhalteten z.B.:

  • Haustiere erlaubt
  • Diverse Wohnungstypen wie Erdgeschosswohnung, Etagenwohnung (ggf. Angabe der Etage), Souterrain, Dachgeschoss, o.Ä.
  • Balkon/Terrasse oder auch Garten (Mitnutzung)
  • Option für Wohnungstausch
  • Neubauprojekte
  • Baujahr Gebäude
  • Erforderlichkeit eines Wohnberechtigungsscheines
  • Internetgeschwindigkeit (meist durch Dritte geschätzt)
  • Heizungen und Energieeffizienz
  • Barrierefreiheit oder seniorengerechte Ausstattung
  • Ausstattungsmerkmale wie Einbauküchen, Garagenstellplätze, Badewanne, Aufzug, Lagerflächen wie Keller oder Abstellkammern, etc.
  • Verwendungszwecke wie z.B. Geeignet für eine Wohngemeinschaft (WG)

Die Exposés enthalten in der Regel weitere Informationen, die von der Suche bzw. den Suchfiltern nicht angeboten werden.

Hierzu zählt z.B. in Freitext formulierte Angaben zur Wohnung, dem Gebäude bzw. Objekt, der Ausstattung und Umgebung. Diese variieren stark im Detailgrad, da diese Angaben oft optional sind. Nicht selten schlummern hier auch weitere Überraschungen wie Abstandszahlungen, gewerbliche Nutzung, oder bestimmte Mietmodelle (z.B. Staffel- oder Indexmieten).

Einen kleinen Abschnitt möchte ich Folgekosten widmen. Hiermit meine ich erhebliche Zeit- und Geldinvestitionen nach der erfolgreichen Wohnungssuche. Einige Wohnungen kommen ohne Küche oder (anständige) Böden, sodass diese angeschafft werden müssen. Eine Küche kann, mit etwas Glück, der nachmietenden Person per Abschlagszahlung überlassen werden. Hier ist es wichtig eine gute Gratwanderung bzgl. Kosten und Wohnlichkeit zu finden, denn eine Garantie, dass die nächste Person die Küche auch übernimmt, gibt es nicht und ein Anspruch auf irgendwelche Kompensationen gibt es nicht. Gleiches gilt für Fußböden. Der eventuell anstehende Aufwand zum Abbau, Transport und/oder Entsorgung kann mit Pech auch schon einmal in den vierstelligen Bereich wandern.

Die Kosten für einen Umzug selbst (also letztlich Transportkosten in allen Farben und Formen) sind natürlich auch nicht ohne.

Suchportale: Zu kurz gedacht und keine Innovation

Was funktioniert bei den Portalen nicht? Folgend möchte ich ein paar Suchkriterien und Angaben (die z.B. im Exposé der Wohnung aufgeführt werden können) formulieren, die meines Wissens nach derzeit nicht von diesen Immobilienportalen abgedeckt werden, obwohl es technisch durchaus möglich wäre.

  • Wenn-dann Kombinationen aus Kriterien. Zum Beispiel: Wenn eine Etagenwohnung höher als 2. OG, dann nur mit Aufzug.
  • Nähe zu ÖPNV bzw. zeitliche Distanz (Tür zu Tür) zu einer bestimmten Anschrift (z.B. die Arbeitsstätte)
  • Nähe zu Geschäften des täglichen Bedarfs (nicht nur irgendein Geschäft, sondern spezifisch: Supermarkt, Discounter, Anzahl der Geschäfte und deren Entfernungen)
  • Nähe zu Grünflächen, z.B. für Hundebesitzer:innen
  • Infrastruktur für Fahrzeuge wie Kfz, Roller, oder Fahrräder; Nicht nur Abstellmöglichkeiten, sondern insbesondere bei Fahrrädern eine sichere Abstellmöglichkeit ohne Treppensteigen. Denkbar wäre auch ein Index, der die Fahrradfreundlichkeit der Umgebung (z.B. Radverkehrswege) angibt.
  • Lärmschutz/Schallisolierung der Wohnung im Gebäude (zu den Nachbarn) und nach außen
  • Lärmbelastung durch die Umgebung (z.B. durch akkurate Lärmkartierung und nicht was auch immer diese fast ausschließlich auf Verkehrs- und Umweltlärm basierende “Umgebungslärmkartierung” Berlin von 2022 darstellen soll, die z.B. Lärm durch Cornern oder andere soziale und weniger soziale Events oder andere Amenities [OpenStreetMap *ZWINKER*] gar nicht berücksichtigt.).
  • Man kann sich hier sicherlich noch einige weitere überlegen.

Voraussetzungen für Verbesserung

Selbstverständlich brauchen all diese Punkte weitere Daten, die allerdings fast alle relativ leicht durch öffentlich verfügbare Datenquellen zu erheben sind. Beispielsweise lassen sich durch einfache Ergänzung der Wohnungslage im Wohngebäude und der konkreten Adresse bereits die Ausrichtung der Wohnung nach Himmelsrichtung automatisiert durch Kartendienste wie OpenStreetMap bestimmen. Gleichermaßen können diese Kartendaten, sowie öffentlich zugängliche Schnittstellen (z.B. Routenplaner für öffentlichen Personen(nah)verkehr) für andere der o.g. Kriterien genutzt werden.

Andere Punkte hingegeben erfordern das manuelle Erfassen von Daten, wie eben die zuvor genannte Lage der Wohnung im Gebäude, oder Angaben zu Abstellmöglichkeiten und Infrastrukturen, Lärmschutz innerhalb des Objekts,

(Un)Fairness

Warum mich dieser Punkt besonders stört: Die gängigen Portale sind nicht günstig. Die Portale funktionieren oftmals nach dem “Freemium Modell”, wo diese grundsätzlich kostenfrei verwendet werden können, für bestimmte Extra- und Komfortfunktionen aber Kosten anfallen, nicht selten im Abomodell mit horrenden Preisen pro Monat, wenn man sich nicht direkt für ein Jahr entscheiden möchte.

Weiterhin gibt es inzwischen Maklerfirmen, die ähnliche Suchportale anbieten. Das einzige, was hier geschieht ist, dass Wohnungen, bevor sie in die öffentlichen Portale wandern, zunächst exklusiv in solchen Makler-eigenen Portalen auftauchen. Im schlimmsten Fall werden Wohnungen so absichtlich der Allgemeinheit vorenthalten, um für möglichst wenig Aufwand eine Nettokaltmiete abzugreifen.

Makler:innen und Maklerfirmen sind ohnehin ein unschönes Thema, da diese bei “niedrigen” Mieten (verständlicherweise) nur geringes Interesse haben überhaupt tätig zu werden. Von Praktiken wie Kosten auf Basis von Wohnungsangeboten und investierter Zeit ganz zu schweigen. Vertrauenserweckend ist dies alles nicht.

Wohnungssuche Fazit

Ich bin der Überzeugung mit ein wenig Zeit könnten viele, mich eingeschlossen, ein signifikant besseres Immobilienportal entwickeln. Aber Leute; Das ist nicht mein Job! Und wahrscheinlich auch nicht eurer. Idealerweise ist man nicht lange auf Wohnungssuche und wenn, dann nur bei konkretem Bedarf, sodass der Aufriss für uns nicht lohnt. Zudem verdienen sich diese Portale derzeit eine goldene Nase mit ihren größtenteils automatisierten Funktionen und lieblos umgesetzter Kuration und Zusatzleistungen, sodass ich diese hier in der Pflicht sehen würde ihr Angebot zu verbessern.

Natürlich gibt es einige Merkmale von Wohnungen, die allen Menschen in ähnlichem Maße wichtig sind und hier wäre eine derartige Erweiterung der Funktionen vergebene Liebesmühe; Allerdings gibt es auch Kriterien die für manche Menschen wichtig sind und strikte must-have Kriterien darstellen und für andere eher vernachlässigbar und unwichtig sind. Hier würde dies zu mehr Fairness und insgesamt zu einer höheren Effizienz in der Verteilung vom verfügbaren Wohnraum führen. Vielleicht sogar zu weniger Umzügen und kürzeren Arbeitswegen (d.h. weniger Stress, weniger Belastung der Umwelt und mehr Zeit für alle).

Vergabepraxis

Dieser Abschnitt wird ein wenig kürzer, denn hier habe ich zugegebenermaßen wenig Erfahrung und Expertise. Was ich allerdings bisher wahrgenommen habe, ist dass die Vergabe von Wohnungen an die Bewerber:innen und die zugrunde gelegten Regeln alles andere als Transparent sind.

So gibt es die relativ bekannte Regel, dass eine Nettokaltmiete maximal ein Drittel des Nettomonatsgehalts betragen sollte. Oftmals wird auch das Jahresbruttogehalt als Kennzahl herangezogen, auf Basis dessen eine sogenannte Range berechnet wird, die zu der angebotenen Wohnung passen muss. In ungünstigen Fällen ergibt sich hier wenig Spielraum, insbesondere bei Wohnungsbaugesellschaften, die vom Land geförderte Wohnungen anbieten.

Was das ganze aber besonders absurd werden lässt – und man möge ich gern per E-Mail korrigieren, sollte ich hier einem Irrtum aufliegen:

Es wird immer nur der Zeitpunkt der Bewerbung auf die Wohnung berücksichtigt. Wenn ich jetzt in eine solche Wohnung ziehe, die für mein Gehalt passend ist und später jemand hinzu- oder auszieht, ist dies nicht berücksichtigt. Familienplanung wird nicht berücksichtigt. Änderungen im Arbeitsverhältnis werden nicht berücksichtigt. Alles, was über die Momentaufnahme hinausgeht, findet keine Berücksichtigung.

Darüber hinaus existiert schlichtweg keine Transparenz bei Absagen. In der Regel bewerben sich viele Menschen auf eine Wohnung, von denen nur eine den Zuschlag erhält. Alle anderen erhalten eine Absage ohne Angabe von: Was waren Kriterien für die Auswahl und wie wurde bei gleichberechtigten Kandidat:innen letztlich ausgelost? War mein Gehalt außerhalb der „Range“? Waren meine Haustiere unerwünscht? Spielten Kinder oder Kinderlosigkeit eine Rolle? War dem Hauseigentümer eine andere Person auf dem Papier sympathischer?  (Was meiner Ansicht nach ein legitimer Grund wäre, sofern hier keine entsprechende Diskriminierung stattfand.)

Im Übrigen ist hier auch der Prozess optimierungsbedürftig. Ich wurde bereits zu Wohnungsbesichtigungen eingeladen mitsamt der anschließenden Aufforderung meine Bewerbungsunterlagen einzureichen, nur um zum Schluss zu erfahren, dass ich aus Gründen, die vorher hätten bekannt sein können, ohnehin nicht in Frage komme. So werden oft vor einem Besichtigungstermin einige Kennzahlen in separaten Online-Formularen erfasst, oder sogar durch Suchportale bei einer Bewerbung automatisch übermittelt.

Schluss

Für mich hat die Suche vorerst ein Ende. Die Neue Wohnung ist zwar in keiner ruhigen Lage und weiterhin eine Stunde weg vom Arbeitsplatz, aber immerhin groß genug und modern. Nach über einem Jahr Suche (on/off, mit Pausen um die Nerven zu schonen), habe ich das geringere Übel gewählt und genommen, was ich kriegen kann. Dieser Beitrag sollte nur einmal aus meiner Sicht beleuchten, wo ich Probleme und Verbesserungspotential sehe, ohne dabei nur zu ranten (zu deutsch: mich zu beklagen), sondern auch wirklich Verbesserungen vorzuschlagen.

The idea is simple:

The worse the condition of the cyclepath, the more the bicycle shakes while cycling.
The more the bicycle shakes, the more uncomfortable the cycling will be.

We can measure the shaking using accelerometer data.
We can track the paths cycled using geolocation data.
Both can be recorded using a smartphone.
Both can be associated by the timestamps in the data.

Proof of concept

In June 2021 I created a small proof-of-concept. Using the mobile application phyphox to record raw accelerometer data using my phone, which was mounted on my bicycles handlebar. At the same time I recorded a GPS trace. Merging those two datasets allowed me to create a visualization of how “smooth” my ride was on specific parts of the route (green means smooth, yellow to red means not so smooth).

My little set-up was very basic, most people already have a similar configuration when using their phone for navigation or the like.

The result can be seen here on a small example route I cycled in the east of Berlin:

A route I used to record data for my proof of concept in the Wuhletal (east of Berlin).

So, yes, it worked pretty well. The darker green points are some very smooth cycle/running paths, such as this one:

Smooth cyclepath in the Wuhletal, close to the train station of the same name. Picture taken using a GoPro during some pretty nice rain.

While the very heterogeneously colored points next to the U-Bahn/Metro station “Cottbusser Platz” is a cyclepath, which is in some pretty bad condition. Just have a look at this abomination of a cyclepath right next to that particular metro station, which literally eats up the pedestrian part of the way:

The slightly red bricks show the cyclepath. This picture is taken next to the metro/U-Bahn station “Cottbusser Platz” in Berlin and shows how bad the infrastructure for non-motorized participants of society can be.

The whole proof-of-concept is available as a Jupyter/Python notebook in this little repository on Github: https://github.com/Lumiukko/CyclepathConditionVisualization

The visualization, however, only shows the relative smoothness, based on that particular route.

I would really love to expand on that, but I currently lack the time, so I wanted to put my thoughts in writing. Because there are some issues…

Issues

The app. Don’t get me wrong, phyphox is a really great app and it helped me to create the proof-of-concept. However, it was originally made for physics experiments and education and does not quite fit this use-case. For one, phyphox requires itself to be actively running in the foreground to record the accelerometer data, which makes it difficult to do on a regular basis and; Secondly, running phyphox to record such raw sensor data adds a significant drain to the battery, since the sampling rate of the sensors can be quite high.

Another big issue is that the accelerometer data depends on the specific set-up used, which makes comparing the data between different users and set-ups difficult. These factors include:

  • the phone model used,
  • the mount used to attach the phone to the bicycle,
  • the bicycle itself with all components between mount and wheels / point of contact to the ground,
  • the exact trace the wheels took (even a few centimeters can make a different between a smooth ride or feeling like riding on a mogul field)
  • and the traveling speed, as faster or lower speeds may conceal certain conditions of the cyclepath, which would otherwise be visible only by looking at accelerometer data.

But don’t despair, there are some ideas how to address these problems.

Solutions

Creating a dedicated app that records accelerometer data while running in the background using a more suitable sampling rate will reduce battery drain and makes it more likely to be used on a regular basis.

This would also allow crowd-sourcing of such data. Unfortunately, merging the data is problematic, since it highly relative to the aforementioned factors. However, If cycling a very specific trace makes the difference between feeling like a milk-shake or a smooth ride, or if the bicycle configuration makes all the difference, because the phone mount may shake a little less, we could conclude that the overall experience of that cyclepath are not great. Therefore, if multiple people would cycle the same parts of a route, we could create some sort of average and create a more complete map.

Imagine the possibilities…

Addressing the issues may help to gather a large amount of data on cyclepath conditions. Such information can be used to annotate data on, for instance, OpenStreetMap. Think of route planning services for bicycle rides that use such annotations to not only suggest nice routes based on how the streets should be, but how they are in reality, based on empirical data collected by the users.

Information on the condition of a route could complement others already offered by route planning services, such as elevations and the routing itself. I would love that. Just quickly chose a route nearby for a comfortable relaxing cycle, when you’re in the mood for it 🚲

Links:

Motivation

Recently I have been wondering why we get drowsy when we work for a while in enclosed rooms. I always assumed it’s due to a lack of oxygen and searched for a method to measure the oxygen concentration in the air. After reading a few pages about people with similar ideas, I quickly learned that it is not the lack of oxygen, but rather the build-up of carbon dioxide (CO2) that creates a lack of focus, drowsiness and at some point even health issues.

The CO2 concentration in the air is measured in “parts per million” (ppm), which is something like the average number of carbon-dioxide molecules per million molecules. The limits of CO2 concentrations and their effects on humans differ slightly depending on the source, but negative effects are expected at about 1000 ppm. Health issues arise at about 2000-2500 ppm. Just as a quick reminder: The “air” is mostly nitrogen (N2, ca. 78%), oxygen (O2, ca. 21%) and carbon dioxide (CO2, ca. 0.04% = 400 ppm), plus some gases in even smaller concentrations [see Wikipedia]. Having 400 ppm as a permanent CO2 concentration in the “outside air” is actually quite alarming and was announced in 2016. No open window will help us get below this value anymore – climate change is real, at this magnitude man-made and extreeemly dangerous, so we have to deel with eet.

Measuring

Getting a sensor to measure CO2 in the air is a little on the pricey side. The sensors should be self-calibrating to be able to give accurate readings (unless you are able to calibrate them yourself). A lot of the cheaper sensors are not calibrated and can only give estimations or relative changes in CO2 concentration. Self-calibrating sensors are available from about 60-80 EUR, depending on the vendor. Examples are the Senseair K30 Sensor (just the sensor) and the TFA Dostman “AIRCO2NTROL MINI” (ready-to-go standalone device with a display).

Since the price is rather high for a personal side project born out of curiosity, I decided to go with the latter device, which I could also use in other environments (e.g. my office or our lecture hall, since it really gets stiffy in there at times). The device is powered by a micro-USB cable, which also transfers the data.

Setup

My hardware setup is basically just a Raspberry Pi connected to a router (It doesn’t matter if it’s connect via network cable or WiFi) and the CO2 Monitor connected on one of the Raspberry Pi’s USB ports. In the following picture you can see my setup:

Raspberry Pi + CO2 Monitor setup

Software / Installation

Getting the data is a little tricky, there is a software tool for Windows, but I wanted to get the data on my Raspberry Pi.

I will spare you the description of my trial and error process – what I found was this “co2mon” GitHub repository. Using the following commands worked flawlessly on Raspbian Pi (the Debian based Raspberry Pi OS).

Please note: Depending on your user permissions you may have to run these commands as root/super-user, therefore run them as “sudo”.

apt-get install cmake g++ pkg-config libhidapi-dev
git clone https://github.com/dmage/co2mon
cd co2mon
cmake .
make

For convenience I also moved the binary to the proper folder:

mv ./co2mond/co2mond /bin/co2mond

In order to get the values you simply run the command:

co2mond -u

This basically returns the data the sensor is sending via the USB cable:

CntR    839
0x4f    7240
0x52    10183
0x41    0
0x43    3411
Tamb    23.5375
0x6d    1925
0x6e    25103
0x71    840

One of these values is the CO2 concentration in ppm (CntR) and another is the temperature in degrees Celsius (Tamb).

To have a more Linux-y and, hence, easy access to those values, we can run the co2mond tool as a daemon and “store values from the sensor in datadir” (to quote the co2mond –help output).

co2mond -d -u -D /var/co2

This will continuously offer the sensor values in 3 files:

  • /var/co2/CntR = CO2 concentration in ppm (Integer number)
  • /var/co2/Tamb = Ambient temperature in °C (Decimal number / Float)
  • /var/co2/heartbeat = The Unix timestamp of the last sensor reading (Integer number)

And there we go. These files can be simply read out using your favorite programming language, or simply use cat:

cat /var/co2/CntR /var/co2/Tamb /var/co2/heartbeat

Next Steps:

In the next post I’m planning to describe how to use Python 3 with Flask and Bokeh to have an interactive plot of your ambient data, accessible via browser from anywhere in your network. It looks something like this (I also have a DHT22 temperature and humidity sensor, as you saw on the picture above):

Rasbperri Pi Ambient Sensor Plot (v1)

Legend:

  • Green = CO2 concentration in ppm (most right scale)
  • Red/Orange = Two different temperature sensors in °C (left scale)
  • Blue = Humidity in % (first right scale)

 

Kleine Anfragen

Kleine Anfragen sind Fragestellungen an ein Parlament, bzw. eine Regierung, welche innerhalb einer gesetzlich geregelten Frist anhand der vorliegenden Fakten beantwortet werden müssen. — Wikipedia [1]

Die Website kleineAnfragen.de [2] bietet Datensätze aller kleinen Anfragen und damit verbundenen Dokumente seit Juli 2010 an. Ich habe mir einen solchen Datensatz am 25.11.2016 heruntergeladen, welcher bis dato ca. 57.000 Dokumente enthielt. Aus den Titeln dieser Dokumente habe ich mit der Hilfe eines Python moduls [3] WordClouds generiert, aufgeschlüsselt nach bestimmten Kriterien wie Bundesland oder Partei.

Für diese WordClouds habe ich bestimmte Wörter entfernt um das “Rauschen” etwas zu begrenzen. Hierbei habe ich Deutsche und Englische Stop-Word Listen verwendet, welche häufige Wörter enthalten, die nicht viel zur Sache beitragen (z.B. Artikel, Pronomen, etc.). Zudem wurden Wörter entfernt, welche sich auf die Bundesländer beziehen (z.B. Sachsen, Sächsisch, etc.), sowie Monatsnamen (z.B. Januar, Februar, etc.), und Wörter mit weniger als 3 Buchstaben/Ziffern. Neben Wörtern wurde auch weitestgehend die Interpunktion entfernt, wobei der Bindestrich als feststehender Teil von Begriffen behalten wurde.

Bei Weiterverwendung der Bilder würde ich mich über einen Link zu dieser Seite freuen.

Für Interessierte gibt es das Jupyter Notebook zur Datenverarbeitung auf GitHub [4].

 

Die WordClouds

Alle Parteien und alle Parlamente

Diese WordCloud enthält die Titel aller Anfragen an den Bundestag und die Landesparlamente, unabhängig der Zugehörigkeit der Autoren.

Alle
(57.198 Dokumente)

Kleine Anfragen WordCloud, November 2016, Alle Parteien, Alle Parlamente

Aufgeschlüsselt nach Partei

Die folgenden WordClouds sind nach Parteien aufgeschlüsselt, welche die Anfragen gestellt haben. Sie beinhalten Anfragen an den Bundestag und alle Landesparlamente. Eine Anfrage kann hierbei mehreren Parteien zugeordnet sein. Die WordCloud der CDU beinhaltet nur die CDU, nicht die CSU.

CDU
(14.795 Dokumente)

Kleine Anfragen WordCloud, November 2016, CDU, Alle Parlamente

 

Linke
(11.026 Dokumente)

Kleine Anfragen WordCloud, November 2016, Linke, Alle Parlamente

 

Grüne
(9.564 Dokumente)

Kleine Anfragen WordCloud, November 2016, Grüne, Alle Parlamente

 

FDP
(6.511 Dokumente)

Kleine Anfragen WordCloud, November 2016, FDP, Alle Parlamente

 

SPD
(4.971 Dokumente)

Kleine Anfragen WordCloud, November 2016, SPD, Alle Parlamente

 

Piraten
(4059 Dokumente)

Kleine Anfragen WordCloud, November 2016, Piraten, Alle Parlamente

 

AfD
(3.114 Dokumente)

Kleine Anfragen WordCloud, November 2016, AfD, Alle Parlamente

 

NPD
(1.466 Dokumente)

Kleine Anfragen WordCloud, November 2016, NPD, Alle Parlamente

 

Freie Wähler
(1.121 Dokumente)

Kleine Anfragen WordCloud, November 2016, Freie Wähler, Alle Parlamente

 

Fraktionslos
(457 Dokumente)

Kleine Anfragen WordCloud, November 2016, Fraktionslos, Alle Parlamente

 

Aufgeschlüsselt nach Parlament

Die folgenden WordClouds sind nach den Parlamenten aufgeschlüsselt (d.h. Landesparlamente und Bundestag), an die die Anfragen gestellt wurden. Diese sind unabhängig von der Zugehörigkeit des Autoren der Anfrage.

Berlin
(9.132 Dokumente)

Kleine Anfragen WordCloud, November 2016, Berlin, Alle Parteien

Sachsen
(5.913 Dokumente)

Kleine Anfragen WordCloud, November 2016, Sachsen, Alle Parteien

 

Nordrhein-Westfalen
(5.279 Dokumente)

Kleine Anfragen WordCloud, November 2016, Nordrhein-Westfalen, Alle Parteien

 

Hamburg
(5.146 Dokumente)

Kleine Anfragen WordCloud, November 2016, Hamburg, Alle Parteien

 

Rheinland-Pfalz
(4.751 Dokumente)

Kleine Anfragen WordCloud, November 2016, Rheinland-Pfalz, Alle Parteien

 

Mecklenburg-Vorpommern
(3.689 Dokumente)

Kleine Anfragen WordCloud, November 2016, Mecklenburg-Vorpommern, Alle Parteien

 

Bayern
(3.525 Dokumente)

Kleine Anfragen WordCloud, November 2016, Bayern, Alle Parteien

 

Baden-Württemberg
(3.112 Dokumente)

Kleine Anfragen WordCloud, November 2016, Baden-Württemberg, Alle Parteien

 

Bundestag
(3.060 Dokumente)

Kleine Anfragen WordCloud, November 2016, Bundestag, Alle Parteien

 

Sachsen-Anhalt
(2.586 Dokumente)

Kleine Anfragen WordCloud, November 2016, Sachsen-Anhalt, Alle Parteien

 

Schleswig-Holstein
(2.452 Dokumente)

Kleine Anfragen WordCloud, November 2016, Schleswig-Holstein, Alle Parteien

 

Brandenburg
(2.217 Dokumente)

Kleine Anfragen WordCloud, November 2016, Brandenburg, Alle Parteien

 

Niedersachsen
(2.010 Dokumente)

Kleine Anfragen WordCloud, November 2016, Niedersachsen, Alle Parteien

 

Hessen
(1.547 Dokumente)

Kleine Anfragen WordCloud, November 2016, Hessen, Alle Parteien

 

Thüringen
(1.461 Dokumente)

Kleine Anfragen WordCloud, November 2016, Thüringen, Alle Parteien

 

Bremen
(776 Dokumente)

Kleine Anfragen WordCloud, November 2016, Bremen, Alle Parteien

 

Saarland
(542 Dokumente)

Kleine Anfragen WordCloud, November 2016, Saarland, Alle Parteien

 

Links

  1. Wikipedia: Kleine Anfragen (Deutschland)
  2. kleineAnfragen.de
  3. WordCloud Python Modul
  4. Jupyter Notebook zur Datenverarbeitung

Finally, I have a little thing to write about.

As I am learning Turkish I have to regularly write letters (or characters) that are part of the Turkish alphabet, but are not present in my preferred keyboard layout (in my case German).

In Turkish these letters are:  ş Ş ğ Ğ ç Ç ı İ

So I was looking for convenient solutions to easily and fluently write these letters and stumbled upon AutoHotkey, which is a quite extensive tool which lets you do a lot of stuff. Among other things you can create new key mappings, or overwrite your current keys. You can even say: “Every time I write ‘hlelo’ auto correct to ‘hello’.”.

As I said, it’s quite extensive, but that’s not the reason we’re here.

In my case I wanted to map the Turkish characters on [ALT GR] + <Letter>, for example:

[ALT GR] + [G] will turn to ğ

[ALT GR]+ [I] will turn to ı

[ALT GR] + [SHIFT] + [I] will turn to İ

You get the idea.

In order to do this, we will create an AutoHotkey file (*.ahk), which we can access when we run AutoHotkey, right click on the tray icon (in the lower left corner in Windows), and select “Edit This Script“. Here we can use some code to do our bidding.

In this particular case we can use the following code, where the + stands for [SHIFT], the <^> stands for [ALT GR], and the s for… well, [S]. We then tell the program to send the letter Ş if this particular combination occurs and let it return to its usual duties.

+<^>!s::
{
  Send {Ş}
  return
}

If we want to do the same for the smaller case character, we simply remove the +, as you can see here:

<^>!i::
{
  Send {ı}
  return
}

It is important to note that the configuration file has to be saved using a Unicode compliant encoding, for example UTF-8. The Windows Notepad is able to do that, if you select “Encoding: UTF-8” in the “Save As” dialog.

After saving the file, you might have to select “Reload This Script” in AutoHotkey, to make it uses the new version.

You can find the whole file with Turkish characters and Scandinavian characters (with bindings a-å, ä-æ and ö-ø) here: http://pastebin.com/s8u21Ftt

Please note that the bindings might make more sense on different keys, depending on your default keyboard layout.

I hope this helps someone at some point.

PS: I don’t do April Fools’ Day!