Zpracování textu tweetů

Analýza dat ze sociálních médií v R

Vivek Vijayaraghavan

Data Science Coach

Přehled lekce

  • Proč zpracovávat text tweetů?
  • Kroky zpracování textu tweetů
    • odstranění nadbytečných informací
    • převod textu na korpus
    • odstranění stop slov
Analýza dat ze sociálních médií v R

Proč zpracovávat text tweetů?

  • Text tweetů je nestrukturovaný, zašuměný a surový
  • Obsahuje emotikony, URL, čísla
  • Pro analýzu a spolehlivé výsledky je nutný čistý text
Analýza dat ze sociálních médií v R

Kroky zpracování textu

Krok 1: Odstranění nadbytečných informací

Analýza dat ze sociálních médií v R

Kroky zpracování textu

Krok 2: Převod textu na korpus

Analýza dat ze sociálních médií v R

Kroky zpracování textu

Krok 3: Převod na malá písmena

Analýza dat ze sociálních médií v R

Kroky zpracování textu

Krok 4: Odstranění stop slov

Analýza dat ze sociálních médií v R

Extrakce textu tweetů

# Extract 1000 tweets on "Obesity" in English and exclude retweets
tweets_df <- search_tweets("Obesity", n = 1000, include_rts = F, lang = 'en')

# Extract the tweet texts and save it in a data frame
twt_txt <- tweets_df$text
Analýza dat ze sociálních médií v R

Extrakce textu tweetů

head(twt_txt, 3)

[1] "@WeeaUwU for real, obesity should not be praised like it is in today's society" 

[2] "Great work by @DosingMatters in @AJHPOfficial on \"Vancomycin Vd estimation in 
adults with class III obesity\". As we continue to study/learn more about dosing in 
large body weight pts, we see that it's not a simple, one size, one level estimate 
that works https://t.co/KkYPqS6JzG" 

[3] "The Scottish Government have an ambition to halve childhood obesity by 2030. 
This means reducing obesity prevalence in 2-15yo children in Scotland to 7%. 
\n\n\U0001f449 In 2018, this figure was 16%\n\nFind out more in our latest blog: 
https://t.co/FWp56QWjQc https://t.co/XBK8Je7F1A"
Analýza dat ze sociálních médií v R

Odstranění URL

# Remove URLs from the tweet text
library(qdapRegex)
twt_txt_url <- rm_twitter_url(twt_txt)
Analýza dat ze sociálních médií v R

Odstranění URL

twt_txt_url[1:3]

[1] "@WeeaUwU for real, obesity should not be praised like it is in today's society"

[2] "Great work by @DosingMatters in @AJHPOfficial on \"Vancomycin Vd estimation in  adults 
with class III obesity\". As we continue to study/learn more about dosing in large body 
weight pts, we see that it's not a simple, one size, one level estimate that works"

[3] "The Scottish Government have an ambition to halve childhood obesity by 2030. 
This means reducing obesity prevalence in 2-15yo children in Scotland to 7%. 
\U0001f449In 2018, this figure was 16% Find out more in our latest blog:"
Analýza dat ze sociálních médií v R

Speciální znaky, interpunkce a čísla

# Remove special characters, punctuation & numbers
twt_txt_chrs  <- gsub("[^A-Za-z]", " ", twt_txt_url)
Analýza dat ze sociálních médií v R

Speciální znaky, interpunkce a čísla

twt_txt_chrs[1:3]

[1] " WeeaUwU for real  obesity should not be praised like it is in today s society"

[2] "Great work by  DosingMatters in  AJHPOfficial on  Vancomycin Vd estimation in 
adults with class III obesity   As we continue to study learn more about dosing in 
large body weight pts  we see that it s not a simple  one size  one level estimate 
that works"

[3] "The Scottish Government have an ambition to halve childhood obesity by       This 
means reducing obesity prevalence in     yo children in Scotland to       In       this 
figure was     Find out more in our latest blog "
Analýza dat ze sociálních médií v R

Převod na textový korpus

# Convert to text corpus
library(tm)
twt_corpus <- twt_txt_chrs %>% 
                VectorSource() %>% 
                Corpus()

twt_corpus[[3]]$content

[1] "The Scottish Government have an ambition to halve childhood obesity by       
This means reducing obesity prevalence in     yo children in Scotland to       In  
     this figure was     Find out more in our latest blog "
Analýza dat ze sociálních médií v R

Převod na malá písmena

  • Stejné slovo nesmí být počítáno jako dvě různá slova jen kvůli rozdílu ve velikosti písmen
# Convert text corpus to lowercase
twt_corpus_lwr <- tm_map(twt_corpus, tolower) 
twt_corpus_lwr[[3]]$content

[1] "the scottish government have an ambition to halve childhood obesity by     this 
means reducing obesity prevalence in     yo children in scotland to       in    this 
figure was     find out more in our latest blog "
Analýza dat ze sociálních médií v R

Co jsou stop slova?

  • Stop slova jsou běžně používaná slova jako a, an, and, but
# Common stop words in English
stopwords("english")

Výchozí stop slova v angličtině

Analýza dat ze sociálních médií v R

Odstranění stop slov

  • Stop slova je nutné odstranit, aby se analýza soustředila na důležitá slova
# Remove stop words from corpus
twt_corpus_stpwd <- tm_map(twt_corpus_lwr, removeWords, stopwords("english"))

twt_corpus_stpwd[[3]]$content


[1] " scottish government   ambition  halve childhood obesity         means 
reducing obesity prevalence      yo children  scotland                figure      
find     latest blog "
Analýza dat ze sociálních médií v R

Odstranění přebytečných mezer

  • Odstranění přebytečných mezer pro vytvoření čistého korpusu
# Remove additional spaces
twt_corpus_final <- tm_map(twt_corpus_stpwd, stripWhitespace)

twt_corpus_final[[3]]$content

[1] " scottish government ambition halve childhood obesity means reducing obesity 
prevalence yo children scotland figure find latest blog "
Analýza dat ze sociálních médií v R

Lass uns üben!

Analýza dat ze sociálních médií v R

Preparing Video For Download...