Krok 3: Organizacja (i czyszczenie) tekstu

Analiza sentymentu w R

Ted Kwartler

Data Dude

Do dzieła!

Cel: Użycie funkcji polarity() do zdefiniowania podsekcji tekstu do analizy.

pos_comments <- subset(bos_reviews$comments, 
                       bos_reviews$polarity > 0)
neg_comments <- subset(bos_reviews$comments, 
                       bos_reviews$polarity < 0)

pos_terms <- paste(pos_comments, collapse = " ")
neg_terms <- paste(neg_comments, collapse = " ")

Dalsza organizacja

Cel: Użycie uporządkowanych recenzji do obliczenia wyników polaryzacji w formacie tidy.

library(tidytext)
library(dplyr)

tidy_reviews <- bos_reviews %>% 
    unnest_tokens(word, comments)

tidy_reviews <- tidy_reviews %>% 
    group_by(id) %>%
    mutate(original_word_order = seq_along(word))

Ocena polaryzacji metodą tidy

Leksykon "bing" w zbiorze sentiments klasyfikuje słowa jako pozytywne lub negatywne.

library(tidytext)
library(tidyr)
library(dplyr)

bing <- sentiments %>% 
    filter(lexicon == "bing")

pos_neg <- tidy_reviews %>% 
    inner_join(bing) %>%
    count(sentiment) %>%
    pivot_wider(names_from = sentiment, values_from = n, values_fill = 0) %>%
    mutate(polarity = positive - negative)

Czas na ćwiczenia!

Analiza sentymentu w R