Étape 3 : Organiser (et nettoyer) le texte

Analyse de sentiment en R

Ted Kwartler

Data Dude

Au travail !

Objectif initial : utiliser la fonction polarity() pour définir des sous-sections du texte à examiner.

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 = " ")

Plus d'organisation

Objectif : utiliser les avis de location en format « tidy » pour créer un score de polarité au même format.

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))

Score de polarité sur texte « tidy »

Rappel : le lexique « bing » dans sentiments classe les mots comme positifs ou négatifs.

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)

Passons à la pratique !

Analyse de sentiment en R