Text je nestrukturovaná data, takže než ho budeš moct analyzovat, je třeba ho trochu zkrotit. V této kapitole se naučíš, jak dodat textu strukturu pomocí tokenizace, čištění a práce s textem jako s kategorickými daty.

Text jako data

Data z tweetů o aerolinkách

Skupinové souhrny

Počítání kategorických dat

Počítání typů uživatelů

Shrnutí typů uživatelů

Tokenizace a čištění textu

Tokenizace a počítání slov

Čištění a počítání

Zpracování textu

Počty jsou fajn, ale vizualizace jsou lepší. V této kapitole zjistíš, jak využít znalosti z ggplot2 při práci s tidy textovými daty.

Vizualizace počtů slov

Vizualizace stížností

Vizualizace nestížností

Vylepšení grafů četnosti slov

Přidávání vlastních stop slov

Vizualizace četností slov pomocí faktorů

Rozdělení grafů počtu slov pomocí faset

Počítání podle produktu a přeuspořádání

Vizualizace počtu slov pomocí fasetů

Vizualizace wordcloudu

Vytvoření wordcloudu

Přidáme trochu barvy

Vizualizace textu

Počty slov a vizualizace o obsahu ledacos napoví, ale dá se jít ještě dál. V této kapitole překročíme hranice pouhého počítání slov a zaměříme se na analýzu sentimentu neboli emocionálního vyznění textu.

Slovníky sentimentu

Počítáme sentimenty ve slovníku NRC

Vizualizace sentimentů NRC

Spojování slovníků

Počítání sentimentů

Vizualizace sentimentu

Vylepšení analýzy sentimentu

Procvičování přetváření dat

Procvičování se seskupenými souhrny

Vizualizace sentimentu podle typu stížnosti

Analýza sentimentu

V závěrečné kapitole jdeme za hranice počítání slov a odhalujeme skrytá témata v kolekcích dokumentů. Využijeme k tomu standardní tematický model zvaný latentní Dirichletova alokace.

Latentní Dirichletova alokace

Témata jako pravděpodobnosti slov

Shrnutí témat

Vizualizace témat

Matice dokumentů a termínů

Tvorba DTM

Vyhodnocení DTM jako matice

Spouštění tematických modelů

Trénování LDA modelu

Úprava výstupu LDA

Porovnání výstupů LDA

Interpretace témat

Pojmenování tří témat

Pojmenování čtyř témat

Závěr

Tematické modelování

Airline tweets

Roomba reviews

Od sociálních sítí po recenze produktů – text je stále důležitějším typem dat v celé řadě oblastí, včetně marketingové analytiky. V mnoha případech text nahrazuje jiné formy nestrukturovaných dat díky tomu, jak je dostupný a aktuální. Abys ale mohl/a naplno využít vše, co ti text nabízí, musíš vědět, jak o něm přemýšlet, jak ho čistit, shrnovat a modelovat. V tomto kurzu využiješ nejnovější tidy nástroje, díky nimž rychle a snadno začneš pracovat s textem. Naučíš se, jak text zpracovávat a vizualizovat, provádět analýzu sentimentu a spouštět a interpretovat tematické modely.

Introduction to the Tidyverse

Zjistěte, jak analyzovat textová data v R pomocí tidy frameworku: sentiment, témata, vizualizace.

Rozdělení grafů počtu slov pomocí faset

Create Your Free Account