Porovnání Tidy sentimentu s Qdap polaritou

V tomto cvičení zjistíš, že různé metody analýzy sentimentu mohou přinést různé výsledky. Většinou stačí, aby si výsledky odpovídaly ve svém směru, i když konkrétní hodnoty se mohou lišit. V předchozím cvičení jsi vytvořil/a tidy_reviews — datový rámec recenzí ubytování bez stopwords. Dříve v kapitole jsi vypočítal/a a vizualizoval/a základní funkci polarity() z balíčku qdap, která ukázala, že recenze mají tendenci být pozitivní.

Teď proveďme podobnou analýzu pomocí tidytext! Vzpomeň si z dřívější kapitoly: použiješ inner_join(), pak count() a nakonec pivot_wider().

Na závěr vytvoříš nový sloupec pomocí mutate() s výrazem positive - negative.

Toto cvičení je součástí kurzu

Sentiment Analysis in R

Zobrazit kurz

Pokyny k cvičení

Pomocí funkce get_sentiments() s argumentem "bing" získáš bing subjektivní lexikon. Pojmenuj lexikon bing.
Tento kód jsi už psal/a v kapitole 2 — stačí doplnit objekt lexikonu bing, název nového sloupce (polarity) a jeho výpočet do mutate().
Nakonec zavolej summary() na nový objekt pos_neg. I když se hodnoty liší, jsou recenze ubytování po pohledu na průměr podobně pozitivní jako při použití polarity()? Vidíš tam „grade inflation"?

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Get the correct lexicon
bing <- ___

# Calculate polarity for each review
pos_neg <- tidy_reviews %>% 
  inner_join(___) %>%
  count(sentiment) %>%
  pivot_wider(names_from = sentiment, values_from = n, values_fill = 0) %>% 
  mutate(___ = ___ - ___)

# Check outcome
___

Upravit a spustit kód