Bing tidy polarita: Count & pivot na bílou velrybu

V tomto cvičení použiješ další inner_join() s lexikonem "bing".

Výsledky pak upravíš pomocí count() z balíčku dplyr a pivot_wider() z balíčku tidyr, abys lépe porozuměl/a textu.

Funkce pivot_wider() rozloží data do více sloupců. V tomto případě sentiment a odpovídající hodnoty n vyjadřují četnost pozitivních nebo negativních výrazů pro každý řádek. Použití pivot_wider() data přetransformuje tak, že každý řádek bude mít hodnoty pro pozitivní i negativní sentiment – i když jsou nulové.

Toto cvičení je součástí kurzu

Sentiment Analysis in R

Zobrazit kurz

Pokyny k cvičení

V tomto cvičení máš v R session objekt m_dick_tidy s knihou Moby Dick a objekt bing s lexikonem, podobně jako v předchozím cvičení.

Proveď inner_join() na m_dick_tidy a bing.
- Stejně jako dříve spoj sloupec "term" v m_dick_tidy se sloupcem "word" v lexikonu.
- Nový objekt pojmenuj moby_lex_words.
Vytvoř sloupec index jako výsledek as.numeric() aplikovaného na document. Použij k tomu mutate() z tidyverse.
Vytvoř moby_count tak, že přepošleš moby_lex_words do count() s argumenty sentiment, index.
Vytvoř moby_wide tak, že přepošleš moby_count do pivot_wider(), kde names_from odpovídá sloupci sentiment, values_from odpovídá sloupci n a chybějící hodnoty se doplní pomocí values_fill = 0.
Jako další pipe použij arrange k seřazení řádků podle hodnot index

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Inner join
moby_lex_words <- inner_join(___, ___, by = c("___" = "___"))

moby_lex_words <- moby_lex_words %>%
  # Set index to numeric document
  mutate(___ = as.numeric(___))

moby_count <- moby_lex_words %>%
  # Count by sentiment, index
  ___(___, ___)

# Examine the counts
moby_count

moby_wide <- moby_count %>%
  # Pivot the sentiments
  pivot_wider(names_from = ___, values_from = ___, values_fill = ___) %>% 
  arrange(index)

# Review the pivoted data
moby_wide

Upravit a spustit kód