Nejčastější výrazy pomocí qdap
Pokud ti nevadí vzdát se části kontroly nad přesným průběhem předzpracování, pak rychlý způsob, jak zjistit nejčastější výrazy, nabízí funkce freq_terms() z balíčku qdap.
Funkce přijímá textovou proměnnou – v našem případě vektor tweets$text. Pomocí argumentu top určíš, kolik nejčastějších výrazů se zobrazí, argument stopwords přijímá vektor stop slov k odstranění a at.least nastavuje minimální délku slova v počtu znaků. Balíček qdap má vlastní seznam stop slov, který se liší od toho v tm. V tomto cvičení si ukážeme, jak použít oba seznamy a porovnat výsledky.
Základní vizualizaci výsledků vytvoříš snadno – stačí zavolat plot() na objekt vrácený funkcí freq_terms().
Toto cvičení je součástí kurzu
Dolování textu metodou Bag-of-Words v R
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Create frequency
frequency <- ___(
___,
top = ___,
at.least = ___,
stopwords = ___
)
# Make a frequency bar chart