Vergleiche Tidy Sentiment mit Qdap-Polarity

Hier lernst du, dass unterschiedliche Sentiment-Methoden zu unterschiedlichen Ergebnissen führen. Oft reicht es, wenn die Ergebnisse in die gleiche Richtung zeigen, auch wenn die Details abweichen. In der letzten Übung hast du tidy_reviews erstellt, einen Data Frame mit Mietbewertungen ohne Stoppwörter. Früher in diesem Kapitel hast du die grundlegende Funktion polarity() aus qdap berechnet und visualisiert. Das hat gezeigt, dass die Bewertungen tendenziell positiv sind.

Jetzt führen wir eine ähnliche Analyse auf die tidytext-Art durch! Denk daran: Wie in einem früheren Kapitel führst du zunächst ein inner_join() aus, gefolgt von count() und dann einem pivot_wider().

Abschließend erstellst du mit mutate() eine neue Spalte und übergibst positive - negative.

Diese Übung ist Teil des Kurses

<Kurs>Sentimentanalyse in R</Kurs>

Kurs ansehen

Übungsanweisungen

Mit der Funktion get_sentiments() und "bing" erhältst du das Bing-Subjektivitätslexikon. Nenne das Lexikon bing.
Da du diesen Code in Kapitel 2 bereits geschrieben hast, gib einfach das Lexikonobjekt bing, den neuen Spaltennamen (polarity) und seine Berechnung innerhalb von mutate() ein.
Rufe abschließend summary() für das neue Objekt pos_neg auf. Auch wenn die Werte unterschiedlich sind: Sind die meisten Mietbewertungen nach dem Mittelwert ähnlich positiv wie bei Verwendung von polarity()? Siehst du eine "Noteninflation"?

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# 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
___

Code bearbeiten und ausführen