Compara Tidy Sentiment con Qdap Polarity
Aquí verás que usar métodos de sentimiento distintos produce resultados diferentes. A menudo basta con que los resultados vayan en la misma dirección, aunque los detalles varíen. En el ejercicio anterior creaste tidy_reviews, un data frame de reseñas de alojamientos sin stopwords. Antes en el capítulo calculaste y representaste la función básica polarity() de qdap, que mostró que las reseñas tienden a ser positivas.
¡Ahora vamos a hacer un análisis similar con tidytext! Recuerda de un capítulo anterior que harás un inner_join() seguido de count() y después un pivot_wider().
Por último, crearás una columna nueva con mutate() pasando positive - negative.
Este ejercicio forma parte del curso
Análisis de sentimiento en R
Instrucciones del ejercicio
- Usar la función
get_sentiments()con "bing" obtendrá el léxico de subjetividad de bing. Llama al léxicobing. - Como ya escribiste este código en el Capítulo 2, simplemente introduce en
mutate()el objeto del léxico,bing, el nombre de la nueva columna (polarity) y su cálculo. - Por último, llama a
summary()sobre el nuevo objetopos_neg. Aunque los valores sean distintos, tras revisar la media, ¿la mayoría de las reseñas de alquiler siguen siendo igual de positivas que usandopolarity()? ¿Ves «inflación de notas»?
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# 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
___