¡Combate en jaula, parte 2! Reseñas negativas

En ambas organizaciones, la gente mencionó "culture" y "smart people", así que hay aspectos positivos similares entre las dos compañías. Sin embargo, con el gráfico de pirámide puedes empezar a inferir los grados en que se dan esos rasgos positivos en los entornos de trabajo.

Ahora decides centrarte en las reseñas negativas y crear la misma visualización. Esta vez ya tienes el data frame common_words en tu espacio de trabajo. No obstante, los bigramas comunes de este ejercicio provienen de reseñas de empleados con tono negativo.

Este ejercicio forma parte del curso

Minería de texto con Bag-of-Words en R

Ver curso

Instrucciones del ejercicio

Usando slice_max() sobre common_words, obtén los 5 bigramas principales tomando como referencia la columna diff. Los resultados del nuevo objeto se imprimirán en tu consola.
Crea un pyramid.plot(). Pasa top5_df$AmazonNeg, top5_df$GoogleNeg y labels = top5_df$terms. Para mejorar el etiquetado, establece:
- gap en 12.
- top.labels en c("Amzn", "Neg Words", "Goog")

Los argumentos main y unit ya están definidos por ti.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Extract top 5 common bigrams
(top5_df <- ___ %>% ___(___, n = ___))

# Create a pyramid plot
___(
    # Amazon on the left
    top5_df$___,
    # Google on the right
    top5_df$___,
    # Use terms for labels
    labels = top5_df$___,
    # Set the gap to 12
    ___ = ___,
    # Set top.labels to "Amzn", "Neg Words" & "Goog"
    ___ = ___,
    main = "Words in Common", 
    unit = NULL
)

Editar y ejecutar código