Comparer le sentiment Tidy à la polarité Qdap

Ici, vous verrez que différentes méthodes d'analyse du sentiment produisent des résultats différents. Souvent, il suffit que les résultats aillent dans la même direction, même si les valeurs précises diffèrent. Dans l'exercice précédent, vous avez créé tidy_reviews, une trame de données de commentaires de locations sans mots vides. Plus tôt dans le chapitre, vous avez calculé et tracé la fonction polarity() de base de qdap. Cela montrait que les commentaires ont tendance à être positifs.

Maintenant, effectuons une analyse similaire à la manière de tidytext ! Rappelez-vous d'un chapitre précédent que vous effectuerez un inner_join(), suivi de count(), puis d'un pivot_wider().

Enfin, vous créerez une nouvelle colonne avec mutate() en y passant positive - negative.

Cette activité fait partie du cours

Analyse de sentiment en R

Voir le cours

Instructions de l’exercice

L'utilisation de la fonction get_sentiments() avec « bing » permet d'obtenir le lexique de subjectivité bing. Nommez ce lexique bing.
Comme vous avez déjà écrit ce code au chapitre 2, indiquez simplement l'objet du lexique, bing, le nom de la nouvelle colonne (polarity) et son calcul dans mutate().
Enfin, appelez summary() sur le nouvel objet pos_neg. Même si les valeurs diffèrent, après avoir regardé la moyenne, la plupart des commentaires de location sont-ils tout aussi positifs que lorsque vous utilisez polarity() ? Observez-vous une « inflation des notes » ?

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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
___

Modifier et exécuter le code