Polarité tidy avec Bing : exemple simple

Maintenant que vous comprenez les bases d'une jointure interne, appliquons cela au lexique « Bing ». Gardez à l'esprit que la fonction inner_join() provient de dplyr et que l'objet du lexique est obtenu à l'aide de la fonction get_sentiments() de tidytext.

Le lexique Bing étiquette les mots comme positifs ou négatifs. Les trois prochains exercices vous permettent d'interagir avec ce lexique précis. Pour utiliser get_sentiments(), transmettez une chaîne comme « afinn », « bing », « nrc » ou « loughran » pour télécharger le lexique souhaité.

Flux de travail de la jointure interne :

Obtenez le bon lexique avec get_sentiments().
Passez le lexique et les données textuelles en format tidy à inner_join().
Pour que inner_join() fonctionne, il doit y avoir un nom de colonne partagé. S'il n'y en a pas, déclarez-les avec un paramètre supplémentaire, by égal à c avec les noms de colonnes comme ci-dessous.

object <- x %>% 
    inner_join(y, by = c("column_from_x" = "column_from_y"))

Effectuez une certaine agrégation et analyse sur l'intersection des tables.

Cette activité fait partie du cours

Analyse de sentiment en R

Voir le cours

Instructions de l’exercice

Nous avons chargé ag_txt, qui contient les 100 premières lignes d'Agamemnon, ainsi que ag_tidy, sa version tidy.

Pour comparaison, utilisez polarity() sur ag_txt.
Obtenez le lexique "bing" en passant cette chaîne à get_sentiments().
Effectuez un inner_join() avec ag_tidy et bing.
- Les colonnes de mots s'appellent "term" dans ag_tidy et "word" dans le lexique, donc déclarez l'argument by.
- Nommez le nouvel objet ag_bing_words.
Affichez ag_bing_words et examinez quelques-uns des mots présents dans le résultat.
Passez ag_bing_words à count() de sentiment en utilisant l'opérateur de tuyauterie %>%. Comparez le score de polarity() au ratio de dénombrement des sentiments.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Qdap polarity
___

# Get Bing lexicon
bing <- get_sentiments("___")

# Join text to lexicon
ag_bing_words <- ___(___, ___, by = c("___" = "___"))

# Examine
ag_bing_words

# Get counts by sentiment
ag_bing_words %>%
  ___(___)

Modifier et exécuter le code