Match en cage, 2e partie ! Avis négatifs

Dans les deux organisations, les personnes ont mentionné la « culture » et les « gens brillants », ce qui montre certains aspects positifs communs entre les deux entreprises. Cependant, avec le graphique en pyramide, vous pouvez commencer à déduire le degré de caractéristiques positives des environnements de travail.

Vous décidez maintenant de vous pencher sur les avis négatifs et de créer la même visualisation. Cette fois, vous avez déjà le tableau de données common_words dans votre espace de travail. Toutefois, les bigrammes communs de cet exercice proviennent d'avis d'employés négatifs.

Cette activité fait partie du cours

Extraction de texte avec sac de mots en R

Voir le cours

Instructions de l’exercice

En utilisant slice_max() sur common_words, obtenez les 5 principaux bigrammes en fonction de la colonne diff. Les résultats du nouvel objet s'imprimeront dans votre console.
Créez un pyramid.plot(). Passez top5_df$AmazonNeg, top5_df$GoogleNeg, et labels = top5_df$terms. Pour un meilleur étiquetage, réglez :
- gap à 12.
- top.labels à c("Amzn", "Neg Words", "Goog")

Les arguments main et unit sont déjà définis pour vous.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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
)

Modifier et exécuter le code