Passez en revue une section de bos_pol$all (préchargé) en indexant [1:6,1:3].
Ajoutez une nouvelle colonne nommée scaled_polarity en appliquant scale() à la colonne de score de polarité bos_pol$all$polarity.
Pour les commentaires positifs, utilisez subset() lorsque la nouvelle colonne bos_reviews$scaled_polarity est strictement supérieure (>) à zéro.
Pour les commentaires négatifs, utilisez subset() lorsque la nouvelle colonne bos_reviews$scaled_polarity est strictement inférieure (<) à zéro.
Créez pos_terms à l'aide de paste() sur pos_comments.
Créez ensuite neg_terms avec paste() sur neg_comments.
Regroupez les documents concaténés, pos_terms et neg_terms, dans un corpus unique appelé all_terms.
Suivez le flux de travail habituel de tm en imbriquant VectorSource() dans VCorpus() appliqué à all_terms.
Créez la TermDocumentMatrix() en utilisant l'objet all_corpus. Notez qu'il s'agit d'une TDM pondérée TfIdf avec des fonctions de nettoyage de base.
Transformez all_tdm en all_tdm_m avec as.matrix(). Puis renommez les colonnes dans le code existant en "positive" et "negative".
Enfin ! appliquez comparison.cloud() à la matrice all_tdm_m. Observez les nouveaux mots négatifs les plus fréquents. Peut-être révélerez-vous un insight encore insoupçonné !

Choisissez un insight moins attendu