Comparer le sentiment Tidy à la polarité Qdap
Ici, vous allez voir que différentes méthodes d'analyse de sentiment produisent des résultats différents. Souvent, il suffit que les résultats aillent dans le même sens, même si les détails diffèrent. Dans le dernier exercice, vous avez créé tidy_reviews, une trame de données des avis 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 avis sont plutôt positifs.
Effectuons maintenant une analyse similaire avec l'approche de tidytext ! Rappelez-vous qu'à un chapitre précédent, vous effectuez d'abord un inner_join(), puis count(), puis un pivot_wider().
Enfin, vous créerez une nouvelle colonne avec mutate() en y passant positive - negative.
Cet exercice fait partie du cours
<cours>Analyse de sentiments en R</cours>Instructions de l’exercice
- L'utilisation de la fonction
get_sentiments()avec « bing » permet d'obtenir le lexique de subjectivité bing. Nommez ce lexiquebing. - Comme vous avez déjà écrit ce code au Chapitre 2, saisissez simplement l'objet du lexique,
bing, le nom de la nouvelle colonne (polarity) et son calcul dansmutate(). - Enfin, appelez
summary()sur le nouvel objetpos_neg. Même si les valeurs diffèrent, après avoir examiné la moyenne, la plupart des avis de location sont-ils de façon similaire positifs par rapport à l'utilisation depolarity()? 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
___