Bing tidy polarity: सरल उदाहरण

अब जब आप inner join की बेसिक्स समझ चुके हैं, तो इसे "Bing" lexicon पर लागू करें. ध्यान रखें कि inner_join() फंक्शन dplyr से आता है और lexicon ऑब्जेक्ट tidytext के get_sentiments() फंक्शन से मिलता है.

Bing lexicon शब्दों को positive या negative के रूप में लेबल करता है. अगले तीन अभ्यासों में आप इसी lexicon के साथ इंटरैक्ट करेंगे. किसी विशेष lexicon को डाउनलोड करने के लिए get_sentiments() में "afinn", "bing", "nrc", या "loughran" जैसी स्ट्रिंग पास करें.

Inner join का workflow:

get_sentiments() से सही lexicon प्राप्त करें.
lexicon और tidy टेक्स्ट डेटा को inner_join() में पास करें.
inner_join() के लिए एक साझा कॉलम नाम होना ज़रूरी है. अगर साझा कॉलम नाम नहीं हैं, तो एक अतिरिक्त पैरामीटर by के साथ उन्हें घोषित करें, जो c के बराबर हो और नीचे दिए गए जैसे कॉलम नाम हों.

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

टेबल के इंटरसेक्शन पर कुछ aggregation और analysis करें.

यह अभ्यास पाठ्यक्रम का हिस्सा है

R में Sentiment Analysis

पाठ्यक्रम देखें

अभ्यास निर्देश

हमने ag_txt लोड किया है, जिसमें Agamemnon की पहली 100 पंक्तियाँ हैं, और ag_tidy जो उसका tidy संस्करण है.

तुलना के लिए ag_txt पर polarity() का उपयोग करें.
get_sentiments() में "bing" स्ट्रिंग पास करके वही lexicon प्राप्त करें.
ag_tidy और bing के साथ एक inner_join() करें.
- शब्द वाले कॉलम ag_tidy में "term" और lexicon में "word" कहलाते हैं, इसलिए by आर्ग्युमेंट घोषित करें.
- नए ऑब्जेक्ट का नाम ag_bing_words रखें.
ag_bing_words प्रिंट करें और देखें कि परिणाम में कौन-कौन से शब्द हैं.
पाइप ऑपरेटर %>% का उपयोग करके ag_bing_words को count() में sentiment के लिए पास करें. फिर polarity() स्कोर की तुलना sentiment count ratio से करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# 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 %>%
  ___(___)

कोड संपादित करें और चलाएँ