Pertarungan seru, bagian 2! Ulasan negatif

Di kedua organisasi, orang menyebut "budaya" dan "orang-orang pintar", sehingga ada beberapa aspek positif yang serupa di antara kedua perusahaan tersebut. Namun, dengan plot piramida, Anda dapat mulai menyimpulkan tingkat kekuatan fitur positif dari lingkungan kerja.

Sekarang Anda memutuskan untuk beralih ke ulasan negatif dan membuat visual yang sama. Kali ini Anda sudah memiliki data frame common_words di ruang kerja Anda. Namun, bigram umum dalam latihan ini berasal dari ulasan karyawan yang bersifat negatif.

Latihan ini adalah bagian dari kursus

Text Mining dengan Bag-of-Words di R

Lihat Kursus

Petunjuk latihan

Gunakan slice_max() pada common_words untuk mendapatkan 5 bigram teratas berdasarkan kolom diff. Hasil objek baru akan tercetak di konsol Anda.
Buat pyramid.plot(). Masukkan top5_df$AmazonNeg, top5_df$GoogleNeg, dan labels = top5_df$terms. Untuk pelabelan yang lebih baik, atur
- gap ke 12.
- top.labels ke c("Amzn", "Neg Words", "Goog")

Argumen main dan unit telah ditetapkan untuk Anda.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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
)

Edit dan Jalankan Kode