Scontro in gabbia, parte 2! Recensioni negative

In entrambe le organizzazioni, le persone hanno menzionato "culture" e "smart people", quindi ci sono alcuni aspetti positivi simili tra le due aziende. Tuttavia, con il grafico a piramide puoi iniziare a dedurre il grado delle caratteristiche positive degli ambienti di lavoro.

Ora decidi di concentrarti sulle recensioni negative e creare la stessa visualizzazione. Questa volta hai già il data frame common_words nel tuo workspace. Tuttavia, i bigrammi comuni in questo esercizio provengono da recensioni dei dipendenti in tono negativo.

Questo esercizio fa parte del corso

Text mining con Bag-of-Words in R

Visualizza il corso

Istruzioni dell'esercizio

Usando slice_max() su common_words, ottieni i primi 5 bigrammi facendo riferimento alla colonna diff. I risultati del nuovo oggetto verranno stampati nella tua console.
Crea un pyramid.plot(). Passa top5_df$AmazonNeg, top5_df$GoogleNeg e labels = top5_df$terms. Per un’etichettatura migliore, imposta
- gap a 12.
- top.labels a c("Amzn", "Neg Words", "Goog")

Gli argomenti main e unit sono già impostati per te.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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
)

Modifica ed esegui il codice