両極化タグクラウド

共通タグクラウドは、ドキュメント間で共有されている単語を表示します。ただし、どの単語が一方のドキュメントで他方よりも頻繁に現れるかは示せません。これを可視化するにはピラミッドプロットが必要で、plotrixパッケージのpyramid.plot()で作成できます。

まず、データを適切な形式に整形する必要があります。最も簡単なのは、データフレームに変換してdplyrを使う方法です。as.matrix(tdm)で作成した単語カウントの行列があるとき、最終的には3列のデータフレームにする必要があります。

各ドキュメントに含まれる単語
ドキュメント1でのその単語の出現数
ドキュメント2でのその単語の出現数

その後、次のようにpyramid.plot()を使います。

pyramid.plot(word_count_data$count1, word_count_data$count2, word_count_data$word)

描画の見た目を整えるための追加の引数もいくつかあります。

それでは、chardonnayのツイートではよく使われ、coffeeのツイートではまれな単語を探索してみましょう。all_dtm_mは用意されています。

この演習はコースの一部です

Rで学ぶBag-of-Wordsによるテキストマイニング

コースを見る

実践的なインタラクティブ演習

このサンプルコードを完成させて、この演習に挑戦してみましょう。

top25_df <- all_tdm_m %>%
  # Convert to data frame
  as_tibble(rownames = "___") %>% 
  # Keep rows where word appears everywhere
  filter(if_all(everything(), ___) %>% 
  # Get difference in counts
  mutate(difference = ___) %>% 
  # Keep rows with biggest difference
  slice_max(___,  n = ___) %>% 
  # Arrange by descending difference
  arrange(___(___))

コードを編集して実行