Deoarece textul este date nestructurate, este nevoie de o etapă de prelucrare pentru a-l aduce într-o formă potrivită analizei. În acest capitol, vei învăța cum să adaugi structură textului prin tokenizare, curățare și tratarea textului ca date categoriale.

Textul ca date

Date din tweets despre companii aeriene

Rezumate grupate

Numărarea datelor categoriale

Numărarea tipurilor de utilizatori

Rezumarea tipurilor de utilizatori

Tokenizare și curățare

Tokenizare și numărare

Curățare și numărare

Prelucrarea textului

Numărătorile sunt utile, dar vizualizările sunt și mai bune. În acest capitol, vei învăța cum să aplici cunoștințele din ggplot2 asupra datelor de tip tidy text.

Reprezentarea grafică a numărului de cuvinte

Vizualizarea reclamațiilor

Vizualizarea non-reclamațiilor

Îmbunătățirea graficelor pentru numărul de cuvinte

Adăugarea cuvintelor de excludere personalizate

Vizualizarea numărului de cuvinte folosind factori

Reprezentarea grafică a numărătorilor de cuvinte prin fatetare

Numărare după produs și reordonare

Vizualizarea numărului de cuvinte cu fațete

Reprezentarea grafică a norilor de cuvinte

Crearea unui nor de cuvinte

Adăugăm puțină culoare

Vizualizarea textului

Numărătorile de cuvinte și vizualizările oferă indicii despre conținut, dar putem merge mai departe. În acest capitol, depășim simpla numărătoare a cuvintelor și analizăm sentimentul sau valența emoțională a textului.

Dicționare de sentiment

Numărarea sentimentelor NRC

Vizualizarea sentimentelor NRC

Adăugarea elementelor în dicționare

Numărarea sentimentelor

Vizualizarea sentimentului

Îmbunătățirea analizei de sentiment

Exersăm restructurarea datelor

Exersăm cu rezumate grupate

Vizualizarea sentimentului pe tipuri de reclamații

Analiza sentimentelor

În acest ultim capitol, mergem dincolo de numărătoarea cuvintelor pentru a descoperi topicele latente dintr-o colecție de documente. Vom folosi un model de topic consacrat, cunoscut sub numele de alocare Dirichlet latentă.

Alocarea Dirichlet latentă

Subiectele ca probabilități ale cuvintelor

Rezumarea temelor

Vizualizarea topicurilor

Matricele document-termen

Crearea unui DTM

Evaluarea unui DTM ca matrice

Rularea modelelor de tematică

Antrenarea unui LDA

Ordonarea rezultatelor LDA

Compararea rezultatelor LDA

Interpretarea subiectelor

Denumirea a trei teme

Denumirea celor patru teme

Concluzie

Modelarea topicelor

Airline tweets

Roomba reviews

De la rețelele de socializare la recenziile de produse, textul devine un tip de date din ce în ce mai important în numeroase aplicații, inclusiv în analiza de marketing. În multe cazuri, textul înlocuiește alte forme de date nestructurate, datorită costului redus și actualității sale. Însă, pentru a valorifica tot ceea ce oferă textul, trebuie să știi cum să îl analizezi, să îl curești, să îl rezumi și să construiești modele pe baza lui. În acest curs, vei folosi cele mai recente instrumente tidy pentru a începe rapid și ușor lucrul cu text. Vei învăța cum să prelucrezi și să vizualizezi text, să efectuezi analiză de sentiment și să rulezi și să interpretezi modele de topic.

Introduction to the Tidyverse

Află cum să analizezi date text cu framework-ul tidy în R: analiză de sentiment, modelare de subiecte.

Introducere în analiza textului în R

Analizează datele text în R folosind cadrul tidy.

Analiza de marketing în R

Extragerea textului în R

Subiectele ca probabilități ale cuvintelor

Introducere în analiza textului în R

Exercițiu interactiv practic