Creează un Tibble Tidy Text!

Acum că ai învățat principiile tidy, acest cod te ajută să îți organizezi datele într-un tibble, astfel încât să poți lucra în continuare în cadrul tidyverse!

Anterior ai aflat că aplicând tidy() pe un obiect TermDocumentMatrix() se convertește TDM-ul într-un tibble. În acest exercițiu vei crea datele despre cuvinte direct din coloana de recenzii numită comments.

Mai întâi folosești unnest_tokens() pentru a converti textul la litere mici și a tokeniza recenziile în cuvinte individuale.

Uneori este util să reții ordinea originală a cuvintelor în cadrul fiecărui grup dintr-un corpus. Pentru aceasta, folosești mutate(). În mutate() vei folosi seq_along() pentru a crea o secvență de numere de la 1 până la lungimea obiectului. Astfel vei captura ordinea cuvintelor exact cum au fost scrise.

În pachetul tm, ai folosi removeWords() pentru a elimina stopwords. În tidyverse trebuie mai întâi să încarci lexiconul de stopwords, apoi să aplici un anti_join() între setul de date tidy și stopwords.

Acest exercițiu face parte din cursul

Analiza sentimentelor în R

Vezi cursul

Instrucțiuni pentru exercițiu

Creează tidy_reviews conectând prin pipe (%>%) obiectul original de recenzii bos_reviews la funcția unnest_tokens(). Transmite un nume nou pentru coloană, word, și declară coloana comments. Reține că în tidyverse nu ai nevoie de $ sau ghilimele.
Creează o variabilă nouă în stil tidy! Rescrie tidy_reviews conectând prin pipe tidy_reviews la group_by cu coloana id. Apoi conectează din nou cu %>% la mutate(). În interiorul lui mutate, creează o variabilă nouă original_word_order egală cu seq_along(word).
Afișează tibble-ul tidy_reviews.
Încarcă lexiconul de stopwords „SMART" predefinit în sesiunea R cu data("stop_words").
Suprascrie tidy_reviews transmițând originalul tidy_reviews la anti_join() printr-un %>%. În interiorul anti_join(), transmite lexiconul predefinit stop_words.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Vector to tibble
tidy_reviews <- bos_reviews %>% 
  ___(___, ___)

# Group by and mutate
tidy_reviews <- tidy_reviews %>% 
  ___(___) %>% 
  ___(original_word_order = ___(___))

# Quick review
___

# Load stopwords
___

# Perform anti-join
tidy_reviews_without_stopwords <- tidy_reviews %>% 
  ___(___)

Editează și rulează codul