Просмотрите фрагмент предзагруженного объекта bos_pol$all, используя индексацию [1:6,1:3].
Добавьте новый столбец scaled_polarity, применив scale() к столбцу показателей тональности bos_pol$all$polarity.
Для позитивных комментариев примените subset() по условию, что новый столбец bos_reviews$scaled_polarity больше (>) нуля.
Для негативных комментариев примените subset() по условию, что новый столбец bos_reviews$scaled_polarity меньше (<) нуля.
Создайте pos_terms, применив paste() к pos_comments.
Создайте neg_terms, применив paste() к neg_comments.
Объедините свёрнутые документы pos_terms и neg_terms в единый корпус all_terms.
Следуя стандартному рабочему процессу tm, вложите VectorSource() внутрь VCorpus(), применив их к all_terms.
Создайте TermDocumentMatrix() на основе объекта all_corpus. Обратите внимание: это TDM с весами TfIdf и базовыми функциями очистки.
Преобразуйте all_tdm в матрицу all_tdm_m с помощью as.matrix(). Затем переименуйте столбцы в уже готовом коде: "positive" и "negative".
И наконец! Примените comparison.cloud() к матрице all_tdm_m. Обратите внимание на наиболее частотные негативные слова — возможно, они раскроют неожиданную закономерность!

Шаг 3: организация (и очистка) текста

Create Your Free Account