Jämför Tidy-sentiment med Qdap-polaritet

Här får du se att olika sentimentmetoder ger olika resultat. Ofta räcker det att resultaten pekar i samma riktning, även om de specifika värdena skiljer sig åt. I förra övningen skapade du tidy_reviews – en dataram med hyresomdömen utan stoppord. Tidigare i kapitlet beräknade och plottade du qdap:s grundläggande funktion polarity(), vilket visade att omdömena tenderar att vara positiva.

Nu ska vi göra en liknande analys med tidytext! Som du minns från ett tidigare kapitel utför du en inner_join() följt av count() och sedan en pivot_wider().

Slutligen skapar du en ny kolumn med mutate() och beräkningen positive - negative.

Den här övningen är en del av kursen

Sentimentanalys i R

Visa kurs

Övningsinstruktioner

Använd funktionen get_sentiments() med argumentet "bing" för att hämta Bing-subjektivitetslexikonet. Döp lexikonet till bing.
Eftersom du redan skrev den här koden i kapitel 2 behöver du bara ange lexikonobjektet bing, det nya kolumnnamnet (polarity) och dess beräkning i mutate().
Anropa slutligen summary() på det nya objektet pos_neg. Även om värdena skiljer sig åt – är de flesta hyresomdömen ungefär lika positiva jämfört med när du använde polarity()? Ser du tecken på "betygsinflatation"?

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Get the correct lexicon
bing <- ___

# Calculate polarity for each review
pos_neg <- tidy_reviews %>% 
  inner_join(___) %>%
  count(sentiment) %>%
  pivot_wider(names_from = sentiment, values_from = n, values_fill = 0) %>% 
  mutate(___ = ___ - ___)

# Check outcome
___

Redigera och kör kod