สร้าง Corpora ตามค่า Polarity
ในแบบฝึกหัดนี้ คุณจะทำขั้นตอนที่ 3 ของกระบวนการ Text Mining แม้ว่า qdap จะไม่ใช่แพ็กเกจแบบ tidy แต่จะใช้ mutate() เพื่อสร้างคอลัมน์ใหม่จากลิสต์ polarity ที่ส่งคืนมา ซึ่งแทน polarity ทั้งหมด (นั่นคือคำใบ้) ในบทที่ 3 เราใช้ฟังก์ชันที่กำหนดเองชื่อ pol_subsections ซึ่งใช้เฉพาะ base R แต่ในแบบฝึกหัดนี้จะยึดหลัก tidy โดยใช้ filter() แล้วแนะนำ pull() ฟังก์ชัน pull() ทำงานคล้ายกับ [[ เพื่อดึงตัวแปรเดี่ยวออกมา
เมื่อแยกข้อมูลได้แล้ว ให้รวมคอมเมนต์เชิงบวกและเชิงลบทั้งหมดเข้าเป็นเอกสารขนาดใหญ่สองชิ้น ที่แทนคำทั้งหมดในรีวิวการเช่าเชิงบวกและเชิงลบ
สุดท้าย จะสร้าง Term Document Matrix (TDM) แบบถ่วงน้ำหนักด้วย Term Frequency Inverse Document Frequency (TFIDF) เนื่องจากโค้ดในแบบฝึกหัดนี้เริ่มต้นจากโครงสร้าง tidy จึงใช้ฟังก์ชันบางส่วนจาก tm ร่วมกับ %>% เพื่อให้รูปแบบสอดคล้องกัน หากยังไม่คุ้นเคยกับพื้นฐานของแพ็กเกจ tm ลองดูคอร์ส Text Mining with Bag-of-Words in R แทนที่จะนับจำนวนครั้งที่ใช้คำ (ความถี่) ค่าใน TDM จะถูกหักคะแนนสำหรับคำที่ถูกใช้บ่อยเกินไป ซึ่งช่วยลดคำที่ไม่มีข้อมูลที่เป็นประโยชน์
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
การวิเคราะห์ความรู้สึกใน R
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
pos_terms <- bos_reviews %>%
# Add polarity column
___(polarity = ___) %>%
# Filter for positive polarity
___(___) %>%
# Extract comments column
___(___) %>%
# Paste and collapse
___(collapse = "___")