เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

เปรียบเทียบ Tidy Sentiment กับ Qdap Polarity

ในแบบฝึกหัดนี้ คุณจะเห็นว่าวิธีการวิเคราะห์ sentiment ที่ต่างกันอาจให้ผลลัพธ์ที่แตกต่างกัน แต่โดยทั่วไปแล้ว ผลลัพธ์ควรชี้ไปในทิศทางเดียวกัน แม้รายละเอียดจะต่างกันบ้าง

ในแบบฝึกหัดก่อนหน้า คุณสร้าง tidy_reviews ซึ่งเป็น data frame ของรีวิวที่พักโดยไม่มี stopwords และก่อนหน้านี้ในบทนี้ คุณได้คำนวณและพล็อตกราฟโดยใช้ฟังก์ชัน polarity() ของ qdap ซึ่งแสดงให้เห็นว่ารีวิวส่วนใหญ่มีแนวโน้มเชิงบวก

คราวนี้มาทำการวิเคราะห์แบบเดียวกันด้วยวิธีของ tidytext กัน! จำได้จากบทก่อนหน้าว่าต้องใช้ inner_join() ตามด้วย count() แล้วจึง pivot_wider()

สุดท้าย สร้างคอลัมน์ใหม่โดยใช้ mutate() และส่งค่า positive - negative เข้าไป

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การวิเคราะห์ความรู้สึกใน R

ดูคอร์ส

คำแนะนำการฝึกหัด

  • ใช้ฟังก์ชัน get_sentiments() พร้อมอาร์กิวเมนต์ "bing" เพื่อดึง bing subjectivity lexicon แล้วตั้งชื่อ lexicon นั้นว่า bing
  • เนื่องจากคุณเขียนโค้ดนี้ไว้แล้วในบทที่ 2 เพียงแค่ระบุออบเจ็กต์ lexicon bing ชื่อคอลัมน์ใหม่ (polarity) และการคำนวณภายใน mutate()
  • สุดท้าย เรียก summary() บนออบเจ็กต์ pos_neg ใหม่ แม้ค่าจะต่างกัน แต่เมื่อดูค่าเฉลี่ยแล้ว รีวิวที่พักส่วนใหญ่มีแนวโน้มเชิงบวกในทิศทางเดียวกับที่ได้จาก polarity() หรือไม่? และคุณสังเกตเห็น "grade inflation" หรือเปล่า?

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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
___
แก้ไขและรันโค้ด