Порівняйте Tidy Sentiment з Qdap Polarity

Тут ви побачите, що різні методи визначення сентименту дають різні результати. Часто достатньо, щоб результати збігалися за напрямом, навіть якщо деталі різняться. У попередній вправі ви створили tidy_reviews — датафрейм відгуків про оренду без стоп-слів. Раніше в цьому розділі ви обчислили й побудували базову функцію polarity() з пакета qdap. Це показало, що відгуки загалом позитивні.

Тепер виконаймо подібний аналіз способом tidytext! Нагадаємо з попереднього розділу: ви виконаєте inner_join(), потім count(), а далі pivot_wider().

Насамкінець ви створите новий стовпчик за допомогою mutate(), передавши вираз positive - negative.

Ця вправа є частиною курсу

Аналіз тональності в R

Переглянути курс

Інструкції до вправи

Використайте функцію get_sentiments() з параметром "bing", щоб отримати лексикон суб'єктивності Bing. Назвіть лексикон bing.
Оскільки ви вже писали цей код у розділі 2, просто вкажіть об'єкт лексикону bing, нову назву стовпчика (polarity) та його обчислення всередині mutate().
Нарешті, викличте summary() для нового об'єкта pos_neg. Хоча значення відрізняються, якщо подивитися на середнє, чи залишаються більшість відгуків про оренду так само позитивними порівняно з використанням polarity()? Чи бачите ви „інфляцію оцінок"?

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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
___

Редагувати та запускати код