Cage match, phần 2! Đánh giá tiêu cực

Ở cả hai tổ chức, mọi người đều nhắc đến "culture" và "smart people", nên có một số điểm tích cực tương đồng giữa hai công ty. Tuy nhiên, với biểu đồ hình kim tự tháp, bạn có thể bắt đầu suy ra mức độ nổi trội của các yếu tố tích cực trong môi trường làm việc.

Giờ bạn sẽ chuyển sang các đánh giá tiêu cực và tạo cùng một kiểu trực quan. Lần này bạn đã có sẵn dataframe common_words trong không gian làm việc. Tuy nhiên, các bigram phổ biến trong bài này đến từ các đánh giá nhân viên mang tính tiêu cực.

Bài tập này là một phần của khóa học

Khai phá văn bản với Bag-of-Words trong R

Xem khóa học

Hướng dẫn bài tập

Dùng slice_max() trên common_words để lấy 5 bigram hàng đầu dựa trên cột diff. Kết quả của đối tượng mới sẽ được in ra console của bạn.
Tạo pyramid.plot(). Truyền vào top5_df$AmazonNeg, top5_df$GoogleNeg, và labels = top5_df$terms. Để nhãn rõ hơn, đặt
- gap là 12.
- top.labels là c("Amzn", "Neg Words", "Goog")

Các đối số main và unit đã được thiết lập sẵn cho bạn.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# Extract top 5 common bigrams
(top5_df <- ___ %>% ___(___, n = ___))

# Create a pyramid plot
___(
    # Amazon on the left
    top5_df$___,
    # Google on the right
    top5_df$___,
    # Use terms for labels
    labels = top5_df$___,
    # Set the gap to 12
    ___ = ___,
    # Set top.labels to "Amzn", "Neg Words" & "Goog"
    ___ = ___,
    main = "Words in Common", 
    unit = NULL
)

Chỉnh sửa và Chạy Mã