lda_topics 包含對 Twitter 資料執行 LDA 後輸出的主題。請記住，每個主題都是語料庫中所有不重複單字的機率集合。在這裡，每則推文都是一份文件，而 beta 欄位包含單字的機率。
lda_topics
beta
本練習屬於課程
試著完成這個範例程式碼，體驗一下這個練習。
# Print the output from LDA run ___
由於文字屬於非結構化資料，需要先進行一定程度的整理，才能轉換成可分析的形式。本章將帶你透過斷詞（tokenize）、清理，並將文字視為類別資料，來為文字加入結構。
雖然計數有用，但視覺化更能傳達重點。本章將帶你把 ggplot2 的觀念應用到 tidy 文字資料上。
詞頻與視覺化能提供內容的一些線索，但我們還能做得更多。本章將超越單純的詞頻，分析文字的情緒或情感傾向。
在最後一章，我們將超越詞頻，找出文件集合中的潛在主題。我們會使用一種標準的主題模型──潛在 Dirichlet 分配（latent Dirichlet allocation）。
當前練習