比較 Tidy Sentiment 與 Qdap Polarity
在這裡你會看到，不同的情緒分析方法會帶來不同的結果。多半你只需要結果在方向上保持一致，雖然細節可能不同。在上一個練習中，你已經建立了 tidy_reviews，也就是移除停用詞後的出租評論資料框。稍早在本章，你曾計算並繪製 qdap 的基本 polarity() 函式。這顯示評論整體偏正向。
現在讓我們用 tidytext 的方式做類似的分析！回想前一章節的流程：先做一次 inner_join()，接著使用 count()，然後進行一次 pivot_wider()。
最後，你會使用 mutate() 建立一個新欄位，計算 positive - negative。
本練習屬於課程
R 情感分析
練習說明
- 使用帶有 "bing" 的
get_sentiments()以取得 bing 主觀詞典。將此詞典命名為bing。 - 因為你已在第 2 章寫過這段程式碼，這裡只需在
mutate()中填入詞典物件bing、新欄位名稱（polarity）及其計算方式。 - 最後對新物件
pos_neg呼叫summary()。雖然數值可能不同，但檢視平均值後，多數出租評論是否與使用polarity()的結果一樣偏正向？你是否看到「成績膨脹」的現象？
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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
___