比較與對照堆疊長條圖
切分文字的另一種方式，是了解文件裡正向或負向用詞各占多少比例。比方說，一則餐廳評論可能先提到正面內容，例如「食物很好吃」，但接著又說「餐廳很髒、員工很無禮、停車很糟」。因此，你會想知道這份評論中，正向語言和負向語言各占多少。在這個例子中，負向比例就會高於正向。
一種作法是先用 count() 計算正面與負面詞彙各有多少，然後除以所有被辨識為主觀性（subjectivity）的詞彙數量。在餐廳評論的例子中，「good」算 1 個正向詞，而「dirty」、「rude」與「awful」算 3 個負向詞。簡單計算後，你會判斷這則評論中共有 4 個主觀性詞彙，其中 25% 是正向、75% 是負向。
先對包含 4 本書（Agamemnon、Oz、Huck Finn、Moby Dick）的整合整潔資料框進行 inner_join()。和上一題一樣，你會使用 filter() 與 grepl()。
要進行 count()，你必須先依書名與情緒分組。例如，Agamemnon 的所有正向詞要先分組並加總，避免把不同書的正向詞混在一起。所幸，你可以直接在 count() 中一次傳入多個變數。
本練習屬於課程
R 情感分析
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。
# Review tail of all_books
tail(all_books)
# Count by book & sentiment
books_sent_count <- all_books %>%
# Inner join to nrc lexicon
___(___, by = c("term" = "word")) %>%
# Keep only positive or negative
___(__("___", sentiment)) %>%
# Count by book and by sentiment
___(___, ___)
# Review entire object
books_sent_count