knitr::opts_chunk$set(echo = TRUE)
# install.packages("DT")
library(DT)
library(dplyr)
library(tidyr)
Lê o arquivo csv com enconding UTF-8, remove 20 colunas com nome X e filtra linhas sem NA.
setwd("C:/Users/victo/Desktop/R/e11")
df <- read.csv(
"tweetsAmazonia.csv",
sep = ",",
strip.white = TRUE,
na.strings = "[]",
header = TRUE,
encoding = "UTF-8"
)
df <- df %>% select(-colnames(df)[49:68]) # Drop columns
df <- df %>% filter(if_any( everything(), ~!is.na(.) ))
parcial_df <- df %>% select(name, tweet, language, hashtags) %>% head(150)
datatable(parcial_df, options = list(pageLength = 5, lengthMenu = c(5, 10, 15)))
\[ \text{Média de Likes por Tweet} = \frac { \sum{ (\text{likes_count}) } } { \text{Número Total de Tweets} } \]
Significado: Esta equação calcula a média de likes
por tweet, onde likes_count representa o número de likes em
cada tweet.
\[ \text{Taxa de Engajamento} = \frac { \text{likes_count} + \text{retweets_count} } { \text{Número Total de Tweets} } \]
Significado: Esta equação calcula a taxa de engajamento de um tweet, levando em consideração tanto likes quanto retweets em relação ao número total de tweets.
\[ \text{Porcentagem de Tweets Negativos} = \frac { \text{Número de Tweets Negativos} } { \text{Número Total de Tweets} } \times 100 \]
Significado: Esta equação calcula a porcentagem de tweets que foram classificados como negativos (usando a coluna “Sentiment”).
\[ \text{Média de Respostas por Tweet} = \frac { \sum \text{replies_count} } { \text{Número Total de Tweets} } \]
Significado: Esta equação calcula a média de respostas por tweet, considerando a coluna “replies_count” que indica o número de respostas para cada tweet.
\[ \text{Taxa de Retweets por Tweet} = \frac { \sum \text{retweets_count} } { \text{Número Total de Tweets} } \]
Significado: Esta equação calcula a taxa de retweets por tweet, levando em consideração o número total de retweets em relação ao número total de tweets.
Legenda da Figura 1: Distribição de sentimentos do dataset tweetsAmazonia.csv
Legenda da Figura 2: Diagrama de Vein sobre Data Science
[1] Eysenbach et al. (2011)
[2] Twitter (2012)
[3] Murthy (2018)
[4] Lassen and Brown (2011)
[5] Pershad et al. (2018)