Procesamiento de Texto
Luis David Sánchez Castillo
2024-04-01
Contexto
Durante el siguiente Rmd se desarrolla un análisis de texto en el
cual implementaremos distintas herramientas con el fin de comparar el
cambio tanto en el lenguaje como en las emociones entre 2 guiones de una
misma película que fue remasterizada después de 28 años (Aladdin-1992 y
Aladdin-2019)
Como primera etapa se presentará una limpieza general de ambos textos
para poder buscar las palabras o términos más frecuentes en ambas obras,
comparar si son los mismos y poder identificar con que otras palabras se
asocian dichos términos, finalmente se realizará un análisis de
sentimientos con el fin de poder saber si ambas obras buscan transmitir
la misma energía al espectador.
Desarrollo
A) Análisis de Texto
I) Preparación (settings e instalación de paquetes y librerías)
Sys.setenv(LANG = "en")# Load libraries
library(tm)
library(SnowballC)
library(wordcloud)
library(RColorBrewer)
library(pdftools)
library(readtext)
library(syuzhet)II) Importación de textos
Con la función presentada a continuación se seleccionan todos los archivos de tipo .txt que se encuentren en nuestro directorio (carpeta en la que también se encuentra guardado nuestro .Rmd)
files <- list.files(pattern = "txt$")
files## [1] "aladdin1992.txt" "aladin2019.txt"III) Creación de los CORPUS
Recordemos que un CORPUS simplemente es una colección de textos que están organizados de manera que puedan ser procesados juntos
corp1 <- Corpus(URISource(files),
readerControl = list(reader = readPlain))
corp2 <- tm_map(corp1, removePunctuation, ucp = TRUE)IV) Limpieza de los textos
Acontinuación realizaremos ciertas transformaciones a los textos para que puedan ser analizados con mayor facilidad, dichas transformaciones cambian el texto a minúsculas, se eliminan los signos de puntuación y eliminamos palabras conectoras, entre otras.
limpio1 <- TermDocumentMatrix(corp1,
control =
list(removePunctuation = TRUE,
stopwords = TRUE,
tolower = TRUE,
stemming = TRUE,
removeNumbers = TRUE
))
inspect(limpio1[1:10,]) ## <<TermDocumentMatrix (terms: 10, documents: 2)>>
## Non-/sparse entries: 11/9
## Sparsity : 45%
## Maximal term length: 10
## Weighting : term frequency (tf)
## Sample :
## Docs
## Terms aladdin1992.txt aladin2019.txt
## “you 0 1
## aaaa 0 6
## aaaaahhhhh 1 0
## aaahhh 0 1
## aah 0 2
## aar 0 1
## aawk 1 0
## ababwa 9 6
## ababwah 0 8
## abject 1 0limpio2 <- TermDocumentMatrix(corp2,
control =
list(stopwords = TRUE,
tolower = TRUE,
stemming = TRUE,
removeNumbers = TRUE
))
inspect(limpio2[1:10,])## <<TermDocumentMatrix (terms: 10, documents: 2)>>
## Non-/sparse entries: 11/9
## Sparsity : 45%
## Maximal term length: 10
## Weighting : term frequency (tf)
## Sample :
## Docs
## Terms aladdin1992.txt aladin2019.txt
## aaaa 0 6
## aaaaahhhhh 1 0
## aaahhh 0 1
## aah 0 2
## aar 0 1
## aawk 1 0
## ababwa 9 6
## ababwah 0 8
## abject 1 0
## abl 1 0V) Terminos frecuentes
Mediante esta parte del análisis buscamos identificar cuáles son los términos más frecuentes de los textos, pues con ellos podremos darnos una idea general rápida acerca de lo que trata el texto y podemos también ver como dichas expresiones o palabras más usadas cmabian a través de los años.
#Primero encontramoslos términos con una frecuencia mayor a 100 entre ambos textos
findFreqTerms(limpio2, lowfreq = 100, highfreq = Inf)## [1] "abu" "aladdin" "carpet" "dont" "geni" "iago" "jafar"
## [8] "jasmin" "like" "look" "one" "princ" "see" "sultan"#Ahora los convertimos en una matriz
ft <- findFreqTerms(limpio2, lowfreq = 100, highfreq = Inf)
as.matrix(limpio2[ft,])## Docs
## Terms aladdin1992.txt aladin2019.txt
## abu 166 29
## aladdin 404 195
## carpet 91 15
## dont 42 60
## geni 183 136
## iago 95 20
## jafar 213 68
## jasmin 201 74
## like 52 55
## look 105 23
## one 50 50
## princ 64 78
## see 78 33
## sultan 117 44#Finalmente los organizamos de mayor a menor según su frecuencia
ft2 <- as.matrix(limpio2[ft,])
sort(apply(ft2, 1, sum), decreasing = TRUE)## aladdin geni jafar jasmin abu sultan princ look iago see
## 599 319 281 275 195 161 142 128 115 111
## like carpet dont one
## 107 106 102 100VI) Análisis de la esparcidad
Mediante esta parte del análisis lo que buscamos es identificar las palabras de nuestro vocabulario que si aparecen considerablemente en los textos
limpio3 <- removeSparseTerms(limpio2, sparse=0.3)
findFreqTerms(limpio3, lowfreq = 100, highfreq = Inf)## [1] "abu" "aladdin" "carpet" "dont" "geni" "iago" "jafar"
## [8] "jasmin" "like" "look" "one" "princ" "see" "sultan"VII) Asociasiones
A continuación seleccionamos una palabra que es de las más repetidas durante los guiones pero que no es un personaje “humano”
#findAssocs(limpio2,term="school",0.8)
findAssocs(limpio2,term="carpet",1)## $carpet
## aaaaahhhhh aawk ababwa abject
## 1 1 1 1
## abl abooboo aboutmyself abracadabra
## 1 1 1 1
## absentmind absolut abu abuh
## 1 1 1 1
## abui abus accent achm
## 1 1 1 1
## acrobat across action addenda
## 1 1 1 1
## addlep adequ advanc advis
## 1 1 1 1
## afar afraid agoni aha
## 1 1 1 1
## ahem ahemin ahemthen ahhh
## 1 1 1 1
## aim air ala aladdin
## 1 1 1 1
## alaskan aliwil allah allow
## 1 1 1 1
## almost alon along alongsid
## 1 1 1 1
## aluhaladdin amaz ami amim
## 1 1 1 1
## amongst angri anim announc
## 1 1 1 1
## anoth anymor anyon anythingpick
## 1 1 1 1
## apartit ape appar appear
## 1 1 1 1
## appl applaus appoint appreci
## 1 1 1 1
## apprehens approach aqui arab
## 1 1 1 1
## arent argu arm arnold
## 1 1 1 1
## around arsenio asid asmin
## 1 1 1 1
## asset assist assur attack
## 1 1 1 1
## attent audienc await awak
## 1 1 1 1
## away awk awn baaaaad
## 1 1 1 1
## babbl back background baklava
## 1 1 1 1
## balanc balconi ball balloon
## 1 1 1 1
## banana band banishedor barbar
## 1 1 1 1
## barg barrel base basebal
## 1 1 1 1
## basketbal battl beak beam
## 1 1 1 1
## bear beardi beast beatup
## 1 1 1 1
## beau bed bedroom bee
## 1 1 1 1
## beergut befin begin behalf
## 1 1 1 1
## behead behind belch beme
## 1 1 1 1
## bend bepretti betray beyond
## 1 1 1 1
## bird birthday bite bitti
## 1 1 1 1
## bizarr black blackboard blah
## 1 1 1 1
## blast bless block bloom
## 1 1 1 1
## blown blue blush board
## 1 1 1 1
## bodi bolt bomb bona
## 1 1 1 1
## bop bottom boulder bounc
## 1 1 1 1
## bout bow bowl box
## 1 1 1 1
## boxer boy boyfirst boyh
## 1 1 1 1
## bozo brand brat bread
## 1 1 1 1
## breadlin break breakfast breath
## 1 1 1 1
## breathit brew bridg bright
## 1 1 1 1
## brilliant bring broad brow
## 1 1 1 1
## brush brute bubbl buckley
## 1 1 1 1
## bud buddi buggi build
## 1 1 1 1
## bulg bump burst busi
## 1 1 1 1
## button buzz buzzer bye
## 1 1 1 1
## bystand caballero cadillac caesar
## 1 1 1 1
## cafe cage call calm
## 1 1 1 1
## calmer camel camera cant
## 1 1 1 1
## cap cape caper car
## 1 1 1 1
## carri cart casanova case
## 1 1 1 1
## castl catch cave cavern
## 1 1 1 1
## ceil center centimetr centr
## 1 1 1 1
## certif cess cest chain
## 1 1 1 1
## chair chamber charact chase
## 1 1 1 1
## chatter check cheer cheerlead
## 1 1 1 1
## cheetahhop chess chest chicken
## 1 1 1 1
## child children childwel chill
## 1 1 1 1
## chin chines chipmunk chisel
## 1 1 1 1
## choic choke choos choosei
## 1 1 1 1
## chop chorus chosen chuckl
## 1 1 1 1
## chum chump ciao circl
## 1 1 1 1
## clamp class cliff climb
## 1 1 1 1
## cloak close closer closercamera
## 1 1 1 1
## cloth cloud clown club
## 1 1 1 1
## cmon cmonhelp cobra coffe
## 1 1 1 1
## coin collaps collect column
## 1 1 1 1
## combin combo come comfi
## 1 1 1 1
## comfort comment commonplac compani
## 1 1 1 1
## complet con concern confound
## 1 1 1 1
## confus conjur conscious considerthi
## 1 1 1 1
## consult contain continu contrapt
## 1 1 1 1
## control cookbook corner costum
## 1 1 1 1
## cough couldnt counselor coupl
## 1 1 1 1
## couterpoint cover coward crab
## 1 1 1 1
## crack cracker crackersbam cradl
## 1 1 1 1
## cramp crash crazi cri
## 1 1 1 1
## crick crime crimin crook
## 1 1 1 1
## cross crowd crown crummi
## 1 1 1 1
## crush crystal cube cuddl
## 1 1 1 1
## cue curs curtain cushion
## 1 1 1 1
## cut cutherewelcom cyclon dagger
## 1 1 1 1
## damag danc dangerfield dare
## 1 1 1 1
## dark darken daughter daylight
## 1 1 1 1
## daytim dead deal dearest
## 1 1 1 1
## debri deceiv decid deck
## 1 1 1 1
## deem deep deepen deeper
## 1 1 1 1
## deepli defeat delight descend
## 1 1 1 1
## desert design desper devic
## 1 1 1 1
## dig din dip diploma
## 1 1 1 1
## direct director disappear disappoint
## 1 1 1 1
## discount discov discuss disguis
## 1 1 1 1
## disgust diss dissip dissolv
## 1 1 1 1
## distanc distract disturb dive
## 1 1 1 1
## divebomb divin dizzili doctor
## 1 1 1 1
## dodg dog doh doll
## 1 1 1 1
## donttouchanyth door doorshypnot doorway
## 1 1 1 1
## dos dost doubl dove
## 1 1 1 1
## dragon drawn dress dri
## 1 1 1 1
## drop drunk dryli duck
## 1 1 1 1
## ducki due dumb dumbo
## 1 1 1 1
## dummi dune dungeon dup
## 1 1 1 1
## duplic dust dyin ear
## 1 1 1 1
## earlier eat eater ecstat
## 1 1 1 1
## edg eeewww eehhh effendi
## 1 1 1 1
## elbow eleph eleven els
## 1 1 1 1
## emerg empti enchant encircl
## 1 1 1 1
## end english enjoy enlarg
## 1 1 1 1
## ensu enter entranc epcot
## 1 1 1 1
## esalalumbo essenti esteem etern
## 1 1 1 1
## event eventuallystep everythingwil everywher
## 1 1 1 1
## evil exact exceed excel
## 1 1 1 1
## except exchang exit exot
## 1 1 1 1
## expect explod expos exprinc
## 1 1 1 1
## ext extend extrem eye
## 1 1 1 1
## fabul face fade fair
## 1 1 1 1
## fairi fall famous fan
## 1 1 1 1
## fanfar farther fast faster
## 1 1 1 1
## father fatheri fault faulti
## 1 1 1 1
## feast feather featur feel
## 1 1 1 1
## feet fertil fetch fez
## 1 1 1 1
## fide fight figment fill
## 1 1 1 1
## film filthi fin final
## 1 1 1 1
## find finderskeep fine finer
## 1 1 1 1
## finest finger fingertip fire
## 1 1 1 1
## firework fish fishiv fist
## 1 1 1 1
## flame flamingo flat flatten
## 1 1 1 1
## flaw flea flex fli
## 1 1 1 1
## flick flight flinch flip
## 1 1 1 1
## float flock floor flower
## 1 1 1 1
## fluoresc follow fond food
## 1 1 1 1
## fool foot forbid forc
## 1 1 1 1
## foreground forget form format
## 1 1 1 1
## forth forward foul found
## 1 1 1 1
## four frame free freebi
## 1 1 1 1
## freed freedom freefal fresh
## 1 1 1 1
## fri fright fro front
## 1 1 1 1
## frozen fruit fulfil full
## 1 1 1 1
## fun fur gag garbag
## 1 1 1 1
## garden gasp gazeem gazeema
## 1 1 1 1
## gazeemi gear geni geniec
## 1 1 1 1
## geniei genius gentl gentlemen
## 1 1 1 1
## german get gettin giant
## 1 1 1 1
## gig gigant giggl girl
## 1 1 1 1
## give glare glass glorious
## 1 1 1 1
## glow goate goe goggl
## 1 1 1 1
## goin golden golf gone
## 1 1 1 1
## gonna good goofi gorilla
## 1 1 1 1
## got gotta gotten grab
## 1 1 1 1
## gracious grand grant greater
## 1 1 1 1
## greec greet grimac grin
## 1 1 1 1
## grip groucho ground group
## 1 1 1 1
## growl guard guess guessthi
## 1 1 1 1
## guilti gulp gun hail
## 1 1 1 1
## hair hairbal haircut hairi
## 1 1 1 1
## half hall halv hammock
## 1 1 1 1
## hand hang harder harem
## 1 1 1 1
## harm harri hat hate
## 1 1 1 1
## hawaiian head heap heat
## 1 1 1 1
## heback heh held hello
## 1 1 1 1
## help herea hereher hero
## 1 1 1 1
## hesit hey heyim heyit
## 1 1 1 1
## hidden hide hideous high
## 1 1 1 1
## higher highfiv hit hittin
## 1 1 1 1
## hold hole homeless hood
## 1 1 1 1
## hookah hop hopin horribl
## 1 1 1 1
## hors hourglass hover howev
## 1 1 1 1
## howhow huf hug huh
## 1 1 1 1
## hum humbl humblest hummus
## 1 1 1 1
## humph hung hurdl hurri
## 1 1 1 1
## husband huzzah hypnosi hypnot
## 1 1 1 1
## hyster iago idea idiotwev
## 1 1 1 1
## ill illumin imim imit
## 1 1 1 1
## immens impressiveinsid improvis imyour
## 1 1 1 1
## incredi infidel insect insid
## 1 1 1 1
## insult int intact intend
## 1 1 1 1
## intens interced intern isi
## 1 1 1 1
## isoh itim itthre itti
## 1 1 1 1
## itwer iuh iuhh iwhat
## 1 1 1 1
## iwil ixnay jack jaf
## 1 1 1 1
## jafar jafarhasdon jafarmi jafarsqueez
## 1 1 1 1
## jafaryour jafmmmmmm jasmin jaw
## 1 1 1 1
## jeez joke jordan judg
## 1 1 1 1
## juggl julienn jump june
## 1 1 1 1
## junk just justand justjafar
## 1 1 1 1
## karat keepon kersplat keyword
## 1 1 1 1
## kick kidi kidnap king
## 1 1 1 1
## kiss kitti knack kneel
## 1 1 1 1
## knew knive knock knowi
## 1 1 1 1
## known lab label ladder
## 1 1 1 1
## laddi ladi lake lamour
## 1 1 1 1
## lamp land landin larg
## 1 1 1 1
## last late laugh launch
## 1 1 1 1
## lava law layer lean
## 1 1 1 1
## learner leav led ledg
## 1 1 1 1
## left leg leopard let
## 1 1 1 1
## licens lie lieg lift
## 1 1 1 1
## light lightn likem limit
## 1 1 1 1
## line lion lip listen
## 1 1 1 1
## liter littl live loaf
## 1 1 1 1
## look looki lookin lord
## 1 1 1 1
## lose lout love lovebird
## 1 1 1 1
## lower lowli luck lucki
## 1 1 1 1
## lung machin macho mad
## 1 1 1 1
## madder magician majesti major
## 1 1 1 1
## make makeralso man manag
## 1 1 1 1
## mani manicur manif manner
## 1 1 1 1
## march marcher marionett market
## 1 1 1 1
## marketplac marri marryth marvel
## 1 1 1 1
## marx massag match mayday
## 1 1 1 1
## measur medallion melon melt
## 1 1 1 1
## member mena menageri mencarri
## 1 1 1 1
## meprinc merchandis merit mermaid
## 1 1 1 1
## messi met mic microphon
## 1 1 1 1
## mid mighti millennia million
## 1 1 1 1
## mine mingl mini miniatur
## 1 1 1 1
## minut miser miss mister
## 1 1 1 1
## mmm mock mode moldi
## 1 1 1 1
## molt momentarilybut monoton moon
## 1 1 1 1
## moonlight moral moron mortarboard
## 1 1 1 1
## motion mountain mous moustach
## 1 1 1 1
## mouth mouthth move movement
## 1 1 1 1
## mud muffl multipli muscleman
## 1 1 1 1
## music must mustafa muy
## 1 1 1 1
## mysteri mystifi mytholog nah
## 1 1 1 1
## nail name near nearbi
## 1 1 1 1
## necessari neck necklac neither
## 1 1 1 1
## neon net neverhad new
## 1 1 1 1
## next nice nicholson nightscap
## 1 1 1 1
## nile nod noi nonsens
## 1 1 1 1
## normal nose note notit
## 1 1 1 1
## nowmi nuff number numer
## 1 1 1 1
## nut oasi obvious obviouslyli
## 1 1 1 1
## offcamera often ohhh ohi
## 1 1 1 1
## ohmarri ohto old onaladdin
## 1 1 1 1
## oneman oneway ontak onto
## 1 1 1 1
## ooohhh oooohhh open order
## 1 1 1 1
## orderth ordinari ostrich other
## 1 1 1 1
## ouch oughtta outfit outrag
## 1 1 1 1
## outstretch outta outward overdress
## 1 1 1 1
## overlook pack pad pain
## 1 1 1 1
## pair palac palm pan
## 1 1 1 1
## pani panic panick pant
## 1 1 1 1
## papainlaw parachut parad parisian
## 1 1 1 1
## parrot parroteseuh partandparcel pass
## 1 1 1 1
## passeng past patch patcheswhat
## 1 1 1 1
## path patienc patient paw
## 1 1 1 1
## peac peacock peddler pedigre
## 1 1 1 1
## peek peel peer penalti
## 1 1 1 1
## pennant perhap person pet
## 1 1 1 1
## pick picki pictur piec
## 1 1 1 1
## pile pillar pillow pin
## 1 1 1 1
## pinbal pinch pinki pinocchio
## 1 1 1 1
## pipsqueak pissedoff pistachio pit
## 1 1 1 1
## pizzazz plaid plank plant
## 1 1 1 1
## plate platform play playbil
## 1 1 1 1
## plop plot pluck plung
## 1 1 1 1
## pocket podium point poke
## 1 1 1 1
## pole polli pond poof
## 1 1 1 1
## pool pop popsicl posit
## 1 1 1 1
## pot pour prais precious
## 1 1 1 1
## pressur pretti pri prick
## 1 1 1 1
## pride princess princessal princesslift
## 1 1 1 1
## princesstoth princessyour prize pro
## 1 1 1 1
## prob problem proceed produc
## 1 1 1 1
## projector pronounc pronunci proprietor
## 1 1 1 1
## prospect prosper proven provid
## 1 1 1 1
## proviso psst psychopath puddl
## 1 1 1 1
## puf pull punctual pungent
## 1 1 1 1
## punim puppet purpl pursu
## 1 1 1 1
## push pussycat put pyramid
## 1 1 1 1
## qualiti question quick quickbut
## 1 1 1 1
## quid quit quo rabbit
## 1 1 1 1
## race rackem rag rais
## 1 1 1 1
## rajah rakestick ramp ran
## 1 1 1 1
## rare raspberri rat reach
## 1 1 1 1
## real realiti realiz realli
## 1 1 1 1
## reallyon reallyyyyyyi reappear rear
## 1 1 1 1
## reason reawak recoveri red
## 1 1 1 1
## reduc reflect refund refus
## 1 1 1 1
## reject releas reliev reluct
## 1 1 1 1
## remain remark rememberbe remind
## 1 1 1 1
## reminisc remov repeat replac
## 1 1 1 1
## requir reravel respect rest
## 1 1 1 1
## retreat return reveal reward
## 1 1 1 1
## rezip richer rickem rid
## 1 1 1 1
## ride ridicul righti ring
## 1 1 1 1
## rip rise river roar
## 1 1 1 1
## robe rock rockem rocket
## 1 1 1 1
## rodney role roll roof
## 1 1 1 1
## rooftop room rope rotten
## 1 1 1 1
## royal rub rubber rubi
## 1 1 1 1
## rug rugman rulesh rumbl
## 1 1 1 1
## rumin rummag run rush
## 1 1 1 1
## sad salaam salad salt
## 1 1 1 1
## sand sandstorm sarcast saybeggar
## 1 1 1 1
## scale scamper scandal scare
## 1 1 1 1
## scene scheherazadi schwarzenegg scope
## 1 1 1 1
## scrape scratch scream screech
## 1 1 1 1
## screen script scroll sculpt
## 1 1 1 1
## scurri sea seal search
## 1 1 1 1
## sebastian secret section see
## 1 1 1 1
## selfabsorb send senor sent
## 1 1 1 1
## sentenc separ sequenc serious
## 1 1 1 1
## serv servant servic servitud
## 1 1 1 1
## set settl sever shackl
## 1 1 1 1
## shade shadow shadowi shake
## 1 1 1 1
## shall shame share shave
## 1 1 1 1
## shed sheep sheepish sheet
## 1 1 1 1
## shes shimin shini shirt
## 1 1 1 1
## shiver shock shooter shopkeep
## 1 1 1 1
## shot shoulder shove show
## 1 1 1 1
## shower shrew shrine shrink
## 1 1 1 1
## shroud shrug shush shut
## 1 1 1 1
## shutter shutwow shyli siddown
## 1 1 1 1
## side sidedo sigh sight
## 1 1 1 1
## sign silver sinist sir
## 1 1 1 1
## sire siren sis sister
## 1 1 1 1
## sit six size sky
## 1 1 1 1
## slack slam slap slave
## 1 1 1 1
## sleep sli slice slide
## 1 1 1 1
## slight slit slot slow
## 1 1 1 1
## slower slowli slumber slump
## 1 1 1 1
## slyli small smash smile
## 1 1 1 1
## smoke snack snake snakelik
## 1 1 1 1
## snap snatch sneak snow
## 1 1 1 1
## snowi solut someday somehow
## 1 1 1 1
## someon somersault sonofajack soon
## 1 1 1 1
## sooner sorri sorryi sotwist
## 1 1 1 1
## soul sound space sparki
## 1 1 1 1
## sparkl speck spectacular spell
## 1 1 1 1
## sphinx spin spiral spit
## 1 1 1 1
## splash splendid spout spread
## 1 1 1 1
## spring squar squawk squeak
## 1 1 1 1
## squeez squirt squish stab
## 1 1 1 1
## stack staff staffther stair
## 1 1 1 1
## staircas stairway stanc stand
## 1 1 1 1
## standard star stare starri
## 1 1 1 1
## startl step stewardess stick
## 1 1 1 1
## still stilt sting stolen
## 1 1 1 1
## stomach stomp stop storm
## 1 1 1 1
## straight straighten strang streak
## 1 1 1 1
## street strike strip strong
## 1 1 1 1
## struggl strung stuck stuf
## 1 1 1 1
## stuff stupid submarin submiss
## 1 1 1 1
## substitut suck sucker sudden
## 1 1 1 1
## sugar suitcas suitor sullivan
## 1 1 1 1
## sultan sultanno sunday sure
## 1 1 1 1
## surenot surfac surpris surround
## 1 1 1 1
## swagger swallow swat sweater
## 1 1 1 1
## sweep sweet swell swing
## 1 1 1 1
## swir swirl sword swordsmen
## 1 1 1 1
## syllabl tabl tackl tail
## 1 1 1 1
## tailorfashion take taken takesth
## 1 1 1 1
## tall tap tassel tast
## 1 1 1 1
## teach tear teeth ten
## 1 1 1 1
## tenthousand termin terribl terrifi
## 1 1 1 1
## thatgood thatsthat thatuhthat thee
## 1 1 1 1
## thetruth theyr theyv thiev
## 1 1 1 1
## thing thinkw third thisdiamond
## 1 1 1 1
## thissss thorni throat throw
## 1 1 1 1
## thrown thrust tick tie
## 1 1 1 1
## tiger tilt time timea
## 1 1 1 1
## timerev tohmminterest tongu took
## 1 1 1 1
## tool top toss toward
## 1 1 1 1
## town toy tragic trail
## 1 1 1 1
## traitor transform transport trap
## 1 1 1 1
## travel treasur tree trek
## 1 1 1 1
## tres tri trio trip
## 1 1 1 1
## trophi trumpet trunk truth
## 1 1 1 1
## truthth tuck tug tumbl
## 1 1 1 1
## tupperwar turban turn turtl
## 1 1 1 1
## twist twit two type
## 1 1 1 1
## typic ugli umroyalti unburi
## 1 1 1 1
## unconsci underground underneath undershort
## 1 1 1 1
## uneven unhand unimpeach uninvit
## 1 1 1 1
## unison uno unravel unrol
## 1 1 1 1
## unsettl unzip upcom upset
## 1 1 1 1
## upsid upstand urchin vain
## 1 1 1 1
## valet vandal vase vault
## 1 1 1 1
## ventriloquist venu vest vial
## 1 1 1 1
## view vile voic wager
## 1 1 1 1
## waiter waitim walk walkin
## 1 1 1 1
## wall want warm warn
## 1 1 1 1
## wasteland watch water wave
## 1 1 1 1
## way weapon wear wed
## 1 1 1 1
## weeeerrrrrreeeoutta weight well werent
## 1 1 1 1
## whack whatll whatr wheelbarrow
## 1 1 1 1
## wherer whilst whimper whine
## 1 1 1 1
## whip whisper whistl white
## 1 1 1 1
## whizz whoa whoever whole
## 1 1 1 1
## whomev whoop whoope whose
## 1 1 1 1
## wide wield wild wildest
## 1 1 1 1
## william window wine wipe
## 1 1 1 1
## wisdom wishi witsend woman
## 1 1 1 1
## women won wonder wontil
## 1 1 1 1
## woof wooga word worker
## 1 1 1 1
## world worn worri worthi
## 1 1 1 1
## worthless wouldnt wowand wrap
## 1 1 1 1
## wrist write written wrong
## 1 1 1 1
## yank yeah yell yep
## 1 1 1 1
## yesabject yesdesper yesthatl yoohoo
## 1 1 1 1
## youar youcrazi youi youll
## 1 1 1 1
## young yoush youth youuuuu
## 1 1 1 1
## youv yuck zap zing
## 1 1 1 1
## zip zombi zoom
## 1 1 1B) Análisis de sentimientos
A continuación se presneta en análisis de sentimientos como una herramienta extra no vista en clase, la implementación de esta puede ayudarnos a entender cómo las emociones son expresadas en las obras, permitiéndonos identificar las tendencias emocionales y la carga afectiva de los textos. Esto nos brinda una perspectiva más profunda sobre la narrativa y los personajes, así como también sobre la respuesta emocional que pueden generar en los espectadores.
#Primero seleccionamos los archivos con los que vamos a trabajar
texto1992<- readtext("C:\\Users\\LuisD\\Documents\\Concentración\\MODULO 4\\aladdin1992.txt")
texto2019<- readtext("C:\\Users\\LuisD\\Documents\\Concentración\\MODULO 4\\aladin2019.txt")
#Convertimos estos textos a palabras
palabras1992 <- get_tokens(texto1992)
emociones1992 <- get_nrc_sentiment(palabras1992, language = "english")
palabras2019 <- get_tokens(texto2019)
emociones2019 <- get_nrc_sentiment(palabras2019, language = "english")barplot(colSums(prop.table(emociones1992[, 1:8])), main=" Emociones Aladdin 1992")
sentimientos1992 <- (emociones1992$negative*-1) + emociones1992$positive
simple_plot(sentimientos1992)
barplot(colSums(prop.table(emociones2019[, 1:8])), main=" Emociones Aladdin 2019")
sentimientos2019 <- (emociones2019$negative*-1) + emociones2019$positive
simple_plot(sentimientos2019)
C) Preguntas
Pregunta 1:
Después de limpiar el archivo ¿Se tomará y analizará Todo lo
que aparece en la página? ¿Que si y que no? ¿Por qué? Para la
extracción del primer diálogo de la película “Aladdin-1992” se ubtuvo
del hipervinculo proporcionado por parte del profesor, extraí el texto
copiando únicamente la parte de los diálogos (sin texto o anexos) y
pegándolo en un archivo .txt Para la obtención del segundo diálogo
“Aladdin-2019” fue necesario copiar y pegar en un bloc de notas (.txt)
cada parte de los diálogos, sin embargo fue extraido cada fragmento de
distintas partes del hipervículo proporcionado por el profesor.
En resumen, de ambas fuentes proporcionadas fue extraido de manera
manual lsas partes de los diálogos de ambas películas, no consideré
necesario quitar los nombres al inicio de cada linea de diálogo pues
consideré que también se puede obtener información bsatante valiosa en
cuanto a la participación de cada personaje dentro de la película.
Pregunta 2:
Describe el análisis realizado: Para poder llevar a
cabo tanto el análisis de texto como el análisis de sentimientos fue
necesario realizar los siguientes pasos:
* Obtener los recursos a analizar, en este caso fue necesario crear los
archivos .txt con ayuda del bloc de notas los cuales fueron guardados
dentro de la misma carpeta que el archivo .Rmd
* Después fueron instaladas las diferentes librerías que fueran
necesarias para poder realizar ambos análisis
* Como primer paso del análisis de texto fue necesario crear el corpus
que conteniera ambos archivos .txt.
* Una vez creado el corpus fue necesario llevar a cabo dos procesos de
limpieza sin embargo ambos fueron para modificar el texto y que
cumplieran con ciertas características como que fueran todas minúsculas,
quitar los números y las stopwords
* Después se obtuvieron y analizar los términos más comunes dentro de
los dos guiones y esto nos sirvió para poder comparar el cambio del
vocabulario dentro de los dos guiones a lo largo del tiempo
* También se analizó la esparcidad para saber que vocabulario de ambas
obras fue utilizado dentro de las mismas así como identificar aquellas
que si forman parte importante a lo largo de todo el texto, de esta
manera podemos identificar las palabras que no son implementadas
únicamente durante una parte del guión, sino que fueron usadas durante
toda la obra
* Para concluir la parte del análisis de texto fue necesario identificar
las palabras con las que se relacionan dichas palabras con más
importancia, esto para saber que palabras se usan comúnmente antes y
después de ellas.
* Para realizar el análisis de emociones fue necesario volver a leer los
textos y tokenizarlos así como asignar el lenguaje en el que se
desenvuelve la obra
* Finalmente realizamos el análisis de emociones mediante la función
get_nrc_sentiment y de esta manera los graficamos tanto los
sentimientos que más se identifican en la obra como el desarrollo de las
emociones a lo largo de las obras.
Pregunta 3:
Busca alguna función asociada al análisis de texto que no hayamos visto en clase, úsala y escribe lo que lograste Mediante este análisis de sentimientos pudimos observar las siguientes cosas: En la obra realizada en 1992 los sentimientos se vieron predominados por fear y trust, sin embargo durante la obra de 2019 la emoción fear fue más dominante pues fear y joy disminuyeron su participación por lo que podemos inferir que la obra de 2019 intentó comunicar una mayor cantidad de incenrtidumbre y miedo a lo largo de la película, esto lo podemos comprar con el flujo de las emociones a través de la obra pues la última película comienza con la influencia de sentimientos negativos desde el inicio de la obra, a contrario de la película de 1992 la cual a partir de 2/10 de la película y después vuelve a subir a sentimientos positivos, pudemos ver mediante la gráfica de Scaled sentiment que la obra de 1992 tiene un cambio de emociones más marcado a lo largo de su desarrollo mientras que la del 2019 únicamente cuenta con una subida de sentimientos positivos en la mitad de la obra y vuelve a sentimientos negativos para la última tercera parte de la película.
---
title: "Procesamiento de Texto"
author: "Luis David Sánchez Castillo"
date: "2024-04-01"
output: 
  html_document: 
    toc: TRUE
    toc_float: TRUE
    code_download: TRUE
---

# Contexto
Durante el siguiente Rmd se desarrolla un análisis de texto en el cual implementaremos distintas herramientas con el fin de comparar el cambio tanto en el lenguaje como en las emociones entre 2 guiones de una misma película que fue remasterizada después de 28 años (Aladdin-1992 y Aladdin-2019)  
Como primera etapa se presentará una limpieza general de ambos textos para poder buscar las palabras o términos más frecuentes en ambas obras, comparar si son los mismos y poder identificar con que otras palabras se asocian dichos términos, finalmente se realizará un análisis de sentimientos con el fin de poder saber si ambas obras buscan transmitir la misma energía al espectador.

# Desarrollo

## A) Análisis de Texto
### I) Preparación (settings e instalación de paquetes y librerías)
```{r message=FALSE, warning=FALSE}
Sys.setenv(LANG = "en")
```
```{r message=FALSE, warning=FALSE}
# Load libraries
library(tm) 
library(SnowballC)
library(wordcloud)
library(RColorBrewer)
library(pdftools)
library(readtext)
library(syuzhet)

```

### II) Importación de textos 
Con la función presentada a continuación se seleccionan todos los archivos de tipo *.txt* que se encuentren en nuestro directorio (carpeta en la que también se encuentra guardado nuestro .Rmd)
```{r message=FALSE, warning=FALSE}
files <- list.files(pattern = "txt$")
files
```

### III) Creación de los CORPUS
Recordemos que un CORPUS simplemente es una colección de textos que están organizados de manera que puedan ser procesados juntos
```{r message=FALSE, warning=FALSE}
corp1 <- Corpus(URISource(files),
               readerControl = list(reader = readPlain))
corp2 <- tm_map(corp1, removePunctuation, ucp = TRUE)

```

### IV) Limpieza de los textos
Acontinuación realizaremos ciertas transformaciones a los textos para que puedan ser analizados con mayor facilidad, dichas transformaciones cambian el texto a minúsculas, se eliminan los signos de puntuación y eliminamos palabras conectoras, entre otras.
```{r message=FALSE, warning=FALSE}
limpio1 <- TermDocumentMatrix(corp1, 
                                   control = 
                                     list(removePunctuation = TRUE,
                                          stopwords = TRUE,
                                          tolower = TRUE,
                                          stemming = TRUE,
                                          removeNumbers = TRUE
                                          ))  
inspect(limpio1[1:10,]) 

limpio2 <- TermDocumentMatrix(corp2, 
                                   control = 
                                     list(stopwords = TRUE,
                                          tolower = TRUE,
                                          stemming = TRUE,
                                          removeNumbers = TRUE
                                          )) 
inspect(limpio2[1:10,])

```

### V) Terminos frecuentes
Mediante esta parte del análisis buscamos identificar cuáles son los términos más frecuentes de los textos, pues con ellos podremos darnos una idea general rápida acerca de lo que trata el texto y podemos también ver como dichas expresiones o palabras más usadas cmabian a través de los años.
```{r}
#Primero encontramoslos términos con una frecuencia mayor a 100 entre ambos textos
findFreqTerms(limpio2, lowfreq = 100, highfreq = Inf)
#Ahora los convertimos en una matriz
ft <- findFreqTerms(limpio2, lowfreq = 100, highfreq = Inf)
as.matrix(limpio2[ft,])
#Finalmente los organizamos de mayor a menor según su frecuencia
ft2 <- as.matrix(limpio2[ft,])
sort(apply(ft2, 1, sum), decreasing = TRUE)
```

### VI) Análisis de la esparcidad
Mediante esta parte del análisis lo que buscamos es identificar las palabras de nuestro vocabulario que si aparecen considerablemente en los textos
```{r}
limpio3 <- removeSparseTerms(limpio2, sparse=0.3)
findFreqTerms(limpio3, lowfreq = 100, highfreq = Inf)
```

### VII) Asociasiones
A continuación seleccionamos una palabra que es de las más repetidas durante los guiones pero que no es un personaje "humano"

```{r}
#findAssocs(limpio2,term="school",0.8)
findAssocs(limpio2,term="carpet",1)

```

## B) Análisis de sentimientos
A continuación se presneta en análisis de sentimientos como una herramienta extra no vista en clase, la implementación de esta puede ayudarnos a entender cómo las emociones son expresadas en las obras, permitiéndonos identificar las tendencias emocionales y la carga afectiva de los textos. Esto nos brinda una perspectiva más profunda sobre la narrativa y los personajes, así como también sobre la respuesta emocional que pueden generar en los espectadores.
```{r}
#Primero seleccionamos los archivos con los que vamos a trabajar
texto1992<- readtext("C:\\Users\\LuisD\\Documents\\Concentración\\MODULO 4\\aladdin1992.txt")
texto2019<- readtext("C:\\Users\\LuisD\\Documents\\Concentración\\MODULO 4\\aladin2019.txt")

#Convertimos estos textos a palabras
palabras1992 <- get_tokens(texto1992)
emociones1992 <- get_nrc_sentiment(palabras1992, language = "english")

palabras2019 <- get_tokens(texto2019)
emociones2019 <- get_nrc_sentiment(palabras2019, language = "english")
```

```{r}
barplot(colSums(prop.table(emociones1992[, 1:8])), main=" Emociones Aladdin 1992")
sentimientos1992 <- (emociones1992$negative*-1) + emociones1992$positive
simple_plot(sentimientos1992)
```

```{r}
barplot(colSums(prop.table(emociones2019[, 1:8])), main=" Emociones Aladdin 2019")
sentimientos2019 <- (emociones2019$negative*-1) + emociones2019$positive
simple_plot(sentimientos2019)
```

## C) Preguntas
### Pregunta 1: 
**Después de limpiar el archivo ¿Se tomará y analizará Todo lo que aparece en la página? ¿Que si y que no? ¿Por qué?**
Para la extracción del primer diálogo de la película "Aladdin-1992" se ubtuvo del hipervinculo proporcionado por parte del profesor, extraí el texto copiando únicamente la parte de los diálogos (sin texto o anexos) y pegándolo en un archivo .txt
Para la obtención del segundo diálogo "Aladdin-2019" fue necesario copiar y pegar en un bloc de notas (.txt) cada parte de los diálogos, sin embargo fue extraido cada fragmento de distintas partes del hipervículo proporcionado por el profesor.  
En resumen, de ambas fuentes proporcionadas fue extraido de manera manual lsas partes de los diálogos de ambas películas, no consideré necesario quitar los nombres al inicio de cada linea de diálogo pues consideré que también se puede obtener información bsatante valiosa en cuanto a la participación de cada personaje dentro de la película.

### Pregunta 2:
**Describe el análisis realizado:**
Para poder llevar a cabo tanto el análisis de texto como el análisis de sentimientos fue necesario realizar los siguientes pasos:  
* Obtener los recursos a analizar, en este caso fue necesario crear los archivos .txt con ayuda del bloc de notas los cuales fueron guardados dentro de la misma carpeta que el archivo .Rmd  
* Después fueron instaladas las diferentes librerías que fueran necesarias para poder realizar ambos análisis  
* Como primer paso del análisis de texto fue necesario crear el corpus que conteniera ambos archivos .txt.  
* Una vez creado el corpus fue necesario llevar a cabo dos procesos de limpieza sin embargo ambos fueron para modificar el texto y que cumplieran con ciertas características como que fueran todas minúsculas, quitar los números y las stopwords  
* Después se obtuvieron y analizar los términos más comunes dentro de los dos guiones y esto nos sirvió para poder comparar el cambio del vocabulario dentro de los dos guiones a lo largo del tiempo  
* También se analizó la esparcidad para saber que vocabulario de ambas obras fue utilizado dentro de las mismas así como identificar aquellas que si forman parte importante a lo largo de todo el texto, de esta manera podemos identificar las palabras que no son implementadas únicamente durante una parte del guión, sino que fueron usadas durante toda la obra  
* Para concluir la parte del análisis de texto fue necesario identificar las palabras con las que se relacionan dichas palabras con más importancia, esto para saber que palabras se usan comúnmente antes y después de ellas.  
* Para realizar el análisis de emociones fue necesario volver a leer los textos y tokenizarlos así como asignar el lenguaje en el que se desenvuelve la obra  
* Finalmente realizamos el análisis de emociones mediante la función *get_nrc_sentiment* y de esta manera los graficamos tanto los sentimientos que más se identifican en la obra como el desarrollo de las emociones a lo largo de las obras.


### Pregunta 3:
**Busca alguna función asociada al análisis de texto que no hayamos visto en clase, úsala y escribe lo que lograste**
Mediante este análisis de sentimientos pudimos observar las siguientes cosas:
En la obra realizada en 1992 los sentimientos se vieron predominados por fear y trust, sin embargo durante la obra de 2019 la emoción *fear* fue más dominante pues *fear* y *joy* disminuyeron su participación por lo que podemos inferir que la obra de 2019 intentó comunicar una mayor cantidad de incenrtidumbre y miedo a lo largo de la película, esto lo podemos comprar con el flujo de las emociones a través de la obra pues la última película comienza con la influencia de sentimientos negativos desde el inicio de la obra, a contrario de la película de 1992 la cual a partir de 2/10 de la película y después vuelve a subir a sentimientos positivos, pudemos ver mediante la gráfica de *Scaled sentiment* que la obra de 1992 tiene un cambio de emociones más marcado a lo largo de su desarrollo mientras que la del 2019 únicamente cuenta con una subida de sentimientos positivos en la mitad de la obra y vuelve a sentimientos negativos para la última tercera parte de la película. 
