Introducción

El análisis de sentimientos es una herramienta dentro del “Machine Learning” para medir respuestas emocionales acerca de un texto.

Las 8 emociones son:

  • Ira
  • Anticipación
  • Asco
  • Miedo
  • Alegría
  • Tristeza
  • Sorpresa
  • Confianza

Las 2 tendencias de las emociones son: Positiva o Negativa

Instalar paquetes y llamar librerias

#install.packages("readtext")
library(readtext)
#install.packages("syuzhet")
library(syuzhet)
#install.packages("RColorBrewer")
library(RColorBrewer)
#install.packages("wordcloud")
library(wordcloud)
#install.packages("tm")
library(tm)
## Cargando paquete requerido: NLP

Importar la base de datos

#file.choose()

texto <- readtext("C:/Users/rodio/Downloads/himno.txt")
texto_palabras <- get_tokens(texto)
emociones_df <- get_nrc_sentiment(texto_palabras, language = "spanish")
barplot(colSums(prop.table(emociones_df[, 1:8])))

sentimientos <- (emociones_df$negative*-1) + emociones_df$positive
simple_plot(sentimientos)

Worldcloud de Sentimientos

wordcloud(words=texto_palabras, min.freq = 1)
## Warning in wordcloud(words = texto_palabras, min.freq = 1): guerra could not be
## fit on page. It will not be plotted.

Conclusiones

A traves de Sentimiter se puede analizar los sentimientos de frases, himnos o cualquier conjunto de texto. Esto puede tener diversos usos y nos brinda un enfoque de análisis más personalizado ya sea para mercadotecnia o la implementación de estrategias dentro/fuera de una empresa.

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