
Teoria
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)
Importar la base de datos
texto <- readtext("C:\\Users\\maria\\OneDrive\\Desktop\\AD24\\Modulo 2\\himno.txt")
Analisis de sentimiento
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)

Conclusiones
A traves de este codigo podemos llevar a cabo un analisis de
sentimiento sobre el himno mexicano. A traves de la grafica podemos
observar si tiene un sentimiento positivo o negativo a traves del texto.
Analizando el himno como tal podemos observar como el himno empieza con
sentimientos negativos y termina con sentimientos positivos Asi mismo,
podemos ver como predominan los sentimientos negativos.
LS0tDQp0aXRsZTogIkFuYWxpc2lzIGRlIHNlbnRpbWllbnRvIg0KYXV0aG9yOiAiTWFyaWFuYSBHYXJjaWEgQTAxMTc3NzA1Ig0KZGF0ZTogIjIwMjQtMDgtMTUiDQpvdXRwdXQ6IA0KICBodG1sX2RvY3VtZW50Og0KICAgIHRvYzogVFJVRQ0KICAgIHRvY19mbG9hdDogVFJVRQ0KICAgIGNvZGVfZG93bmxvYWQ6IFRSVUUNCiAgICB0aGVtZTogY29zbW8NCi0tLQ0KDQpgYGB7ciBzZXR1cCwgaW5jbHVkZT1GQUxTRX0gDQprbml0cjo6b3B0c19jaHVuayRzZXQod2FybmluZyA9IEZBTFNFLCBtZXNzYWdlID0gRkFMU0UpIA0KYGBgDQoNCiFbXShDOlxcVXNlcnNcXG1hcmlhXFxPbmVEcml2ZVxcRGVza3RvcFxcQUQyNFxcTW9kdWxvIDJcXGIxNTkwNWQ0MDQ3Y2ViZmMwNzhhNjhkZGNlMjA3ZWE4LmdpZikNCg0KIyBUZW9yaWENCkVsIGFuw6FsaXNpcyBkZSBzZW50aW1pZW50b3MgZXMgdW5hIGhlcnJhbWllbnRhIGRlbnRybyBkZWwgIk1hY2hpbmUgTGVhcm5pbmciIHBhcmEgbWVkaXIgcmVzcHVlc3RhcyBlbW9jaW9uYWxlcyBhY2VyY2EgZGUgdW4gdGV4dG8uDQpMYXMgOCBlbW9jaW9uZXMgc29uOiAgDQotIElyYSAgDQotIEFudGljaXBhY2nDs24gIA0KLSBBc2NvICANCi0gTWllZG8gIA0KLSBBbGVncsOtYSAgDQotIFRyaXN0ZXphICANCi0gU29ycHJlc2EgIA0KLSBDb25maWFuemEgIA0KDQpMYXMgMiB0ZW5kZW5jaWFzIGRlIGxhcyBlbW9jaW9uZXMgc29uOiBQb3NpdGl2YSBvIE5lZ2F0aXZhDQoNCiMgSW5zdGFsYXIgcGFxdWV0ZXMgeSBsbGFtYXIgbGlicmVyaWFzDQpgYGB7cn0NCiNpbnN0YWxsLnBhY2thZ2VzKCJyZWFkdGV4dCIpDQpsaWJyYXJ5KHJlYWR0ZXh0KQ0KI2luc3RhbGwucGFja2FnZXMoInN5dXpoZXQiKQ0KbGlicmFyeShzeXV6aGV0KQ0KI2luc3RhbGwucGFja2FnZXMoIlJDb2xvckJyZXdlciIpDQpsaWJyYXJ5KFJDb2xvckJyZXdlcikNCiNpbnN0YWxsLnBhY2thZ2VzKCJ3b3JkY2xvdWQiKQ0KbGlicmFyeSh3b3JkY2xvdWQpDQojaW5zdGFsbC5wYWNrYWdlcygidG0iKQ0KbGlicmFyeSh0bSkNCmBgYA0KDQojIEltcG9ydGFyIGxhIGJhc2UgZGUgZGF0b3MNCmBgYHtyfQ0KdGV4dG8gPC0gcmVhZHRleHQoIkM6XFxVc2Vyc1xcbWFyaWFcXE9uZURyaXZlXFxEZXNrdG9wXFxBRDI0XFxNb2R1bG8gMlxcaGltbm8udHh0IikNCmBgYA0KDQojIEFuYWxpc2lzIGRlIHNlbnRpbWllbnRvDQpgYGB7cn0NCnRleHRvX3BhbGFicmFzIDwtIGdldF90b2tlbnModGV4dG8pDQplbW9jaW9uZXNfZGYgPC0gZ2V0X25yY19zZW50aW1lbnQodGV4dG9fcGFsYWJyYXMsIGxhbmd1YWdlID0gInNwYW5pc2giKQ0KYmFycGxvdChjb2xTdW1zKHByb3AudGFibGUoZW1vY2lvbmVzX2RmWywgMTo4XSkpKQ0KDQpzZW50aW1pZW50b3MgPC0gKGVtb2Npb25lc19kZiRuZWdhdGl2ZSotMSkgKyBlbW9jaW9uZXNfZGYkcG9zaXRpdmUNCnNpbXBsZV9wbG90KHNlbnRpbWllbnRvcykNCmBgYA0KDQojIENvbmNsdXNpb25lcw0KQSB0cmF2ZXMgZGUgZXN0ZSBjb2RpZ28gcG9kZW1vcyBsbGV2YXIgYSBjYWJvIHVuIGFuYWxpc2lzIGRlIHNlbnRpbWllbnRvIHNvYnJlIGVsIGhpbW5vIG1leGljYW5vLg0KQSB0cmF2ZXMgZGUgbGEgZ3JhZmljYSBwb2RlbW9zIG9ic2VydmFyIHNpIHRpZW5lIHVuIHNlbnRpbWllbnRvIHBvc2l0aXZvIG8gbmVnYXRpdm8gYSB0cmF2ZXMgZGVsIHRleHRvLg0KQW5hbGl6YW5kbyBlbCBoaW1ubyBjb21vIHRhbCBwb2RlbW9zIG9ic2VydmFyIGNvbW8gZWwgaGltbm8gZW1waWV6YSBjb24gc2VudGltaWVudG9zIG5lZ2F0aXZvcyB5IHRlcm1pbmEgY29uIHNlbnRpbWllbnRvcyBwb3NpdGl2b3MNCkFzaSBtaXNtbywgcG9kZW1vcyB2ZXIgY29tbyBwcmVkb21pbmFuIGxvcyBzZW50aW1pZW50b3MgbmVnYXRpdm9zLg0K