
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)
## Warning: package 'readtext' was built under R version 4.3.3
#install.packages("syuzhet")
library(syuzhet)
## Warning: package 'syuzhet' was built under R version 4.3.3
#install.packages("RColorBrewer")
library(RColorBrewer)
#install.packages("wordcloud")
library(wordcloud)
## Warning: package 'wordcloud' was built under R version 4.3.3
#install.packages("tm")
library(tm)
## Warning: package 'tm' was built under R version 4.3.3
## Loading required package: NLP
Importar la base de datos
#file.choose()
texto <- readtext("C:\\Users\\HP\\OneDrive - FEMSA Comercio\\Escritorio\\Inteligencia de Negocios\\7mo Semestre\\M2\\BDD\\himno.txt")
texto_palabras <- get_tokens(texto) # el texto lo separa en palabras
emociones_df <- get_nrc_sentiment(texto_palabras, language = "spanish") #nrc es como un diccionario con palabras y sus emociones
barplot(colSums(prop.table(emociones_df[, 1:8])))

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

# wordcloud(words=texto_palabras, min.freq = 1)
Conclusión
Este código se utiliza para entender las emociones que se pueden
obtener de un texto, en este caso se utilizo para el himno nacional,
donde se pudo obtener un insight de que transmite lo que dice.
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