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)
## Loading required package: NLP

Importar la base de datos

texto <- readtext("Desktop/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)

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.

Conclusión

Como podemos ver, el sentimiento más frecuente en el himno es el miedo. En el wordcloud podemos ver que la palabra más usada es guerra. Lo cual tiene sentido que la emoción más frecuente es miedo.

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