Teoría

La minería de texto (TM) es el proceso de extraer información útil, patrones o conocimiento de textos no estructurados.

Consta de tres etapas:

  1. Obtener datos: El Reconocimiento óptico de Caracteres (OCR) es una tecnología que permite convertir imágenes de tetxo en texto editable. También es conocido como extracción de texto de imágenes.

  2. Explorar datos: Representación gráfica o visual de los datos para su interpretación. Los métodos más comúnes son el Análisos de Sentimientos, la Nube de Palabras y el Topic Modeling.

  3. Análiss predictivo: Son las técnicas y modelos estadísticos para predeir resultados futuros. Los modelos más usados son el Random Forest, redes neuronales y regresiones.

Instalar paquetes y llamar librerias

#install.packages("tidyverse") # Manipulación de datos
library(tidyverse)
#install.packages("tesseract") #OCR Reconocimiento optico de caracteres
library(tesseract)
#install.packages("magick") #PNG
library(magick)
#install.packages("officer") # Office (word)
library(officer)
#install.packages("pdftools") # PDF
library(pdftools)
#install.packages("purrr") # Para la funcion "map" para aplicar una función a cada elemento de un vector
library(purrr)

Etapa 1. Obtener Datos mediante OCR

De imagen PNG a texto en Word

imagen1 <- image_read("/Users/mariirobles/Desktop/imagen1.PNG")
texto1 <- ocr(imagen1)
texto1
## [1] "Linear regression with one variable x is also known as univariate linear regression\nor simple linear regression. Simple linear regression is used to predict a single\noutput from a single input. This is an example of supervised learning, which means\nthat the data is labeled, i.e., the output values are known in the training data. Let us\nfit a line through the data using simple linear regression as shown in Fig. 4.1.\n"
doc1 <- read_docx() # Crea un documento de word en blanco
doc1 <- doc1 %>% body_add_par(texto1) # Pega el texto en el doc1
print(doc1, target="texto1.docx") # Guarda el doc en la compu

De imagen PNG en español a texto en Word

imagen2 <- image_read("/Users/mariirobles/Desktop/imagen2.PNG")
tesseract_download("spa")
## Training data already exists. Overwriting /Users/mariirobles/Library/Application Support/tesseract5/tessdata/spa.traineddata
## [1] "/Users/mariirobles/Library/Application Support/tesseract5/tessdata/spa.traineddata"
texto2 <- ocr(imagen2, engine = tesseract("spa"))
texto2
## [1] "Un importante, y quizá controversial, asunto político es el que se refiere al efecto del salario mínimo sobre\nlas tasas de desempleo en diversos grupos de trabajadores. Aunque este problema puede ser estudiado con\ndiversos tipos de datos (corte transversal, series de tiempo o datos de panel), suelen usarse las series de\ntiempo para observar los efectos agregados. En la tabla 1.3 se presenta un ejemplo de una base de datos\nde series de tiempo sobre tasas de desempleo y salarios mínimos.\n"
doc2 <- read_docx() # Crea un documento de word en blanco
doc2 <- doc2 %>% body_add_par(texto2) # Pega el texto en el doc1
print(doc2, target="texto2.docx") # Guarda el doc en la compu

Actividad 1. Eso 

#De PDF a texto en Word 
pdf_eso <- pdf_convert("/Users/mariirobles/Desktop/eso.pdf", dpi=600) %>% map (ocr)
## Converting page 1 to eso_1.png... done!
## Converting page 2 to eso_2.png... done!
eso1 <-image_read("/Users/mariirobles/Desktop/eso_1.png") 
textoeso1<- ocr(eso1, engine= tesseract('spa'))

eso2 <-image_read("/Users/mariirobles/Desktop/eso_2.png")
textoeso2<- ocr(eso2, engine= tesseract('spa'))

doc3 <- read_docx()
doc3 <- doc3 %>% body_add_par(textoeso1)
doc3 <- doc3 %>% body_add_par(textoeso2)

print(doc3, target= "Texto_eso.docx")

Etapa 2. Explorar Datos mediante analisis de sentimientos

Instalar paquetes y llamar librerias

#install.packages("syuzhet") #Analisis de sentimientos
library(syuzhet)
#install.packages("tm") # Mineria de texto
library(tm)
## Loading required package: NLP
## 
## Attaching package: 'NLP'
## The following object is masked from 'package:ggplot2':
## 
##     annotate

Análisis de emociones y sentimientos

texto <- pdf_eso
texto_palabras <- get_tokens(texto)
emociones <- get_nrc_sentiment(texto_palabras, language = "spanish")
# Alegria, tristeza, ira, miedo, sorpresa,asco, anticipacion, confianza
barplot(colSums(prop.table(emociones[,1:8])))

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

## Etapa 2. Explorar Datos 

#install.packages("syuzhet") #Analisis de sentimientos
library(syuzhet)
#install.packages("tm") # Mineria de texto
library(tm)
#install.packages("wordcloud") # Nube de palabras
library(wordcloud)
## Loading required package: RColorBrewer
#install.packages("RColorBrewer")
library(RColorBrewer)

Nube de palabras

palabras <- texto_palabras
palabras <- removeWords(palabras, 
                        c(stopwords("spanish"), "hacia", "había", "habían", "hecho"))
wordcloud(words=palabras, min.freq = 2, rot.per = 0, random.order = FALSE)
## Warning in tm_map.SimpleCorpus(corpus, tm::removePunctuation): transformation
## drops documents
## Warning in tm_map.SimpleCorpus(corpus, function(x) tm::removeWords(x,
## tm::stopwords())): transformation drops documents