Text Mining

Teoría

La minería de texto (TM) es el proceso de extraer información útil, patrones o conocimientos 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 texto 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 metodos más comunes son el Análisis de Sentimientos, la Nube de Palabras y el Topic Modeling.
3. Análisis predictivo: son las técnicas y modelos estadísticos para predecir resultados futuros. Los modelos más usados son el Random Forestm redes neuronales y regrsiones.

Instalar paquetes y llamar librerías

# install.packages("tidyverse") # Manipulación de datos
library(tidyverse)
# install.packages("tesseract") # Reconocimiento Óptimo 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 función "map" para aplicar función a cada elemento de un vector
library(purrr)

Etapa 1. Obtener datos mediante OCR

De imágen PNG a texto en Word

imagen1 <- image_read("/Users/anapaualvear/Downloads/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") #Guardar el doc1 en la compu

De imágen PNG en español a texto en Word

imagen2 <- image_read("/Users/anapaualvear/Downloads/imagen2.PNG")
tesseract_download("spa")

## Training data already exists. Overwriting /Users/anapaualvear/Library/Application Support/tesseract5/tessdata/spa.traineddata

## [1] "/Users/anapaualvear/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") #Guardar el doc1 en la compu

Actividad 1.

#De PDF a texto en word
pdf_eso <- pdf_convert("/Users/anapaualvear/Downloads/eso.pdf", dpi=600) %>% map(ocr)

## Converting page 1 to eso_1.png... done!
## Converting page 2 to eso_2.png... done!

#Repetir pasos previos para convertir imágenes a texto en word. 

imagen1.1 <-image_read("/Users/anapaualvear/Desktop/modulo 2 R/eso_1.png")
tesseract_download("spa")

## Training data already exists. Overwriting /Users/anapaualvear/Library/Application Support/tesseract5/tessdata/spa.traineddata

## [1] "/Users/anapaualvear/Library/Application Support/tesseract5/tessdata/spa.traineddata"

texto1.1 <-ocr(imagen1.1,engine=tesseract("spa"))
doc1.1 <- read_docx() #Crea un documento de Word en blanco
doc1.1 <- doc1.1 %>% body_add_par(texto1.1) #Pega el texto en el doc1

imagen1.2 <-image_read("/Users/anapaualvear/Desktop/modulo 2 R/eso_2.png")
texto1.2 <-ocr(imagen1.2,engine=tesseract("spa"))
doc1.2 <- read_docx() #Crea un documento de Word en blanco
doc1.2 <- doc1.2 %>% body_add_par(texto1.1) %>% body_add_par(texto1.2)#Pega el texto en el doc1
print(doc1.2, target= "ESO_texto.docx") #Guarda el doc en la compu

Etapa 2. Explorar datos mediante análisis de sentimiento

Instalar paquetes y llamar librerías

#install.packages("syuzhet") #Análisis de sentimientos 
library(syuzhet)
#install.packages("tm") #Minería de texto 
library(tm)
#install.packages("wordcloud")
library(wordcloud)
#install.packages(RColorBrwer)
library(RColorBrewer)

Análisis de emociones y sentimientos

texto <- pdf_eso
texto_palabras <- get_tokens(texto) #Separar texto por palabras
emociones <- get_nrc_sentiment(texto_palabras, language = "spanish")
#Alegria, Tristeza, Ira, Miedo, Sorpresa, Asco, Anticipación, Confianza
barplot(colSums(prop.table(emociones[,1:8])))

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

Nube de palabras

palabras <- texto_palabras
palabras <- removeWords(palabras, 
                        c(stopwords("spanish"),"hacia", "habian", "hecho"))
wordcloud(words=palabras, min.freq=2, rot.per =0, random.order=FALSE)