• Teoría
  • Instalar paquetes y llamar librerías
  • Etapa 1. Obtener Datos mediante OCR
    • De imagen PNG en español a texto en word
    • De imagen PNG en español a texto en word
    • Actividad 1.
  • Etapa 2. Explorar datos
    • Instalar paquetes y llamar librerías
    • Análisis de emociones y sentimientos
    • Nube de palabras

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: E1 Reconocimiento Óptico de Caracteres (OCR) s una tecnología que permite convertir imágenes de texto en texto ditable. También en conocido como extracción de texto de imágenes.
2. Explorar los datos: Representación gráfica o visual de los datos para su interpretación. Los métodos 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 resuktados futuros. Los modelos más usados son el random forest, redes neuronales y regresiones.

Instalar paquetes y llamar librerías

#install.packages("tidyverse") #Manipulación de datos
library(tidyverse)
#install.packages("tesseract") #Reconocimiento óptico
library(tesseract)
#install.packages("magick") #Imagenes 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 una función a cada elemento de un vector

Etapa 1. Obtener Datos mediante OCR

De imagen PNG en español a texto en word

imagen1 <-image_read("C:\\Users\\USUARIO\\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= "Sesión 1 Raúl IA con imacto empresarial.docx") #Guarda el doc en la compu

De imagen PNG en español a texto en word

imagen2 <-image_read("C:\\Users\\USUARIO\\Downloads\\imagen2.PNG")
tesseract_download("spa")
## Training data already exists. Overwriting C:\Users\USUARIO\AppData\Local\tesseract5\tesseract5\tessdata/spa.traineddata
## [1] "C:\\Users\\USUARIO\\AppData\\Local\\tesseract5\\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= "Sesión 1 (texto 2) Raúl IA con imacto empresarial.docx") #Guarda el doc en la compu

Actividad 1.

#De PDF a texto en word
pdf_eso <- pdf_convert("C:\\Users\\USUARIO\\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("C:\\Users\\USUARIO\\Downloads\\eso_1.png")
tesseract_download("spa")
## Training data already exists. Overwriting C:\Users\USUARIO\AppData\Local\tesseract5\tesseract5\tessdata/spa.traineddata
## [1] "C:\\Users\\USUARIO\\AppData\\Local\\tesseract5\\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("C:\\Users\\USUARIO\\Downloads\\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 ejercicio clase.docx") #Guarda el doc en la compu

Etapa 2. Explorar datos

Instalar paquetes y llamar librerías

#install.packages("syuzhet") #ANÁLISIS DE SENTIMIENTOS
library(syuzhet)
#install.packages("tm") #Minería de texto
library(tm)
## Cargando paquete requerido: NLP
## 
## Adjuntando el paquete: 'NLP'
## The following object is masked from 'package:ggplot2':
## 
##     annotate
#install.packages("wordcloud") #Nube de palabras
library(wordcloud)
## Cargando paquete requerido: RColorBrewer
#install.packages("RColorBrewer") #Colores de la nube de palabras
library("RColorBrewer")

Análisis de emociones y sentimientos

texto <- pdf_eso
texto_palabras <-get_tokens(texto)
emociones <- get_nrc_sentiment(texto_palabras, language= "spanish" )
#Alegría, trsiterza, 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
texto <-removeWords(palabras,
                 c(stopwords("spanish"),"hacia","habia","hecho"))
wordcloud(words=palabras,min.freq=2, rot.per =0, random.order = FALSE)

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