武漢肺炎對外送產業的影響分析

一、動機與分析目的

二、資料集描述

三、前置作業

資料取得及套件載入
安裝所需 Packages
載入所需 Packages與資料

四、整體分析

I. 日期折線圖

討論文章數最多的10天
繪製日期折線圖
找出討論聲量高的議題

II. 文字雲

詞頻最高的前二十名
確診首例出現前的文字雲
確診首例出現後的文字雲

III. 長條圖

疫情爆發前後出現詞彙的差別

IV. 情緒分析

確診首例出現之前的情緒
10月10日當天的「負面」文章
10月10日前後的「負面」文章
外送事故文章的時間點
其他時間點的情緒分析
確診首例出現之後的情緒
大事件：雲林客戶狂放棄訂單
2月12日前一天的文章
2月12日後一天的文章

V. TF-IDF

疫情爆發前期(1/21前)
疫情爆發後期(1/21後)

VI. 詞彙相關性分析

整體相關性分析
疫情爆發前期(1/21前)相關性分析
疫情爆發後期(1/21後)相關性分析

VII. 整體分析小結

五、Foodpanda和Ubereats分析

I. 聲量比較

UberEats

1.UberEats聲量趨勢圖
2.前五多的文章日期

Foodpanda

1.Foodpanda聲量趨勢圖
2.前五多的文章日期

II. 情緒比較

UberEats

1.情緒趨勢圖
2.正面情緒高峰
3.負面情緒高峰
4.與疫情相關的文章

Foodpanda

1.情緒趨勢圖
2.正面情緒高峰
3.負面情緒高峰
4.與疫情相關的文章

III. 兩大平台交叉比較

1.正面情緒趨勢
2.負情緒趨勢

IV. 兩大平台分析小結

六、總結

第15組組員：龔雪燕、鄭宇翔、鄭子婷、余任濤

一、動機與分析目的

　　2020年1月21日，臺灣出現第一例境外移入確診病例，武漢肺炎(COVID-19)的議題討論聲量逐漸興起，不論是口罩酒精、旅遊觀光還是居家活動等議題也隨之竄起，其中「外送平台」的使用更是大幅提高，據平台業者統計，2月外送單量較1月大幅成長5成，更較去年同期成長4倍，近期政府也開始推出紓困政策，各大外送平台祭出各種因應疫情的相關措施
　　除此之外，外送員的安全、防疫的措施是否充足和外送平台是否能為餐飲業者帶來轉機，都是大家非常關心的議題，因此我們想從PTT討論平台觀察在武漢肺炎爆發前後，外送平台的討論聲量和情緒有沒有特別的變化，並深入分析台灣兩大外送平台龍頭「Foodpanda」和「UberEats」的相關討論文章中民眾的情緒表現是否有差異，以此來審視民眾對兩大外送平台對武漢肺炎處理辦法的態度。

二、資料集描述

資料由中山大學管理學院文字分析平台取得，在平台資料輸出區塊選擇「文章+詞彙+詞頻」選項，即可取得相同格式之csv檔案
本資料為2019/09/01 ~ 2020/04/23 PTT八卦版之資料，透過文字分析平台檢索「外送平台」、「Foodpanda」、「UberEats」等相關關鍵字，共搜尋到2311篇文章。

三、前置作業

資料取得及套件載入

## [1] ""

安裝所需 Packages

packages = c("readr", "dplyr", "stringr", "jiebaR", "tidytext", "NLP", "readr", "tidyr", "ggplot2", "ggraph", "igraph", "scales", "reshape2", "widyr", "wordcloud")
existing = as.character(installed.packages()[,1])
for(pkg in packages[!(packages %in% existing)]) install.packages(pkg)

載入所需 Packages與資料

require(dplyr)
require(ggplot2)
require(data.table)
require(scales)
require(wordcloud2)
library(wordcloud)
require(readr)
require(stringr)
require(jiebaR)
require(tidytext)
require(NLP)
require(tidyr)
require(ggraph)
require(igraph)
require(reshape2)
require(widyr)

# 載入自平台下載下來的資料
order <- fread("gossip_article.csv", encoding = "UTF-8")
order$artDate = order$artDate %>% as.Date("%Y/%m/%d") # 將日期欄位格式由chr轉為date

# 資料處理
data <- order %>% 
  select(artDate, artUrl) %>% # 選出文章和日期欄位
  distinct() # 一篇文章保留一列

我們把報告分為「整體分析」與「兩大外送平台分析」兩個部分介紹。

四、整體分析

I. 日期折線圖

按照日期分群，計算每一天共有幾篇討論文章，可看出討論「外送平台」的熱度

討論文章數最多的10天

article_count_by_date <- data %>% 
  group_by(artDate) %>% 
  summarise(count = n())

article_count_by_date %>% 
  arrange(desc(count))%>% 
  top_n(10)

## Selecting by count

## # A tibble: 10 x 2
##    artDate    count
##    <date>     <int>
##  1 2019-10-14   203
##  2 2019-10-13   135
##  3 2019-10-15   122
##  4 2019-10-11    90
##  5 2019-10-16    77
##  6 2019-10-02    38
##  7 2019-10-20    36
##  8 2019-10-17    35
##  9 2019-10-18    35
## 10 2019-10-12    34

繪製日期折線圖

plot_date <- 
  # data
  article_count_by_date %>% 
  # aesthetics
  ggplot(aes(x = artDate, y = count)) +
  # geometrics
  geom_line(color = "#00AFBB", size = 1) + 
  geom_vline(xintercept = as.numeric(as.Date("2019-10-10")), col='red') + 
  geom_vline(xintercept = as.numeric(as.Date("2019-10-14")), col='red') + 
  geom_vline(xintercept = as.numeric(as.Date("2020-01-21")), col='red') + 
  # coordinates
  scale_x_date(labels = date_format("%Y/%m/%d")) +
  ggtitle("外送平台討論文章數") + 
  xlab("日期") + 
  ylab("文章數")

plot_date

我們進一步將前期幅度較大的曲線移除，讓曲線走向更明顯

plot_date <- 
  # data
  article_count_by_date %>% 
  filter(artDate >= "2019-10-31") %>%
  # aesthetics
  ggplot(aes(x = artDate, y = count)) +
  # geometrics
  geom_line(color = "#00AFBB", size = 1) + 
  geom_vline(xintercept = as.numeric(as.Date("2020-01-15")), col='red') + 
  geom_vline(xintercept = as.numeric(as.Date("2020-04-16")), col='red') + 
  # coordinates
  scale_x_date(labels = date_format("%Y/%m/%d")) +
  ggtitle("外送平台討論文章數") + 
  xlab("日期") + 
  ylab("文章數")

plot_date

從以上兩圖中可以發現：
- 2019年10月10日，討論文章數突然上升
- 2019年10月14日，討論文章數達到最高點（203篇）
- 2020年01月15日，討論文章數為近期高峰
- 2020年01月21日，台灣出現首例新冠病毒確診病例，外送平台的聲量提升幅度並不明顯
- 2020年04月16日，討論文章數再度達到最高點

找出討論聲量高的議題

order %>%
  filter(artDate == as.Date('2020/1/15')) %>%
  distinct(artUrl, .keep_all = TRUE) %>%
  distinct(artTitle, .keep_all = TRUE) %>%
  select(artTitle)

##                                                     artTitle
## 1                      [問卦]ubereats炸雞點了我食量4倍怎麼吃
## 2                           [問卦]熊貓明天罷工，大家會怕嗎？
## 3                               [問卦]熊貓有必要自相殘殺嗎？
## 4                            Re:[問卦]熊貓有必要自相殘殺嗎？
## 5                           [問卦]可憐哪！熊貓外送師被砍獎金
## 6                                   [問卦]熊貓開始罷工了嗎？
## 7                       Re:[問卦]欸欸欸!聽說台灣今天熊貓罷工
## 8                         [問卦]熊貓外送罷工有人被影響到嗎？
## 9                                   [問卦]今天中午能定熊貓嗎
## 10                               Re:[問卦]今天中午能定熊貓嗎
## 11                            [問卦]所以現在熊貓可以點外送嗎
## 12              [新聞]控「年前毀約」！台中60名熊貓外送員市府
## 13    [新聞]熊貓今罷送最多慢1小時…外送員：萬人響應卻無人棄單
## 14                 [新聞]foodpanda罷工實測！點餐後30分就拿到
## 15 Re:[新聞]熊貓今罷送最多慢1小時…外送員：萬人響應卻無人棄單
## 16                [新聞]熊貓變更計薪制度內湖外送員控「變相減
## 17                    [問卦]社會上為何充滿仇視外送員的八卦？

以同樣方式分析以上時間點，可觀察該時間點討論的議題有：
- 2019年10月10日，[新聞] 熊貓外送員深夜搏命送單！
- 2019年10月14日，[新聞] 不甩勞動部！foodpanda：不接受僱傭關係、外送員交通安全疑慮
- 2020年01月15日，[新聞] Foodpanda罷工
- 2020年04月16日，[新聞] Gogoro騎到飽禁商用「外送員遭罰萬元」

II. 文字雲

stop_words <- fread("stop_words.csv", encoding = "UTF-8") #設定停用字
order <- order %>%
  filter(!word %in% stop_words$word)

#將文章按照文字分群並計算每一個字的總詞頻
word_count <- order %>% 
  group_by(word) %>% 
  summarise(sum = sum(count)) %>% 
  arrange(desc(sum))

詞頻最高的前二十名

head(word_count, 20)

## # A tibble: 20 x 2
##    word        sum
##    <chr>     <int>
##  1 外送員     3811
##  2 外送       3135
##  3 熊貓       1360
##  4 外送平台    634
##  5 公司        608
##  6 工作        561
##  7 店家        554
##  8 業者        551
##  9 平台        537
## 10 foodpanda   473
## 11 機車        469
## 12 發生        382
## 13 承攬        376
## 14 車禍        339
## 15 餐點        332
## 16 訂單        313
## 17 美食        309
## 18 服務        289
## 19 送餐        288
## 20 小時        279

依照新冠病毒確診首例日期（1/21）區分資料

data_before <- order %>% filter(artDate < "2020-01-21")
data_after <- order %>% filter(artDate >= "2020-01-21")

data_before <- data_before %>% 
  group_by(word) %>% 
  summarise(sum = sum(count)) %>% 
  arrange(desc(sum))

data_after <- data_after %>% 
  group_by(word) %>% 
  summarise(sum = sum(count)) %>% 
  arrange(desc(sum))

確診首例出現前的文字雲

plot_before <- data_before %>% filter(sum > 150) %>% wordcloud2()
plot_before

確診首例出現後的文字雲

plot_after <- data_after %>% filter(sum > 50) %>% wordcloud2()

III. 長條圖

與文字雲相比，長條圖可以查看較精確的「最常出現詞彙」。

# 將1/21前後的資料加入一個欄位標示後合併起來
word_count <- rbind(data_before %>% mutate(type="before"), data_after %>% mutate(type="after"))

疫情爆發前後出現詞彙的差別

plot_merge <- word_count %>% 
  group_by(type) %>% 
  top_n(15, sum) %>% 
  ungroup() %>% 
  mutate(word = reorder(word, sum)) %>%
  ggplot(aes(x=word, y=sum, fill = type)) +
  geom_col(show.legend = FALSE) +
  labs(x = NULL, y="詞頻") +
  facet_wrap(~type, ncol = 1, scales="free") + 
  coord_flip()

plot_merge

由上圖出現的字詞可以發現討論內容在1/21前後略有不同

接著再進一步將重複的詞彙移除，觀察更明顯的差異

plot_merge <- word_count %>% 
  group_by(type) %>% 
  top_n(30, sum) %>%
  ungroup() %>% 
  group_by(word) %>%
  filter(n()==1) %>%
  ungroup() %>% 
  mutate(word = reorder(word, sum)) %>% 
  ggplot(aes(word, sum, fill = type)) +
  geom_col(show.legend = FALSE) +
  labs(x = NULL, y="總和") +
  facet_wrap(~type, ncol = 1, scales="free") + 
  coord_flip()

plot_merge

重複詞彙移除後，觀察1/21前與1/21後的討論差異：
議題由「交通安全」、「外送員屬於承攬還是僱傭」轉變為「居家隔離」、「疫情」

IV. 情緒分析

# 正向字典txt檔
P <- read_file("dict/liwc/positive.txt")
# 負向字典txt檔
N <- read_file("dict/liwc/negative.txt")

# 將字串依,分割，strsplit回傳 list , 我們取出 list中的第一個元素
P = strsplit(P, ",")[[1]]
N = strsplit(N, ",")[[1]]

# 建立dataframe：有兩個欄位 word, sentiments，word欄位內容是字典向量
P = data.frame(word = P, sentiment = "positive")
N = data.frame(word = N, sentiment = "negative")

LIWC = rbind(P, N)

word_count %>% inner_join(LIWC)
order %>% 
  select(word) %>%
  inner_join(LIWC)

確診首例出現之前的情緒

sentiment_before <- order %>% filter(artDate < "2020-01-21")

sentiment_count = sentiment_before %>%
  select(artDate,word,count) %>%
  inner_join(LIWC) %>% 
  group_by(artDate,sentiment) %>%
  summarise(count=sum(count))

sentiment_count %>%
  ggplot()+
  geom_line(aes(x=artDate,y=count,colour=sentiment))+
  scale_x_date(labels = date_format("%m/%d"))+
  geom_vline(aes(xintercept = as.numeric(artDate[which(sentiment_count$artDate == as.Date('2019/10/10'))[1]])),colour = "red") +
  geom_vline(aes(xintercept = as.numeric(artDate[which(sentiment_count$artDate == as.Date('2019/10/14'))[1]])),colour = "red")

觀察上圖情緒變化來回顧事件內容：負面情緒在10月10日突然大幅上升，在10月14日達到負面情緒最大值

10月10日當天的「負面」文章

外送員車禍致死新聞

order %>% 
  filter(artDate == as.Date('2019/10/10)')) %>%
  inner_join(LIWC) %>% 
  filter(sentiment == "negative") %>% 
  group_by(artUrl,sentiment) %>% 
  summarise(
    artTitle = artTitle[1],
    count = n()
  ) %>% 
  arrange(desc(count))

## # A tibble: 14 x 4
## # Groups:   artUrl [14]
##    artUrl                            sentiment artTitle                    count
##    <chr>                             <fct>     <chr>                       <int>
##  1 https://www.ptt.cc/bbs/Gossiping~ negative  [新聞]【外送搏命1】熊貓外送員拚賺宵夜錢桃園~     5
##  2 https://www.ptt.cc/bbs/Gossiping~ negative  [新聞]客控外送員棄單偷吃！本尊親回覆　案情逆~     4
##  3 https://www.ptt.cc/bbs/Gossiping~ negative  Re:[新聞]熊貓外送員深夜搏命送單！擦撞貨車噴飛~     4
##  4 https://www.ptt.cc/bbs/Gossiping~ negative  Re:[新聞]熊貓外送員深夜搏命送單！擦撞貨車噴飛~     3
##  5 https://www.ptt.cc/bbs/Gossiping~ negative  [新聞]女熊貓外送上樓！　男顧客開門吐「3字」~     3
##  6 https://www.ptt.cc/bbs/Gossiping~ negative  [新聞]熊貓外送員深夜搏命送單！擦撞貨車噴飛~     2
##  7 https://www.ptt.cc/bbs/Gossiping~ negative  Re:[新聞]【外送搏命1】熊貓外送員拚賺宵夜錢桃園~     2
##  8 https://www.ptt.cc/bbs/Gossiping~ negative  [問卦]外送員死了叫外送的心安嗎？~     2
##  9 https://www.ptt.cc/bbs/Gossiping~ negative  [問卦]住處不送Foodpanda什麼感覺?~     1
## 10 https://www.ptt.cc/bbs/Gossiping~ negative  [問卦]現在風向怎麼那麼仇視外送員？~     1
## 11 https://www.ptt.cc/bbs/Gossiping~ negative  Re:[新聞]熊貓外送員深夜搏命送單！擦撞貨車噴飛~     1
## 12 https://www.ptt.cc/bbs/Gossiping~ negative  [問卦]外送平台會不會導致臺灣亡國？~     1
## 13 https://www.ptt.cc/bbs/Gossiping~ negative  Re:[新聞]【外送搏命1】熊貓外送員拚賺宵夜錢~     1
## 14 https://www.ptt.cc/bbs/Gossiping~ negative  [問卦]台女還是台男叫外送的多啊?~     1

# 10月10日文字雲
data_1010 <- order %>% 
  filter(artDate == as.Date('2019/10/10')) %>% 
  select(word,count) %>% 
  group_by(word) %>% 
  summarise(count = sum(count))  
  
plot_1010 <- data_1010  %>% filter(count>3) %>%   # 過濾出現太少次的字
  wordcloud2()

查詢10月10日當日文章「正面」與「負面」字詞的使用頻率

order %>%
  filter(artDate == as.Date('2019/10/10')) %>% 
  inner_join(LIWC) %>%
  group_by(word,sentiment) %>%
  summarise(
    count = n()
  ) %>% data.frame() %>% 
  top_n(30,wt = count) %>%
  ungroup() %>% 
  mutate(word = reorder(word, count)) %>%
  ggplot(aes(word, count, fill = sentiment)) +
  geom_col(show.legend = FALSE) +
  facet_wrap(~sentiment, scales = "free_y") +
  labs(y = "Contribution to sentiment",
       x = NULL) +
  theme(text=element_text(size=14))+
  coord_flip()

10月10日前後的「負面」文章

order %>% 
  filter(artDate %in% c(as.Date('2019/10/09'))) %>%
  inner_join(LIWC) %>% 
  filter(sentiment == "negative") %>% 
  group_by(artUrl,sentiment) %>% 
  summarise(
    artTitle = artTitle[1],
    count = n()
  ) %>% 
  arrange(desc(count))

## # A tibble: 1 x 4
## # Groups:   artUrl [1]
##   artUrl                                 sentiment artTitle                count
##   <chr>                                  <fct>     <chr>                   <int>
## 1 https://www.ptt.cc/bbs/Gossiping/M.15~ negative  [問卦]半夜兩點後外送軟體變廢物？~     2

order %>% 
  filter(artDate %in% c(as.Date('2019/10/11'))) %>%
  inner_join(LIWC) %>% 
  filter(sentiment == "negative") %>% 
  group_by(artUrl,sentiment) %>% 
  summarise(
    artTitle = artTitle[1],
    count = n()
  ) %>% 
  arrange(desc(count))

## # A tibble: 57 x 4
## # Groups:   artUrl [57]
##    artUrl                            sentiment artTitle                    count
##    <chr>                             <fct>     <chr>                       <int>
##  1 https://www.ptt.cc/bbs/Gossiping~ negative  [新聞]賣命！熊貓美食外送員遭撞慘死超驚悚畫~    12
##  2 https://www.ptt.cc/bbs/Gossiping~ negative  [新聞]賣命！熊貓美食外送員遭撞慘死超驚悚畫~    12
##  3 https://www.ptt.cc/bbs/Gossiping~ negative  Re:[新聞]賣命！熊貓美食外送員遭撞慘死超驚悚畫~    11
##  4 https://www.ptt.cc/bbs/Gossiping~ negative  Re:[新聞]外送員車禍foodpanda回應了~     9
##  5 https://www.ptt.cc/bbs/Gossiping~ negative  [問卦]484該管外送員了           6
##  6 https://www.ptt.cc/bbs/Gossiping~ negative  [新聞]熊貓外送員車禍身亡時力參選人質疑平台~     6
##  7 https://www.ptt.cc/bbs/Gossiping~ negative  [問卦]作弄外送妹子好好玩XDDD~     5
##  8 https://www.ptt.cc/bbs/Gossiping~ negative  Re:[新聞]賣命！熊貓美食外送員遭撞慘死超驚悚畫~     5
##  9 https://www.ptt.cc/bbs/Gossiping~ negative  Re:[新聞]賣命！熊貓美食外送員遭撞慘死超驚悚畫~     5
## 10 https://www.ptt.cc/bbs/Gossiping~ negative  Re:[新聞]外送員車禍foodpanda回應了~     4
## # ... with 47 more rows

經以上結果發現：
- 10月9日僅有一篇負面文章；
- 10月11日外送員車禍致死的隔天，開始出現大量文章討論車禍事件與外送員的交通安全疑慮

進一步觀察10月10日前後一天文章所使用的正面、負面字詞

order %>%
  filter(artDate == as.Date('2019/10/09')) %>% 
  inner_join(LIWC) %>%
  group_by(word,sentiment) %>%
  summarise(
    count = n()
  ) %>% data.frame() %>% 
  top_n(30,wt = count) %>%
  ungroup() %>% 
  mutate(word = reorder(word, count)) %>%
  ggplot(aes(word, count, fill = sentiment)) +
  geom_col(show.legend = FALSE) +
  facet_wrap(~sentiment, scales = "free_y") +
  labs(y = "Contribution to sentiment",
       x = NULL) +
  theme(text=element_text(size=14))+
  coord_flip()

order %>%
  filter(artDate == as.Date('2019/10/11')) %>% 
  inner_join(LIWC) %>%
  group_by(word,sentiment) %>%
  summarise(
    count = n()
  ) %>% data.frame() %>% 
  top_n(30,wt = count) %>%
  ungroup() %>% 
  mutate(word = reorder(word, count)) %>%
  ggplot(aes(word, count, fill = sentiment)) +
  geom_col(show.legend = FALSE) +
  facet_wrap(~sentiment, scales = "free_y") +
  labs(y = "Contribution to sentiment",
       x = NULL) +
  theme(text=element_text(size=14))+
  coord_flip()

可觀察在10號車禍事件發生之後，「違規」、「風險」、「危險」等負面字詞開始出現。
「事故」、「遺憾」、「傷亡」是10號與前後一天不同的字詞，可得知當日聚焦在討論車禍事件上。

外送事故文章的時間點

accident_alias = c("事故","意外", "車禍", "致死")

accident_plot = order %>% 
  filter(nchar(.$word)>1) %>%
  filter(word %in% accident_alias) %>%
  group_by(artDate) %>%  
  summarise(count = n()) %>%
  ggplot(aes(x = artDate, y=count)) +
  geom_col() + 
  ggtitle("與交通事故有關的字詞出現時機點與次數") + 
  xlab("時間") + 
  ylab("次數")

accident_plot

其他時間點的情緒分析

將前期幅度較大的曲線移除，讓曲線走向更明顯

sentiment_before2 <- order %>%
  filter(artDate < "2020-01-21") %>%
  filter(artDate >= "2019-10-31")

sentiment_count2 = sentiment_before2 %>%
  select(artDate, word, count) %>%
  inner_join(LIWC) %>% 
  group_by(artDate, sentiment) %>%
  summarise(count=sum(count))

sentiment_count2 %>%
  ggplot()+
  geom_line(aes(x=artDate,y=count,colour=sentiment))+
  scale_x_date(labels = date_format("%m/%d")) +
  geom_vline(aes(xintercept = as.numeric(artDate[which(sentiment_count2$artDate == as.Date('2020-01-15'))[1]])),colour = "red")

承第I章提到的議題時間點：1月15日外送員罷工當天文章的「負面」情緒達到高峰

查詢1月15日當日文章「正面」與「負面」字詞的使用頻率

order %>%
  filter(artDate == as.Date('2020/1/15')) %>% 
  inner_join(LIWC) %>%
  group_by(word,sentiment) %>%
  summarise(
    count = n()
  ) %>% data.frame() %>% 
  top_n(30,wt = count) %>%
  ungroup() %>% 
  mutate(word = reorder(word, count)) %>%
  ggplot(aes(word, count, fill = sentiment)) +
  geom_col(show.legend = FALSE) +
  facet_wrap(~sentiment, scales = "free_y") +
  labs(y = "Contribution to sentiment",
       x = NULL) +
  theme(text=element_text(size=14))+
  coord_flip()

可發現負面字詞中包含「不滿」、「抗爭」等與罷工有關的字詞存在

確診首例出現之後的情緒

sentiment_after <- order %>% filter(artDate >= "2020-01-21")

sentiment_count = sentiment_after %>%
  select(artDate,word,count) %>%
  inner_join(LIWC) %>% 
  group_by(artDate,sentiment) %>%
  summarise(count=sum(count))

sentiment_count %>%
  ggplot()+
  geom_line(aes(x=artDate,y=count,colour=sentiment))+
  scale_x_date(labels = date_format("%m/%d"))+
  geom_vline(aes(xintercept = as.numeric(artDate[which(sentiment_count$artDate == as.Date('2020/02/12'))[1]])),colour = "red") +
  geom_vline(aes(xintercept = as.numeric(artDate[which(sentiment_count$artDate == as.Date('2020/04/16'))[1]])),colour = "red")

上圖可以看出，2月12日的文章負面情緒達到了頂峰

order %>% filter(artDate == as.Date('2020/02/12')) %>% distinct(artUrl, .keep_all = TRUE)

##                                          artTitle    artDate  artTime
## 1         [問卦]被居家顆隔離時可以訂foodpanda嗎！ 2020-02-12 03:53:08
## 2      [問卦]居家自主隔離但是叫熊貓，會不會有問題 2020-02-12 04:32:38
## 3    [新聞]雲林惡客狂棄訂單　20名熊貓外送員同時被 2020-02-12 06:55:35
## 4 Re:[新聞]雲林惡客狂棄訂單　20名熊貓外送員同時被 2020-02-12 07:18:12
## 5    [新聞]影／「黃千千」訂的！雲林foodpanda出現2 2020-02-12 08:11:26
## 6    [新聞]熊貓外送同時遭惡作劇　10餘外送員荒地「 2020-02-12 17:49:42
## 7      [新聞]取代人力！公主號乘客叫紅酒外送竟靠「 2020-02-12 18:08:37
## 8      [新聞]雲林foodpanda惡意棄單3天逾百件20外送 2020-02-12 19:16:03
##                                                     artUrl   word count
## 1 https://www.ptt.cc/bbs/Gossiping/M.1581508750.A.EA8.html   接觸     3
## 2 https://www.ptt.cc/bbs/Gossiping/M.1581511121.A.EBA.html  30CMG     1
## 3 https://www.ptt.cc/bbs/Gossiping/M.1581519697.A.431.html 外送員    15
## 4 https://www.ptt.cc/bbs/Gossiping/M.1581521054.A.E25.html 外送員     3
## 5 https://www.ptt.cc/bbs/Gossiping/M.1581524250.A.150.html 外送員    19
## 6 https://www.ptt.cc/bbs/Gossiping/M.1581558945.A.EC0.html 外送員     8
## 7 https://www.ptt.cc/bbs/Gossiping/M.1581560080.A.D65.html 無人機    13
## 8 https://www.ptt.cc/bbs/Gossiping/M.1581564129.A.B7C.html   訂餐    19

2月12日當天的文字雲

data_0212 <- order %>% 
  filter(artDate == as.Date('2020/02/12')) %>% 
  select(word,count) %>% 
  filter(!word %in% stop_words) %>%
  group_by(word) %>% 
  summarise(count = sum(count)) 
plot_0212 <- data_0212 %>% 
  filter(count>10) %>%   # 過濾出現太少次的字
  wordcloud2()

大事件：雲林客戶狂放棄訂單

order %>% 
  filter(artDate == as.Date('2020/02/12)')) %>%
  inner_join(LIWC) %>% 
  filter(sentiment == "negative") %>% 
  group_by(artUrl,sentiment) %>% 
  summarise(
    artTitle = artTitle[1],
    count = n()
  ) %>% 
  arrange(desc(count))

## Joining, by = "word"

## Warning: Column `word` joining character vector and factor, coercing into
## character vector

## # A tibble: 8 x 4
## # Groups:   artUrl [8]
##   artUrl                            sentiment artTitle                     count
##   <chr>                             <fct>     <chr>                        <int>
## 1 https://www.ptt.cc/bbs/Gossiping~ negative  [新聞]雲林惡客狂棄訂單　20名熊貓外送員同時被~    11
## 2 https://www.ptt.cc/bbs/Gossiping~ negative  [新聞]雲林foodpanda惡意棄單3天逾百件20外~    10
## 3 https://www.ptt.cc/bbs/Gossiping~ negative  [新聞]影／「黃千千」訂的！雲林foodpanda出現~     7
## 4 https://www.ptt.cc/bbs/Gossiping~ negative  [新聞]熊貓外送同時遭惡作劇　10餘外送員荒地「~     5
## 5 https://www.ptt.cc/bbs/Gossiping~ negative  [新聞]取代人力！公主號乘客叫紅酒外送竟靠「~     4
## 6 https://www.ptt.cc/bbs/Gossiping~ negative  Re:[新聞]雲林惡客狂棄訂單　20名熊貓外送員同時被~     2
## 7 https://www.ptt.cc/bbs/Gossiping~ negative  [問卦]被居家顆隔離時可以訂foodpanda嗎！~     1
## 8 https://www.ptt.cc/bbs/Gossiping~ negative  [問卦]居家自主隔離但是叫熊貓，會不會有問題~     1

order %>%
  filter(artDate == as.Date('2020/02/12')) %>% 
  inner_join(LIWC) %>%
  group_by(word,sentiment) %>%
  summarise(
    count = n()
  ) %>% data.frame() %>% 
  top_n(30,wt = count) %>%
  ungroup() %>% 
  mutate(word = reorder(word, count)) %>%
  ggplot(aes(word, count, fill = sentiment)) +
  geom_col(show.legend = FALSE) +
  facet_wrap(~sentiment, scales = "free_y") +
  labs(y = "Contribution to sentiment",
       x = NULL) +
  theme(text=element_text(size=14))+
  coord_flip()

## Joining, by = "word"

## Warning: Column `word` joining character vector and factor, coercing into
## character vector

2月12日前一天的文章

order %>% 
  filter(artDate %in% c(as.Date('2020/02/11'))) %>%
  inner_join(LIWC) %>% 
  filter(sentiment == "negative") %>% 
  group_by(artUrl,sentiment) %>% 
  summarise(
    artTitle = artTitle[1],
    count = n()
  ) %>% 
  arrange(desc(count))

## Joining, by = "word"

## Warning: Column `word` joining character vector and factor, coercing into
## character vector

## # A tibble: 4 x 4
## # Groups:   artUrl [4]
##   artUrl                            sentiment artTitle                     count
##   <chr>                             <fct>     <chr>                        <int>
## 1 https://www.ptt.cc/bbs/Gossiping~ negative  [新聞]勞資再戰！熊貓「變相砍薪、假承攬真雇傭~     4
## 2 https://www.ptt.cc/bbs/Gossiping~ negative  [問卦]吳柏毅怎不乘勝追擊打趴熊貓~     2
## 3 https://www.ptt.cc/bbs/Gossiping~ negative  Re:[新聞]勞資再戰！熊貓「變相砍薪、假承攬真雇傭~     1
## 4 https://www.ptt.cc/bbs/Gossiping~ negative  Re:[新聞]勞資再戰！熊貓「變相砍薪、假承攬真雇傭~     1

2月12日後一天的文章

order %>% 
  filter(artDate %in% c(as.Date('2020/02/13'))) %>%
  inner_join(LIWC) %>% 
  filter(sentiment == "negative") %>% 
  group_by(artUrl,sentiment) %>% 
  summarise(
    artTitle = artTitle[1],
    count = n()
  ) %>% 
  arrange(desc(count))

## Joining, by = "word"

## Warning: Column `word` joining character vector and factor, coercing into
## character vector

## # A tibble: 1 x 4
## # Groups:   artUrl [1]
##   artUrl                                  sentiment artTitle               count
##   <chr>                                   <fct>     <chr>                  <int>
## 1 https://www.ptt.cc/bbs/Gossiping/M.158~ negative  [問卦]台南ubereat現在還好跑嗎？~     2

看出惡意事件發生後人們對台南ubereat的就業前景產生了擔憂

V. TF-IDF

疫情爆發前期(1/21前)

order_before <- order %>% filter(artDate < "2020-01-21")

order_before  <- order_before  %>%
  filter(!str_detect(word, regex("[0-9]"))) %>%
  count(artTitle, word, sort = TRUE)

total_words <- order_before  %>% 
  group_by(artTitle) %>% 
  summarize(total = sum(n)) %>%
  arrange(desc(total))

order_before <- left_join(order_before, total_words)
total_words

## # A tibble: 1,534 x 2
##    artTitle                                       total
##    <chr>                                          <int>
##  1 Re:[新聞]勞檢認定foodpanda、UberEats假承攬真    1629
##  2 Re:[新聞]不甩勞動部！foodpanda：不接受僱傭關係  1091
##  3 Re:[新聞]外送員車禍foodpanda回應了               970
##  4 Re:[新聞]賣命！熊貓美食外送員遭撞慘死超驚悚畫    867
##  5 Re:[新聞]熊貓外送員「可以不要送上樓嗎」…她傻     820
##  6 Re:[新聞]勞動部認定Foodpanda、UberEats與外送     694
##  7 Re:[問卦]同意讓熊貓抽30%的店家在想什麼？         657
##  8 Re:[爆卦]外送員真的月入十萬呢呵呵呵              607
##  9 Re:[爆卦]勞動部認定熊貓跟ubereats是僱傭契約      556
## 10 Re:[問卦]熊貓出新招了這次連顧客一起承攬          532
## # ... with 1,524 more rows

order_tf_idf <- order_before %>%
  bind_tf_idf(word, artTitle, n)
order_tf_idf %>%
  filter(total > 20) %>%
  arrange(desc(tf_idf))

## # A tibble: 75,821 x 7
##    artTitle                              word        n total     tf   idf tf_idf
##    <chr>                                 <chr>   <int> <int>  <dbl> <dbl>  <dbl>
##  1 Re:[問卦]外送員車禍死了叫外送的會知道嗎？~ 人會        2    23 0.0870  4.24  0.369
##  2 [問卦]foodpanda免外送餐點縮水         天填        1    21 0.0476  7.34  0.349
##  3 [問卦]foodpanda免外送餐點縮水         王小華堡~     1    21 0.0476  7.34  0.349
##  4 [問卦]foodpanda免外送餐點縮水         王官        1    21 0.0476  7.34  0.349
##  5 [問卦]foodpanda免外送餐點縮水         兌換券      1    21 0.0476  7.34  0.349
##  6 [問卦]foodpanda免外送餐點縮水         周宜        1    21 0.0476  7.34  0.349
##  7 [問卦]foodpanda免外送餐點縮水         問券        1    21 0.0476  7.34  0.349
##  8 [問卦]foodpanda免外送餐點縮水         紫好        1    21 0.0476  7.34  0.349
##  9 [問卦]foodpanda免外送餐點縮水         號才        1    21 0.0476  7.34  0.349
## 10 [問卦]foodpanda免外送餐點縮水         網小華堡~     1    21 0.0476  7.34  0.349
## # ... with 75,811 more rows

order_before <- order %>% filter(artDate < "2020-01-21")

order_before  <- order_before  %>%
  filter(!str_detect(word, regex("[0-9]"))) %>%
  count(artDate, word, sort = TRUE)

total_words <- order_before  %>% 
  group_by(artDate) %>% 
  summarize(total = sum(n)) %>%
  arrange(desc(total))

order_before <- left_join(order_before, total_words)

order_tf_idf_date <- order_before %>%
  bind_tf_idf(word, artDate, n)
order_tf_idf_date %>%
  filter(total > 20) %>%
  arrange(desc(tf_idf))

## # A tibble: 66,433 x 7
##    artDate    word        n total     tf   idf tf_idf
##    <date>     <chr>   <int> <int>  <dbl> <dbl>  <dbl>
##  1 2019-12-27 火花        1    25 0.04    4.94  0.198
##  2 2019-12-27 完結        1    25 0.04    4.94  0.198
##  3 2019-12-27 完結篇      1    25 0.04    4.94  0.198
##  4 2019-12-27 起肖        1    25 0.04    4.94  0.198
##  5 2019-12-27 葉問        1    25 0.04    4.94  0.198
##  6 2019-12-27 擦出        1    25 0.04    4.94  0.198
##  7 2019-12-01 ZXKQYHP     1    28 0.0357  4.94  0.176
##  8 2019-12-01 心裏        1    28 0.0357  4.94  0.176
##  9 2019-12-01 樁腳        1    28 0.0357  4.94  0.176
## 10 2019-12-26 把車        1    28 0.0357  4.94  0.176
## # ... with 66,423 more rows

order_tf_idf_date %>%
  filter(artDate == as.Date("2019-10-10") | artDate == as.Date("2019-10-14")) %>% 
  group_by(artDate) %>%  
  top_n(1) %>% 
  arrange(artDate)

## # A tibble: 2 x 7
## # Groups:   artDate [2]
##   artDate    word       n total      tf   idf  tf_idf
##   <date>     <chr>  <int> <int>   <dbl> <dbl>   <dbl>
## 1 2019-10-10 撞死       5   965 0.00518  2.30 0.0119 
## 2 2019-10-14 勞健保    34 10074 0.00338  1.76 0.00595

疫情爆發後期(1/21後)

order_after <- order %>% filter(artDate >= "2020-01-21")

order_after  <- order_after  %>%
  filter(!str_detect(word, regex("[0-9]"))) %>%
  count(artTitle, word, sort = TRUE)

total_words <- order_after  %>% 
  group_by(artTitle) %>% 
  summarize(total = sum(n)) %>%
  arrange(desc(total))

order_after <- left_join(order_after, total_words)
total_words

## # A tibble: 398 x 2
##    artTitle                                     total
##    <chr>                                        <int>
##  1 Re:[爆卦]快自首，gogoro對外送員下最後通牒      327
##  2 Re:[爆卦]熊貓foodpanda薪水詳解                 261
##  3 [新聞]寧夏夜市靠外送突圍下一步要走向社交電     254
##  4 [新聞]雲林惡客狂棄訂單　20名熊貓外送員同時被   250
##  5 [新聞]影／「黃千千」訂的！雲林foodpanda出現2   247
##  6 [新聞]外送平台納紓困對象王婉諭：看不出迫切     231
##  7 Re:[問卦]給外送員的1單70是怎麼生出來的？       205
##  8 [新聞]飼主回不了家...武漢外送員代餵貓　開門    197
##  9 [新聞]應召女不能入台老雞頭想轉行送Ubereats     195
## 10 [新聞]Gogoro騎到飽禁商用「外送員遭罰萬元」！   194
## # ... with 388 more rows

order_tf_idf <- order_after %>%
  bind_tf_idf(word, artTitle, n)
order_tf_idf %>%
  filter(total > 20) %>%
  arrange(desc(tf_idf))

## # A tibble: 16,015 x 7
##    artTitle                             word         n total     tf   idf tf_idf
##    <chr>                                <chr>    <int> <int>  <dbl> <dbl>  <dbl>
##  1 [問卦]Ubereats是不是一支非常爛的廣告 三則         1    21 0.0476  5.99  0.285
##  2 [問卦]Ubereats是不是一支非常爛的廣告 小籠包       1    21 0.0476  5.99  0.285
##  3 [問卦]Ubereats是不是一支非常爛的廣告 米醋         1    21 0.0476  5.99  0.285
##  4 [問卦]Ubereats是不是一支非常爛的廣告 實用         1    21 0.0476  5.99  0.285
##  5 [問卦]Ubereats是不是一支非常爛的廣告 薑絲         1    21 0.0476  5.99  0.285
##  6 [問卦]Ubereats是不是一支非常爛的廣告 點鼎泰豐     1    21 0.0476  5.99  0.285
##  7 [問卦]Ubereats是不是一支非常爛的廣告 爛的         1    21 0.0476  5.99  0.285
##  8 [問卦]外送是不是防疫要注意的地方     回店裡       1    21 0.0476  5.99  0.285
##  9 [問卦]外送是不是防疫要注意的地方     這的         1    21 0.0476  5.99  0.285
## 10 [問卦]外送是不是防疫要注意的地方     備料         1    21 0.0476  5.99  0.285
## # ... with 16,005 more rows

order_after <- order %>% filter(artDate >= "2020-01-21")

order_after  <- order_after  %>%
  filter(!str_detect(word, regex("[0-9]"))) %>%
  count(artDate, word, sort = TRUE)

total_words <- order_after  %>% 
  group_by(artDate) %>% 
  summarize(total = sum(n)) %>%
  arrange(desc(total))

order_after <- left_join(order_after, total_words)

order_tf_idf_date <- order_after %>%
  bind_tf_idf(word, artDate, n)
order_tf_idf_date %>%
  filter(total > 20) %>%
  arrange(desc(tf_idf))

## # A tibble: 16,672 x 7
##    artDate    word       n total     tf   idf tf_idf
##    <date>     <chr>  <int> <int>  <dbl> <dbl>  <dbl>
##  1 2020-03-09 小氣       1    23 0.0435  4.50  0.196
##  2 2020-03-09 份量       1    23 0.0435  4.50  0.196
##  3 2020-03-09 吃同       1    23 0.0435  4.50  0.196
##  4 2020-03-09 吳博毅     1    23 0.0435  4.50  0.196
##  5 2020-03-09 超少       1    23 0.0435  4.50  0.196
##  6 2020-03-09 想會       1    23 0.0435  4.50  0.196
##  7 2020-03-09 過嗎       1    23 0.0435  4.50  0.196
##  8 2020-04-02 一笑       1    23 0.0435  4.50  0.196
##  9 2020-04-02 一袋       1    23 0.0435  4.50  0.196
## 10 2020-04-02 油膩       1    23 0.0435  4.50  0.196
## # ... with 16,662 more rows

order_tf_idf_date %>%
  filter(artDate == as.Date("2020-02-12") | artDate == as.Date("2020-04-16")) %>% 
  group_by(artDate) %>%  
  top_n(1) %>% 
  arrange(artDate)

## # A tibble: 6 x 7
## # Groups:   artDate [2]
##   artDate    word       n total      tf   idf tf_idf
##   <date>     <chr>  <int> <int>   <dbl> <dbl>  <dbl>
## 1 2020-02-12 斗六       4  1004 0.00398  4.50 0.0179
## 2 2020-02-12 斗六市     4  1004 0.00398  4.50 0.0179
## 3 2020-02-12 牛肉       4  1004 0.00398  4.50 0.0179
## 4 2020-02-12 車聚       4  1004 0.00398  4.50 0.0179
## 5 2020-02-12 惡搞       4  1004 0.00398  4.50 0.0179
## 6 2020-04-16 商用      10  1371 0.00729  2.71 0.0198

VI. 詞彙相關性分析

整體相關性分析

# 整理資料，挑出artUrl, word, count的欄位
data_word <- order %>% 
  select(artUrl, word, count)

# 計算共同出現的常見單詞對
word_pairs <- data_word %>%
  pairwise_count(word, artUrl, sort = TRUE)

# 計算兩個詞彙間的相關性
word_cors <- data_word%>%
  group_by(word) %>%
  filter(n() >= 20) %>%
  pairwise_cor(word, artUrl, sort = TRUE)

# 設定seed words，並將跟seed words相關性高於0.4的詞彙會被加入移除列表中，整理圖表
seed_words <- c("中時","問卦","時報","三立","聯合","聯合報","tvbs","life","前方","即時")
# 設定threshold爲0.4
threshold <- 0.4

remove_words <- word_cors %>%
                filter((item1 %in% seed_words|item2 %in% seed_words), correlation>threshold) %>%
                .$item1 %>%
                unique()

繪製出correlation > 0.4的圖

word_cors_new <- word_cors %>%
                filter(!(item1 %in% remove_words|item2 %in% remove_words))

word_cors_new %>%
  filter(correlation > 0.4) %>%
  graph_from_data_frame() %>%
  ggraph(layout = "fr") +
  geom_edge_link(aes(edge_alpha = correlation), show.legend = FALSE) + 
  geom_node_point(color = "lightblue", size = 3) +
  geom_node_text(aes(label = name), repel = TRUE) +
  theme_void()

可以看出討論的議題主要有：武漢肺炎、勞工關係、外送員的交通安全、薪資

疫情爆發前期(1/21前)相關性分析

# 整理資料，挑出artUrl, word, count的欄位
data_word <- order %>% 
  filter(artDate < "2020-01-21") %>% 
  select(artUrl, word, count)

# 計算共同出現的常見單詞對
word_pairs <- data_word %>%
  pairwise_count(word, artUrl, sort = TRUE)

# 計算兩個詞彙間的相關性
word_cors <- data_word%>%
  group_by(word) %>%
  filter(n() >= 20) %>%
  pairwise_cor(word, artUrl, sort = TRUE)

# 設定seed words，並將跟seed words相關性高於0.4的詞彙會被加入移除列表中，整理圖表
seed_words <- c("自由","中時","聯合報","政治","聯合")
# 設定threshold爲0.4
threshold <- 0.4
remove_words <- word_cors %>%
                filter((item1 %in% seed_words|item2 %in% seed_words), correlation>threshold) %>%
                .$item1 %>%
                unique()

繪製出correlation > 0.4的圖

word_cors_new <- word_cors %>%
                filter(!(item1 %in% remove_words|item2 %in% remove_words))

word_cors_new %>%
  filter(correlation > 0.4) %>%
  graph_from_data_frame() %>%
  ggraph(layout = "fr") +
  geom_edge_link(aes(edge_alpha = correlation), show.legend = FALSE) + 
  geom_node_point(color = "lightblue", size = 3) +
  geom_node_text(aes(label = name), repel = TRUE) +
  theme_void()

可以看出討論的議題少了武漢肺炎，但其他的議題與整體都差不多，幾乎都是勞工關係、外送員的交通安全、薪資

疫情爆發後期(1/21後)相關性分析

# 整理資料，挑出artUrl, word, count的欄位
data_word <- order %>% 
  filter(artDate > "2020-01-21") %>% 
  select(artUrl, word, count)

word_pairs <- data_word %>%
  pairwise_count(word, artUrl, sort = TRUE)

# 計算兩個詞彙間的相關性
word_cors <- data_word%>%
  group_by(word) %>%
  filter(n() >= 20) %>%
  pairwise_cor(word, artUrl, sort = TRUE)

繪製出correlation > 0.4的圖

word_cors %>%
  filter(correlation > 0.4) %>%
  graph_from_data_frame() %>%
  ggraph(layout = "fr") +
  geom_edge_link(aes(edge_alpha = correlation), show.legend = FALSE) + 
  geom_node_point(color = "lightblue", size = 3) +
  geom_node_text(aes(label = name), repel = TRUE) +
  theme_void()

可以看出疫情爆發後，肺炎相關的議題討論詞彙出現次數比較多且相關性較強

VII. 整體分析小結

整體而言，外送平台在這段時間討論聲量較高的新聞分別為：外送員車禍、外送員罷工、客戶惡意棄單與Gogoro騎到飽方案禁止商用。台灣爆發首例武漢肺炎確診的事件之後雖然有在PTT上針對外送平台引起新的議題，但討論聲量卻沒有非常高。

以詞彙關係圖與統計最常出現詞彙的結果來驗證，首例確診事件發生前的議題多數為勞工關係、外送員交通安全與薪資議題；確診事件發生後開始出現武漢肺炎的議題討論。

這些主要議題經由情緒分析後皆被視為「負面文章」。

五、Foodpanda和Ubereats分析

資料整理：UberEats

UberEats = c("ubereats","ubereat","Ubereat","UBEREATS","UberEATS","uberEATS")
order$word[which(order$word %in% UberEats)] = "UberEats"

#找出有UberEats的文章網址
ubereats_url = order$artUrl[grepl("UberEats", order$word)]
#依據網址找出有UberEats文章
ubereats_data <- order %>% 
  filter(order$artUrl %in% ubereats_url)

資料整理：Foodpanda

foodpanda = c("FoodPanda","FOODPANDA","Foodpanda","富胖達","food胖達","熊貓")
order$word[which(order$word %in%foodpanda)] = "foodpanda"
#找出有foodpanda的文章網址
foodpanda_url = order$artUrl[grepl("foodpanda", order$word)]
#依據網址找出有foodpanda文章
foodpanda_data <- order %>% 
  filter(order$artUrl %in% foodpanda_url)

I. 聲量比較

為了觀察台灣武漢肺炎爆發前後的聲量和情緒，資料區間避開2019/10月外送員車禍事件的聲量高峰期。

UberEats

1.UberEats聲量趨勢圖

ubereats_1031 <- ubereats_data %>% 
  filter(ubereats_data$artDate > as.Date("2019/10/31"))

ubereats_1031_day <- ubereats_1031 %>% 
  group_by(artDate) %>% 
  summarise(count = n()) %>% 
  arrange(desc(count))
ubereats_1031_day

## # A tibble: 77 x 2
##    artDate    count
##    <date>     <int>
##  1 2020-03-28   404
##  2 2019-11-08   290
##  3 2019-11-22   249
##  4 2020-04-18   234
##  5 2019-11-05   224
##  6 2019-11-11   213
##  7 2020-04-12   201
##  8 2019-11-14   199
##  9 2019-11-21   199
## 10 2020-04-15   181
## # ... with 67 more rows

由下面的趨勢圖可以看出，武漢肺炎爆發之後並沒有立即提高外送平台的討論聲量

day_1031_plot <- ubereats_1031_day %>% 
  ggplot(aes(x = artDate, y = count)) +
  geom_line(color = "purple", size = 1)  + 
  scale_x_date(labels = date_format("%Y/%m/%d")) +  
  geom_vline(xintercept = as.numeric(as.Date("2020-01-21"),col='red',size = 1))+
  ggtitle("ubereats 10/31後每日討論篇數") + 
  xlab("日期") + 
  ylab("數量")
day_1031_plot

2.前五多的文章日期

ubereats_1031_day %>% 
  top_n(5)

## Selecting by count

## # A tibble: 5 x 2
##   artDate    count
##   <date>     <int>
## 1 2020-03-28   404
## 2 2019-11-08   290
## 3 2019-11-22   249
## 4 2020-04-18   234
## 5 2019-11-05   224

ubereats_plot_top5 <- ubereats_1031 %>% 
  filter(artDate == as.Date("2019/11/08") | 
         artDate == as.Date("2019/11/22") | 
         artDate == as.Date("2020/03/28") |
         artDate == as.Date("2020/04/18") | 
         artDate == as.Date("2020/04/10")) %>% 
  group_by(artDate) %>% 
  top_n(5, count) %>% 
  ungroup() %>% 
  mutate(word = reorder(word, count)) %>%
  ggplot(aes(x=word, y=count, fill = artDate)) +
  geom_col(show.legend = FALSE) +
  labs(x = NULL, y = NULL) +
  facet_wrap(~artDate, scales="free", ncol = 3) + 
  coord_flip()
ubereats_plot_top5

ubereats_1031 %>% 
  filter(artDate == as.Date("2019/11/08") | 
         artDate == as.Date("2019/11/22") | 
         artDate == as.Date("2020/03/28") |
         artDate == as.Date("2020/04/10") | 
         artDate == as.Date("2020/04/18"))  %>% 
  distinct(artUrl, .keep_all = TRUE) %>% 
  select(artDate,artTitle,artUrl)

##      artDate                                     artTitle
## 1 2019-11-08  [新聞]50K主管「想要月薪10萬」賭氣離職當外送
## 2 2019-11-08 [新聞]消費者被剝皮？外送平台餐食費用多高於店
## 3 2019-11-22      [新聞]外送員車禍身亡1家罰500元1家罰不到
## 4 2019-11-22 [新聞]女大生重病在家超餓！外送員突按門鈴送餐
## 5 2020-03-28  [新聞]今年前二月機車肇事增加外送平台佔4.25%
## 6 2020-03-28   [新聞]寧夏夜市靠外送突圍下一步要走向社交電
## 7 2020-04-10    [新聞]5業者組外送國家隊救餐飲！UberEats、
## 8 2020-04-18                   [問卦]ubereats被盜刷四千元
## 9 2020-04-18               [新聞]外送員趴趴走憂成防疫破口
##                                                     artUrl
## 1 https://www.ptt.cc/bbs/Gossiping/M.1573204052.A.82C.html
## 2 https://www.ptt.cc/bbs/Gossiping/M.1573214540.A.679.html
## 3 https://www.ptt.cc/bbs/Gossiping/M.1574428391.A.B79.html
## 4 https://www.ptt.cc/bbs/Gossiping/M.1574445517.A.94B.html
## 5 https://www.ptt.cc/bbs/Gossiping/M.1585394042.A.C82.html
## 6 https://www.ptt.cc/bbs/Gossiping/M.1585410190.A.3CD.html
## 7 https://www.ptt.cc/bbs/Gossiping/M.1586514906.A.602.html
## 8 https://www.ptt.cc/bbs/Gossiping/M.1587171437.A.983.html
## 9 https://www.ptt.cc/bbs/Gossiping/M.1587215241.A.758.html

重點新聞摘要:
[武漢肺炎爆發前]
1.「想要月薪10萬」賭氣離職當外送員
2.未針對每一餐廳的商品（餐食）定價，揭露「店內價」、「非店內價」的商品資訊，且經過比對，各平台的部份餐廳其外送商品（餐食）的標價，確有出現高於店內消費價格的情形。
3.國慶連假陸續有兩名餐飲外送員車禍身亡，迫使勞動部勞檢並認定兩名外送員分別與美食平台業者Foodpanda、Uber
Eats為雇傭關係，業者依法應為外送員投保勞保與就業保險。但勞保局昨表示，Uber Eats是外商，在台僅有稅籍編號，非勞保強制投保單位，所以無法開罰；另一家Foodpanda則因該外送員僅到職兩天就身亡，試算後，也只能罰五百多元。

[武漢肺炎爆發後]
1.寧夏夜市靠外送突圍，下一步要走向社交電商:武漢肺炎疫情蔓延，寧夏夜市部分攤商業績卻在不景氣中增長3成，關鍵是外送平台是逆襲重要關鍵。不僅如此，也將與電商龍頭合作，估5月可正式走向網路平台。(寧夏夜市觀光協會理事長林定國)
2.今年一至二月機車肇事件數與死傷人數，較前三年增加，市長柯文哲當場質疑跟騎機車美食外送的外送員有關
3.經濟部祭2.65億補助1.2萬家餐飲及零售業者引入外送，昨5家本土業者組成國家隊，並自願將抽成砍半到15%甚至5%(utaway（賽米資訊）、有無外送、Foodomo（專聯科技）將原本25%到35%抽成降到15%；inline則直接僅抽5%；全球快遞過去每趟運送費為100元，也降低到75元。)。但兩大外送龍頭Ubereats、Foodpanda不約而同都未入列，經濟部揭露原因表示Uber eats正在申請投資許可，而Foodpanda有申請但正在審查中，但也鼓勵國內外所有外送平台都願意降低抽成比例，一起組建外送國家隊。
4.陳時中表示，外送員及郵遞員確實有風險，如何做到不接觸又可以送達、簽收及取款是努力的方向，但仍不考慮對居家檢疫及隔離者做標注。

Foodpanda

1.Foodpanda聲量趨勢圖

foodpanda_1031 <- foodpanda_data %>% 
  filter(foodpanda_data$artDate > as.Date("2019/10/31"))

foodpanda_1031_day <- foodpanda_1031 %>% 
  group_by(artDate) %>% 
  summarise(count = n()) %>% 
  arrange(desc(count))
foodpanda_1031_day

## # A tibble: 136 x 2
##    artDate    count
##    <date>     <int>
##  1 2020-02-12   815
##  2 2020-01-15   799
##  3 2020-01-16   658
##  4 2020-01-18   617
##  5 2020-01-13   616
##  6 2019-11-09   584
##  7 2019-12-05   530
##  8 2019-11-08   504
##  9 2020-04-18   447
## 10 2020-02-14   419
## # ... with 126 more rows

foodpanda_day_1031_plot <- foodpanda_1031_day %>% 
  ggplot(aes(x = artDate, y = count)) +
  geom_line(color = "purple", size = 1)  + 
  scale_x_date(labels = date_format("%Y/%m/%d")) +  
  geom_vline(xintercept = as.numeric(as.Date("2020-01-21"),col='red',size = 1))+
  ggtitle("Foodpanda 10/31後每日討論篇數") + 
  xlab("日期") + 
  ylab("數量")
foodpanda_day_1031_plot

2.前五多的文章日期

foodpanda_1031_day %>% 
  top_n(5)

## Selecting by count

## # A tibble: 5 x 2
##   artDate    count
##   <date>     <int>
## 1 2020-02-12   815
## 2 2020-01-15   799
## 3 2020-01-16   658
## 4 2020-01-18   617
## 5 2020-01-13   616

foodpanda_plot_top5 <- foodpanda_1031 %>% 
  filter(artDate == as.Date("2019/11/08") | 
         artDate == as.Date("2019/12/05") | 
         artDate == as.Date("2020/01/15") |
         artDate == as.Date("2020/02/12") | 
         artDate == as.Date("2020/04/18")) %>% 
  group_by(artDate) %>% 
  top_n(10, count) %>% 
  ungroup() %>% 
  mutate(word = reorder(word, count)) %>%
  ggplot(aes(x=word, y=count, fill = artDate)) +
  geom_col(show.legend = FALSE) +
  labs(x = NULL, y = NULL) +
  facet_wrap(~artDate, scales="free", ncol = 3) + 
  coord_flip()
foodpanda_plot_top5

foodpanda_1031 %>% 
  filter(artDate == as.Date("2019/11/08") | 
         artDate == as.Date("2019/12/05") | 
         artDate == as.Date("2020/01/15") |
         artDate == as.Date("2020/02/12") | 
         artDate == as.Date("2020/04/18"))  %>% 
  distinct(artUrl, .keep_all = TRUE) %>% 
  select(artDate,artTitle,artUrl)

##       artDate                                                      artTitle
## 1  2019-11-08                  [新聞]消費者被剝皮？外送平台餐食費用多高於店
## 2  2019-11-08                          [問卦]有沒有當外送可以進正妹家的卦？
## 3  2019-11-08                           [問卦]板上有人沒用過foodpanda的嗎？
## 4  2019-11-08                        Re:[問卦]板上有人沒用過foodpanda的嗎？
## 5  2019-11-08                        Re:[問卦]板上有人沒用過foodpanda的嗎？
## 6  2019-11-08                             Re:[新聞]王思聰旗下熊貓直播傳破產
## 7  2019-11-08                        Re:[問卦]板上有人沒用過foodpanda的嗎？
## 8  2019-12-05                                        [問卦]天冷熊貓還跑嗎？
## 9  2019-12-05                  [新聞]不滿外送員沒零錢面膜女爆打外送員抓下體
## 10 2019-12-05                              Re:[問卦]下雨天點外送是不是很爽?
## 11 2019-12-05 [新聞]比熊貓還稀有！蘇格蘭野貓全球剩400隻　2022年首度野放大自
## 12 2019-12-05                               [問卦]foodpanda是不是快不行了？
## 13 2019-12-05                                [問卦]好想和女熊貓做愛，怎辦？
## 14 2019-12-05                   [新聞]foodpanda刪除外送員評鑑制度　留獎勵機
## 15 2020-01-15                              [問卦]熊貓明天罷工，大家會怕嗎？
## 16 2020-01-15                                  [問卦]熊貓有必要自相殘殺嗎？
## 17 2020-01-15                               Re:[問卦]熊貓有必要自相殘殺嗎？
## 18 2020-01-15                              [問卦]可憐哪！熊貓外送師被砍獎金
## 19 2020-01-15                                      [問卦]熊貓開始罷工了嗎？
## 20 2020-01-15                          Re:[問卦]欸欸欸!聽說台灣今天熊貓罷工
## 21 2020-01-15                            [問卦]熊貓外送罷工有人被影響到嗎？
## 22 2020-01-15                                      [問卦]今天中午能定熊貓嗎
## 23 2020-01-15                                   Re:[問卦]今天中午能定熊貓嗎
## 24 2020-01-15                  [新聞]控「年前毀約」！台中60名熊貓外送員市府
## 25 2020-01-15        [新聞]熊貓今罷送最多慢1小時…外送員：萬人響應卻無人棄單
## 26 2020-01-15                     [新聞]foodpanda罷工實測！點餐後30分就拿到
## 27 2020-01-15     Re:[新聞]熊貓今罷送最多慢1小時…外送員：萬人響應卻無人棄單
## 28 2020-01-15     Re:[新聞]熊貓今罷送最多慢1小時…外送員：萬人響應卻無人棄單
## 29 2020-01-15                    [新聞]熊貓變更計薪制度內湖外送員控「變相減
## 30 2020-01-15                        [問卦]社會上為何充滿仇視外送員的八卦？
## 31 2020-02-12                    [問卦]居家自主隔離但是叫熊貓，會不會有問題
## 32 2020-02-12                  [新聞]雲林惡客狂棄訂單　20名熊貓外送員同時被
## 33 2020-02-12                  [新聞]影／「黃千千」訂的！雲林foodpanda出現2
## 34 2020-02-12                  [新聞]熊貓外送同時遭惡作劇　10餘外送員荒地「
## 35 2020-02-12                    [新聞]雲林foodpanda惡意棄單3天逾百件20外送
## 36 2020-04-18                                [問卦]為何跑熊貓會被人看不起？
## 37 2020-04-18                                    [問卦]熊貓外送年齡變高了？
## 38 2020-04-18                                 Re:[問卦]熊貓外送年齡變高了？
## 39 2020-04-18                    [問卦]有沒有叫熊貓，發現送來的是鄰居的八卦
## 40 2020-04-18                                [新聞]外送員趴趴走憂成防疫破口
## 41 2020-04-18                    [新聞]熊貓王姓外送員騎機車與汽車碰撞王男受
## 42 2020-04-18                    [新聞]驚險！熊貓外送員撞車「慘成火球」　客
##                                                      artUrl
## 1  https://www.ptt.cc/bbs/Gossiping/M.1573214540.A.679.html
## 2  https://www.ptt.cc/bbs/Gossiping/M.1573218796.A.F5B.html
## 3  https://www.ptt.cc/bbs/Gossiping/M.1573274499.A.41D.html
## 4  https://www.ptt.cc/bbs/Gossiping/M.1573278564.A.8E1.html
## 5  https://www.ptt.cc/bbs/Gossiping/M.1573278855.A.090.html
## 6  https://www.ptt.cc/bbs/Gossiping/M.1573279890.A.61F.html
## 7  https://www.ptt.cc/bbs/Gossiping/M.1573281732.A.508.html
## 8  https://www.ptt.cc/bbs/Gossiping/M.1575535036.A.FFB.html
## 9  https://www.ptt.cc/bbs/Gossiping/M.1575543109.A.D93.html
## 10 https://www.ptt.cc/bbs/Gossiping/M.1575544655.A.8C3.html
## 11 https://www.ptt.cc/bbs/Gossiping/M.1575561309.A.116.html
## 12 https://www.ptt.cc/bbs/Gossiping/M.1575562455.A.17B.html
## 13 https://www.ptt.cc/bbs/Gossiping/M.1575604895.A.1A7.html
## 14 https://www.ptt.cc/bbs/Gossiping/M.1575614882.A.A04.html
## 15 https://www.ptt.cc/bbs/Gossiping/M.1579084393.A.F0D.html
## 16 https://www.ptt.cc/bbs/Gossiping/M.1579088242.A.94B.html
## 17 https://www.ptt.cc/bbs/Gossiping/M.1579088784.A.D87.html
## 18 https://www.ptt.cc/bbs/Gossiping/M.1579106822.A.063.html
## 19 https://www.ptt.cc/bbs/Gossiping/M.1579129029.A.890.html
## 20 https://www.ptt.cc/bbs/Gossiping/M.1579133047.A.48D.html
## 21 https://www.ptt.cc/bbs/Gossiping/M.1579138472.A.14A.html
## 22 https://www.ptt.cc/bbs/Gossiping/M.1579138944.A.272.html
## 23 https://www.ptt.cc/bbs/Gossiping/M.1579139900.A.F7E.html
## 24 https://www.ptt.cc/bbs/Gossiping/M.1579151065.A.23C.html
## 25 https://www.ptt.cc/bbs/Gossiping/M.1579152088.A.C9B.html
## 26 https://www.ptt.cc/bbs/Gossiping/M.1579154317.A.E0C.html
## 27 https://www.ptt.cc/bbs/Gossiping/M.1579154864.A.DC6.html
## 28 https://www.ptt.cc/bbs/Gossiping/M.1579155632.A.F04.html
## 29 https://www.ptt.cc/bbs/Gossiping/M.1579157340.A.3DA.html
## 30 https://www.ptt.cc/bbs/Gossiping/M.1579159400.A.B4D.html
## 31 https://www.ptt.cc/bbs/Gossiping/M.1581511121.A.EBA.html
## 32 https://www.ptt.cc/bbs/Gossiping/M.1581519697.A.431.html
## 33 https://www.ptt.cc/bbs/Gossiping/M.1581524250.A.150.html
## 34 https://www.ptt.cc/bbs/Gossiping/M.1581558945.A.EC0.html
## 35 https://www.ptt.cc/bbs/Gossiping/M.1581564129.A.B7C.html
## 36 https://www.ptt.cc/bbs/Gossiping/M.1587177122.A.D43.html
## 37 https://www.ptt.cc/bbs/Gossiping/M.1587180542.A.8BE.html
## 38 https://www.ptt.cc/bbs/Gossiping/M.1587205233.A.519.html
## 39 https://www.ptt.cc/bbs/Gossiping/M.1587205611.A.A47.html
## 40 https://www.ptt.cc/bbs/Gossiping/M.1587215241.A.758.html
## 41 https://www.ptt.cc/bbs/Gossiping/M.1587225472.A.E42.html
## 42 https://www.ptt.cc/bbs/Gossiping/M.1587225632.A.ED6.html

重點新聞摘要:
[武漢肺炎爆發前]
1.[問卦] foodpanda是不是快不行了？:免運取消加上合作餐廳數量減少
2.台灣熊貓罷工

[武漢肺炎爆發後]
1.居家自主隔離但是叫熊貓，會不會有問題
2.外送平台「foodpanda」近來正夯，雲林縣斗六市外送員們之間流傳，從10日開始連續三天遭惡意大量訂餐，外送員找不到訂餐者，甚至遭惡整到荒郊野外，三天已有上百件惡意棄單，粗估3天來總訂餐費用已逾7萬元，讓外送員們直呼做白工，並希望惡作劇快落幕。
3.[新聞]外送員趴趴走憂成防疫破口
4.[新聞]驚險！熊貓外送員撞車「慘成火球」

II. 情緒比較

以LIWC字典統計每天的文章正面字的次數與負面字的次數

UberEats

1.情緒趨勢圖

ubereats_sentiment_count = ubereats_1031 %>%
  select(artDate,word,count) %>%
  inner_join(LIWC) %>% 
  group_by(artDate,sentiment) %>%
  summarise(count=sum(count))

## Joining, by = "word"

## Warning: Column `word` joining character vector and factor, coercing into
## character vector

ubereats_sentiment_count %>%
  ggplot()+
  geom_line(aes(x=artDate,y=count,colour=sentiment))+
  scale_x_date(labels = date_format("%m/%d")) +
  geom_vline(aes(xintercept = as.numeric(artDate[which(ubereats_sentiment_count$artDate == as.Date('2019/11/25'))[1]])),colour = "red") +
  geom_vline(aes(xintercept = as.numeric(artDate[which(ubereats_sentiment_count$artDate == as.Date('2020/03/28'))[1]])),colour = "red") +
  geom_vline(aes(xintercept = as.numeric(artDate[which(ubereats_sentiment_count$artDate == as.Date('2020/04/18'))[1]])),colour = "blue") +
  geom_vline(aes(xintercept = as.numeric(artDate[which(ubereats_sentiment_count$artDate == as.Date('2019/11/14'))[1]])),colour = "blue")

ubereats_sentiment_count %>% 
  arrange(desc(count))

## # A tibble: 102 x 3
## # Groups:   artDate [61]
##    artDate    sentiment count
##    <date>     <fct>     <int>
##  1 2020-03-28 positive     16
##  2 2019-11-25 positive     15
##  3 2020-04-10 positive     14
##  4 2020-04-18 negative     13
##  5 2019-11-27 positive     11
##  6 2020-04-12 negative     11
##  7 2020-04-21 negative     11
##  8 2019-11-14 negative     10
##  9 2019-11-05 positive      9
## 10 2019-11-08 negative      9
## # ... with 92 more rows

2.正面情緒高峰

ubereats_1031 %>% 
  filter(artDate == as.Date("2019/11/25") |
         artDate == as.Date("2020/03/28") )  %>% 
  distinct(artUrl, .keep_all = TRUE) %>% 
  select(artDate,artTitle)

##      artDate                                    artTitle
## 1 2019-11-25        [新聞]吃得苦中苦外送員月薪打趴上班族
## 2 2020-03-28 [新聞]今年前二月機車肇事增加外送平台佔4.25%
## 3 2020-03-28  [新聞]寧夏夜市靠外送突圍下一步要走向社交電

[武漢肺炎前] 1. 薪資探討

[武漢肺炎後] 1. 車禍預期增加？ 2. 寧夏夜市靠外送突圍

3.負面情緒高峰

ubereats_1031 %>% 
  filter(artDate == as.Date("2019/11/14") |
         artDate == as.Date("2020/04/18") ) %>% 
  distinct(artUrl, .keep_all = TRUE) %>% 
  select(artDate,artTitle)

##      artDate                                   artTitle
## 1 2019-11-14    Re:[問卦]UberEats有限制一定要用機車嗎？
## 2 2019-11-14 [新聞]UBEREATS送餐員撞傷女騎士業務過失傷害
## 3 2020-04-18                 [問卦]ubereats被盜刷四千元
## 4 2020-04-18             [新聞]外送員趴趴走憂成防疫破口

[武漢肺炎前] 車禍議題

[武漢肺炎後] 外送員是否會造成防疫破口

4.與疫情相關的文章

covid <- c("防疫","疫情","檢疫","居家","檢疫","武漢","肺炎","武漢肺炎","COVID-19","covid-19","COVID19","covid19")
data_ubereats_co <- ubereats_data %>% 
  filter(ubereats_data$word %in% covid) %>% 
  distinct(artUrl, .keep_all = TRUE) %>% 
  select(artTitle,artDate,word,count)
data_ubereats_co

##                                       artTitle    artDate word count
## 1   [問卦]外送人員是不是武漢肺炎的高風險職業？ 2020-01-28 居家     1
## 2          [問卦]這波疫情會讓外送平台發大財嗎? 2020-02-04 疫情     1
## 3    [問卦]Ubereat外送員說他有送過隔離的人怎辦 2020-02-09 居家     1
## 4              [問卦]台南ubereat現在還好跑嗎？ 2020-02-13 武漢     1
## 5          Re:[問卦]外送員會不會變成防疫破口？ 2020-03-25 居家     5
## 6  [新聞]今年前二月機車肇事增加外送平台佔4.25% 2020-03-28 武漢     1
## 7   [新聞]寧夏夜市靠外送突圍下一步要走向社交電 2020-03-28 疫情     7
## 8    [新聞]5業者組外送國家隊救餐飲！UberEats、 2020-04-10 疫情     3
## 9   [新聞]外送員慘了！Gogoro嚴查違規車強制升級 2020-04-15 肺炎     1
## 10      [新聞]點餐平台不提供口罩外送員自抗風險 2020-04-17 防疫     4
## 11              [新聞]外送員趴趴走憂成防疫破口 2020-04-18 居家     4
## 12  [新聞]UberEats的復仇！早餐店嗆：嘴巴閉閉乖 2020-04-21 疫情     1

Foodpanda

1.情緒趨勢圖

foodpanda_sentiment_count = foodpanda_1031 %>%
  select(artDate,word,count) %>%
  inner_join(LIWC) %>% 
  group_by(artDate,sentiment) %>%
  summarise(count=sum(count))

## Joining, by = "word"

## Warning: Column `word` joining character vector and factor, coercing into
## character vector

foodpanda_sentiment_count %>%
  ggplot()+
  geom_line(aes(x=artDate,y=count,colour=sentiment))+
  scale_x_date(labels = date_format("%m/%d")) +
  geom_vline(aes(xintercept = as.numeric(artDate[which(foodpanda_sentiment_count$artDate == as.Date('2020/02/12'))[1]])),colour = "blue") +
  geom_vline(aes(xintercept = as.numeric(artDate[which(foodpanda_sentiment_count$artDate == as.Date('2020/01/15'))[1]])),colour = "blue") +
  geom_vline(aes(xintercept = as.numeric(artDate[which(foodpanda_sentiment_count$artDate == as.Date('2020/04/10'))[1]])),colour = "red") +
  geom_vline(aes(xintercept = as.numeric(artDate[which(foodpanda_sentiment_count$artDate == as.Date('2019/11/09'))[1]])),colour = "blue")

foodpanda_sentiment_count %>% 
  arrange(desc(count))

## # A tibble: 202 x 3
## # Groups:   artDate [116]
##    artDate    sentiment count
##    <date>     <fct>     <int>
##  1 2020-02-12 negative     73
##  2 2020-01-15 negative     49
##  3 2020-04-10 positive     34
##  4 2020-01-15 positive     29
##  5 2019-11-09 negative     27
##  6 2019-11-29 positive     27
##  7 2019-12-13 negative     27
##  8 2020-01-13 positive     27
##  9 2019-11-09 positive     25
## 10 2020-01-13 negative     24
## # ... with 192 more rows

2.正面情緒高峰

foodpanda_1031 %>% 
  filter(artDate == as.Date("2020/04/10"))  %>% 
  distinct(artUrl, .keep_all = TRUE) %>% 
  select(artDate,artTitle)

##      artDate                                    artTitle
## 1 2020-04-10 [新聞]安心配送再升級！foodpanda發萬瓶酒精給
## 2 2020-04-10   [新聞]5業者組外送國家隊救餐飲！UberEats、
## 3 2020-04-10              [問卦]外送員也適用紓困方案嗎？

[武漢肺炎後] 1. 外送平台公司的防疫措施 2. 政府政策 3. 外送員也適用紓困方案嗎？

3.負面情緒高峰

foodpanda_1031 %>% 
  filter(artDate == as.Date("2020/02/12") |
         artDate == as.Date("2020/01/15") |
         artDate == as.Date("2019/11/09") ) %>% 
  distinct(artUrl, .keep_all = TRUE) %>% 
  select(artDate,artTitle)

##       artDate                                                  artTitle
## 1  2019-11-09                         Re:[新聞]王思聰旗下熊貓直播傳破產
## 2  2019-11-09                    Re:[問卦]板上有人沒用過foodpanda的嗎？
## 3  2019-11-09                [新聞]foodpanda下班逛東區百貨…樓管「禁現樓
## 4  2019-11-09                    [問卦]熊貓是不是解決了生活機能問題啊？
## 5  2019-11-09                 Re:[問卦]熊貓是不是解決了生活機能問題啊？
## 6  2019-11-09                               [問卦]有沒有foodpanda的卦？
## 7  2020-01-15                          [問卦]熊貓明天罷工，大家會怕嗎？
## 8  2020-01-15                              [問卦]熊貓有必要自相殘殺嗎？
## 9  2020-01-15                           Re:[問卦]熊貓有必要自相殘殺嗎？
## 10 2020-01-15                          [問卦]可憐哪！熊貓外送師被砍獎金
## 11 2020-01-15                                  [問卦]熊貓開始罷工了嗎？
## 12 2020-01-15                      Re:[問卦]欸欸欸!聽說台灣今天熊貓罷工
## 13 2020-01-15                        [問卦]熊貓外送罷工有人被影響到嗎？
## 14 2020-01-15                                  [問卦]今天中午能定熊貓嗎
## 15 2020-01-15                               Re:[問卦]今天中午能定熊貓嗎
## 16 2020-01-15              [新聞]控「年前毀約」！台中60名熊貓外送員市府
## 17 2020-01-15    [新聞]熊貓今罷送最多慢1小時…外送員：萬人響應卻無人棄單
## 18 2020-01-15                 [新聞]foodpanda罷工實測！點餐後30分就拿到
## 19 2020-01-15 Re:[新聞]熊貓今罷送最多慢1小時…外送員：萬人響應卻無人棄單
## 20 2020-01-15 Re:[新聞]熊貓今罷送最多慢1小時…外送員：萬人響應卻無人棄單
## 21 2020-01-15                [新聞]熊貓變更計薪制度內湖外送員控「變相減
## 22 2020-01-15                    [問卦]社會上為何充滿仇視外送員的八卦？
## 23 2020-02-12                [問卦]居家自主隔離但是叫熊貓，會不會有問題
## 24 2020-02-12              [新聞]雲林惡客狂棄訂單　20名熊貓外送員同時被
## 25 2020-02-12              [新聞]影／「黃千千」訂的！雲林foodpanda出現2
## 26 2020-02-12              [新聞]熊貓外送同時遭惡作劇　10餘外送員荒地「
## 27 2020-02-12                [新聞]雲林foodpanda惡意棄單3天逾百件20外送

[武漢肺炎前] 罷工議題

[武漢肺炎後] 1. 居家自主隔離但是叫熊貓 2. 雲林集體棄單

4.與疫情相關的文章

covid <- c("防疫","疫情","檢疫","居家","檢疫","武漢","肺炎","武漢肺炎","COVID-19","covid-19","COVID19","covid19")
data_foodpanda_co <- foodpanda_data %>% 
  filter(foodpanda_data$word %in% covid) %>% 
  distinct(artUrl, .keep_all = TRUE) %>% 
  select(artTitle,artDate,word,count)
data_foodpanda_co

##                                                         artTitle    artDate
## 1                                           [問卦]熊貓仔要正名!! 2019-10-16
## 2                     [問卦]外送人員是不是武漢肺炎的高風險職業？ 2020-01-28
## 3                             [問卦]還沒提供外送的店家在想什麼？ 2020-01-30
## 4                            [問卦]這波疫情會讓外送平台發大財嗎? 2020-02-04
## 5                               [問卦]吳柏毅怎不乘勝追擊打趴熊貓 2020-02-11
## 6                     [問卦]居家自主隔離但是叫熊貓，會不會有問題 2020-02-12
## 7                           [問卦]熊貓、吳博弈外送怎麼都不見了?? 2020-02-28
## 8                    [新聞]外送員不爽上樓！朝女兒「咳嗽噴口水」… 2020-03-01
## 9                     [新聞]熊貓免運加麥當勞超殺優惠網友狂買「25 2020-03-08
## 10                                    [問卦]居家隔離該選哪間外送 2020-03-20
## 11 [新聞]「爆兇」嫩妹居家檢疫落跑買飯　蘆洲警問怎不叫外送…她奶聲 2020-03-23
## 12                   [新聞]foodpanda啟動「全台店家紓困轉型專案」 2020-03-27
## 13                    [新聞]寧夏夜市靠外送突圍下一步要走向社交電 2020-03-28
## 14                    [新聞]免費幫投保！熊貓外送員「染疫可領1萬5 2020-03-31
## 15                  [新聞]咳嗽女現金放門外付款！外送員不安「在隔 2020-04-06
## 16                  [新聞]沒遊客才能放鬆！香港熊貓睽違九年首自然 2020-04-09
## 17                   [新聞]安心配送再升級！foodpanda發萬瓶酒精給 2020-04-10
## 18                     [新聞]5業者組外送國家隊救餐飲！UberEats、 2020-04-10
## 19                                [問卦]外送員也適用紓困方案嗎？ 2020-04-10
## 20                            [問卦]熊貓的處置需不需要超前部屬？ 2020-04-15
## 21                     Re:[問卦]騎gogoro吃到飽方案外送被罰死怎辦 2020-04-16
## 22                        [新聞]點餐平台不提供口罩外送員自抗風險 2020-04-17
## 23                                [新聞]外送員趴趴走憂成防疫破口 2020-04-18
##    word count
## 1  居家     1
## 2  居家     1
## 3  武漢     1
## 4  疫情     1
## 5  肺炎     1
## 6  居家     1
## 7  武漢     1
## 8  武漢     1
## 9  疫情     2
## 10 居家     1
## 11 檢疫     9
## 12 肺炎     1
## 13 疫情     7
## 14 防疫     6
## 15 居家     3
## 16 疫情     1
## 17 防疫     1
## 18 疫情     3
## 19 疫情     1
## 20 疫情     1
## 21 疫情     1
## 22 防疫     4
## 23 居家     4

討論議題重點擷取
[相關議題探討]
1.外送員為高風險族群、點餐平台不提供口罩外送員自抗風險
2.這波疫情會讓外送平台發大財嗎?
3.免費幫投保！熊貓外送員「染疫可領1萬5補償金」 2個月內有上線
4.安心配送再升級！foodpanda發萬瓶酒精

[產業結盟] 1.foodpanda啟動全台店家紓困轉型專案2.業者組外送國家隊救餐飲！ 3.外送員也適用紓困方案嗎？

III. 兩大平台交叉比較

聲量趨勢:在PTT的媒體上，Foodpanda的聲量普遍高於UberEats，能是因為Foodpanda的使用者較多，且近期有較多被討論的議題(重大車禍、勞雇關係和罷工等)，這也影響了情緒的表現上Foodpanda的起伏會有較大的高低落差。

foodpanda_1031_day<- foodpanda_1031_day%>% mutate(Brand="panda")
ubereats_1031_day<- ubereats_1031_day%>% mutate(Brand="ubereats")
volume<-bind_rows(foodpanda_1031_day,ubereats_1031_day)%>%
  ggplot(aes(x = artDate, y = count)) +
  geom_line(aes(color = Brand), size = 0.5)+ 
  scale_x_date(labels = date_format("%m/%d"))+ 
  ggtitle("品牌聲量比較") 
volume

1.正面情緒趨勢

foodpanda_sentiment_count_p<-foodpanda_sentiment_count %>% filter(sentiment=="positive") %>% mutate(Brand="panda")

ubereats_sentiment_count_p<-ubereats_sentiment_count %>% filter(sentiment=="positive") %>% mutate(Brand="ubereats")

sentiment_p<-bind_rows(foodpanda_sentiment_count_p,ubereats_sentiment_count_p)%>%
  ggplot(aes(x = artDate, y = count)) +
  geom_line(aes(color = Brand), size = 0.5)+ 
  scale_x_date(labels = date_format("%m/%d"))+
  geom_vline(aes(xintercept = as.numeric(artDate[which(foodpanda_sentiment_count_p$artDate == as.Date('2020/04/10'))[1]])),colour = "red")+
  geom_vline(aes(xintercept = as.numeric(artDate[which(foodpanda_sentiment_count_p$artDate == as.Date('2020/03/31'))[1]])),colour = "red")+ 
  geom_vline(aes(xintercept = as.numeric(artDate[which(foodpanda_sentiment_count_p$artDate == as.Date('2020/03/28'))[1]])),colour = "blue") +
  ggtitle("正情緒趨勢比較") 
sentiment_p

1.’2020/03/31’:免費幫投保 2.’2020/04/10’:foodpanda發萬瓶酒精[ubereats]: 1.’2020/03/28’:寧夏夜市靠外送突圍

2.負情緒趨勢

foodpanda_sentiment_count_n<-foodpanda_sentiment_count %>% filter(sentiment=="negative") %>% mutate(Brand="panda")

ubereats_sentiment_count_n<-ubereats_sentiment_count %>% filter(sentiment=="negative") %>% mutate(Brand="ubereats")

sentiment_n<-bind_rows(foodpanda_sentiment_count_n,ubereats_sentiment_count_n)%>%
  ggplot(aes(x = artDate, y = count)) +
  geom_line(aes(color = Brand), size = 0.5)+ 
  scale_x_date(labels = date_format("%m/%d"))+
  geom_vline(aes(xintercept = as.numeric(artDate[which(foodpanda_sentiment_count_n$artDate == as.Date('2020/02/12'))[1]])),colour = "blue") +
  geom_vline(aes(xintercept = as.numeric(artDate[which(foodpanda_sentiment_count_n$artDate == as.Date('2020/01/15'))[1]])),colour = "blue")+ 
  ggtitle("負正情緒趨勢比較") 
sentiment_n

foodpanda 1.’2020/01/15’:熊貓罷工 2.’2020/02/12’:雲林foodpanda惡意棄單

IV. 兩大平台分析小結

武漢肺炎爆發後雖然外送平台的使用率上升，但在ptt的討論上聲量並沒有立即增加

討論議題逐漸浮出(紓困方案、產業合作和交通安全等)

通常與政府議題相關報導會反映出較為正向的情緒

與疫情相關的文章，通常不會有較大的情緒表現，若有通常偏正向情緒

六、總結

綜合上述的觀察後，我們發現雖然外送平台訂單量隨著武漢肺炎的爆發使用量大幅上升，但在PTT討論版中並沒有馬上引起相關討論，而是到三月中才開始出現與武漢肺炎相關的新聞(主要的議題聲量仍在「交通安全」、「勞資」與「罷工」等議題)，報導外送平台替防疫中的用戶帶來的方便與好處，以我們選用的LIWC字典分析，也很少在文章中定義出情緒表現。

武漢肺炎對外送產業的影響分析

2020/04/26

一、動機與分析目的

二、資料集描述

三、前置作業

資料取得及套件載入

安裝所需 Packages

載入所需 Packages與資料

四、整體分析

I. 日期折線圖

討論文章數最多的10天

繪製日期折線圖

找出討論聲量高的議題

II. 文字雲

詞頻最高的前二十名

確診首例出現前的文字雲

確診首例出現後的文字雲

III. 長條圖

疫情爆發前後出現詞彙的差別

IV. 情緒分析

確診首例出現之前的情緒

10月10日當天的「負面」文章

10月10日前後的「負面」文章

外送事故文章的時間點

其他時間點的情緒分析

確診首例出現之後的情緒

大事件：雲林客戶狂放棄訂單

2月12日前一天的文章

2月12日後一天的文章

V. TF-IDF

疫情爆發前期(1/21前)

疫情爆發後期(1/21後)

VI. 詞彙相關性分析

整體相關性分析

疫情爆發前期(1/21前)相關性分析

疫情爆發後期(1/21後)相關性分析

VII. 整體分析小結

五、Foodpanda和Ubereats分析

I. 聲量比較

UberEats

1.UberEats聲量趨勢圖

2.前五多的文章日期

Foodpanda

1.Foodpanda聲量趨勢圖

2.前五多的文章日期

II. 情緒比較

UberEats

1.情緒趨勢圖

2.正面情緒高峰

3.負面情緒高峰

4.與疫情相關的文章

Foodpanda

1.情緒趨勢圖

2.正面情緒高峰

3.負面情緒高峰

4.與疫情相關的文章

III. 兩大平台交叉比較

1.正面情緒趨勢

2.負情緒趨勢

IV. 兩大平台分析小結

六、總結