Extraccion de Tweets

La cantidad de Twits que circulan en la red, son una fuente de informacion muy valiosa, es por ello, que se han desarrollado tecnicas para lograr extraer dicha informacion.

Haciendo uso de la libreria rtweet, no haremos con informacion referente a Tarjetas de Credito.

Busqueda <- read_csv("Busqueda.csv")

## 
## -- Column specification --------------------------------------------------------
## cols(
##   screen_name = col_character(),
##   created_at = col_datetime(format = ""),
##   status_id = col_double(),
##   text = col_character()
## )

A continuacion se muestra la informacion obtenida.

Busqueda

Tokenizacion y Limpieza de Texto

El proceso de limpieza de texto, dentro del ámbito de text mining, consiste en eliminar del texto todo aquello que no aporte información sobre su temática, estructura o contenido. Tokenizar un texto consiste en dividir el texto en las unidades que lo conforman, entendiendo por unidad el elemento más sencillo con significado propio para el análisis en cuestión, en este caso, las palabras.

# Limpieza de texto y tokenización
limpiar_tokenizar <- function(texto){
  # El orden de la limpieza no es arbitrario
  # Se convierte todo el texto a minúsculas
  nuevo_texto <- tolower(texto)
  nuevo_texto <- str_replace_all(nuevo_texto,"RT @[a-z,A-Z]*: ","")
  # Get rid of hashtags
  nuevo_texto <- str_replace_all(nuevo_texto,"#[a-z,A-Z]*","")
  # Get rid of references to other screennames
  nuevo_texto <- str_replace_all(nuevo_texto,"@[a-z,A-Z]*","")  
  
  # Eliminación de páginas web (palabras que empiezan por "http." seguidas 
  # de cualquier cosa que no sea un espacio)
  nuevo_texto <- str_replace_all(nuevo_texto,"http\\S*", "")
  # Eliminación de signos de puntuación
  nuevo_texto <- str_replace_all(nuevo_texto,"[[:punct:]]", " ")
  # Eliminación de números
  nuevo_texto <- str_replace_all(nuevo_texto,"[[:digit:]]", " ")
  # Eliminación de espacios en blanco múltiples
  nuevo_texto <- str_replace_all(nuevo_texto,"[\\s]+", " ")
  # Tokenización por palabras individuales
  nuevo_texto <- str_split(nuevo_texto, " ")[[1]]
  # Eliminación de tokens con una longitud < 2
  nuevo_texto <- keep(.x = nuevo_texto, .p = function(x){str_length(x) > 1})
  return(nuevo_texto)
}
# Se aplica la función de limpieza y tokenización a cada tweet
Busqueda  <- Busqueda  %>% mutate(texto_tokenizado = map(.x = text,
                                                   .f = limpiar_tokenizar))
# Analisis Exploratorio
tweets_tidy <- Busqueda  %>% dplyr::select(-text)%>% unnest()

tweets_tidy <- tweets_tidy %>% rename(token = texto_tokenizado)

Representacion Visual

Una forma visual de representar las palabras más frecuentes es mediante nubes de palabras (word clouds). En esta representación, las palabras más importantes tienen mayor tamaño.

library(wordcloud)
library(RColorBrewer)
df <- tweets_tidy %>% group_by(token) %>% summarise(frecuencia=n())
total <- sum(df$frecuencia)
df <- df%>% 
  mutate(frecuencia=frecuencia/total)
wordcloud(words = df$token, freq = df$frecuencia,
            max.words = 400, random.order = FALSE, rot.per = 0.35,
            colors = brewer.pal(8, "Dark2"))