-
Notifications
You must be signed in to change notification settings - Fork 3
/
04-sentimiento.R
367 lines (305 loc) · 12.4 KB
/
04-sentimiento.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
library(readr)
library(ggplot2)
library(purrr)
library(dplyr)
library(tidyr)
library(tidytext)
library(ggplot2)
library(viridis)
library(lubridate)
library(rcorpora)
library(stringi)
diputados <- readRDS("data/pdf_diputados")
senadores <- readRDS("data/pdf_senadores")
# me deshago de los saltos de línea que sólo los voy a usar más adelante
diputados <- diputados %>%
mutate(pdf = stri_replace_all(pdf, replacement = "", regex = "\\\n"))
senadores <- senadores %>%
mutate(pdf = stri_replace_all(pdf, replacement = "", regex = "\\\n"))
# --- Lexicon: http://web.eecs.umich.edu/~mihalcea/downloads/SpanishSentimentLexicons.tar.gz
# comentarios acerca del Lexicon:
# No hice un análisis profundo del lexicon, pero tiene evidentes limitaciones:
# * Tiene muy pocos términos (476 positivas de 871 en total)
# * La mayoría (si no todos) los adjetivos que considera son masculinos
lexicon <- read_tsv("SpanishSentimentLexicons/fullStrengthLexicon.txt",
col_names = FALSE) %>%
select(X1, X3) %>%
rename(palabra = X1, sentimiento = X3)
stopwords <- corpora("words/stopwords/es")$stopWords
# agrego a las stopwords números que se repiten mucho
stopwords <- c(stopwords, as.character(seq(0:500)), paste0("0",as.character(seq(0:500))), paste0("00",as.character(seq(0:500))))
# separo en palabras filtrando las stopwords
tidy_diputados <- diputados %>%
tidytext::unnest_tokens(word, pdf) %>%
filter(!word %in% stopwords)
# agrego sentimiento y visualizo
tidy_diputados %>%
inner_join(lexicon, by = c("word" = "palabra")) %>%
count(word, sentimiento, sort = TRUE) %>%
ungroup() %>%
group_by(sentimiento) %>%
top_n(20) %>%
ungroup() %>%
mutate(word = reorder(word, n)) %>%
ggplot(aes(word, n, fill = sentimiento)) +
geom_col(show.legend = FALSE) +
scale_fill_manual(values = c("red2", "green3")) +
facet_wrap(~sentimiento, scales = "free_y") +
# ylim(0, 2500) +
labs(y = NULL, x = NULL) +
coord_flip() +
theme_minimal()
# veo cantidad de palabras positivas y negativas que hay
tidy_diputados %>%
inner_join(lexicon, by = c("word" = "palabra")) %>%
count(word, sentimiento, sort = TRUE) %>%
group_by(sentimiento) %>%
top_n(20) %>%
ungroup() %>%
mutate(sentimiento = reorder(sentimiento, n)) %>%
ggplot(aes(sentimiento, n)) +
geom_col(aes(fill = sentimiento), show.legend = FALSE) +
scale_fill_manual(values = c("red2", "green3")) +
ylab(NULL) +
xlab(NULL) +
coord_flip() +
theme_minimal()
# como hay algunas palabras cuya clasificación no me convence, las excluyo
stopwords_personalizadas <- c(stopwords, "negro", "discusion", "atento", "consideracion",
"especial", "dicha", "facultades", "atencion", "asunto",
"destacar", "oposicion", "historia", "comun", "transporte",
"identidad", "criterio")
tidy_diputados <- diputados %>%
tidytext::unnest_tokens(word, pdf) %>%
filter(!word %in% stopwords_personalizadas)
tidy_diputados %>%
inner_join(lexicon, by = c("word" = "palabra")) %>%
count(word, sentimiento, sort = TRUE) %>%
ungroup() %>%
group_by(sentimiento) %>%
top_n(20) %>%
ungroup() %>%
mutate(word = reorder(word, n)) %>%
ggplot(aes(word, n, fill = sentimiento)) +
geom_col(show.legend = FALSE) +
# scale_fill_manual(values = c("red2", "green3")) +
facet_wrap(~sentimiento, scales = "free_y") +
# ylim(0, 2500) +
labs(y = NULL, x = NULL) +
coord_flip() +
theme_minimal() +
scale_fill_viridis(discrete = TRUE) +
ggtitle("Palabras con sentimientos más extremos en sesiones de diputados")
tidy_diputados %>%
inner_join(lexicon, by = c("word" = "palabra")) %>%
count(word, sentimiento, sort = TRUE) %>%
group_by(sentimiento) %>%
top_n(20) %>%
ungroup() %>%
mutate(sentimiento = reorder(sentimiento, n)) %>%
ggplot(aes(sentimiento, n)) +
geom_col(aes(fill = sentimiento), show.legend = FALSE) +
# scale_fill_manual(values = c("red2", "green3")) +
ylab(NULL) +
xlab(NULL) +
coord_flip() +
theme_minimal()
tidy_senadores <- senadores %>%
tidytext::unnest_tokens(word, pdf) %>%
filter(!word %in% stopwords_personalizadas)
tidy_senadores %>%
inner_join(lexicon, by = c("word" = "palabra")) %>%
count(word, sentimiento, sort = TRUE) %>%
ungroup() %>%
group_by(sentimiento) %>%
top_n(20) %>%
ungroup() %>%
mutate(word = reorder(word, n)) %>%
ggplot(aes(word, n, fill = sentimiento)) +
geom_col(show.legend = FALSE) +
# scale_fill_manual(values = c("red2", "green3")) +
facet_wrap(~sentimiento, scales = "free_y") +
# ylim(0, 2500) +
labs(y = NULL, x = NULL) +
coord_flip() +
theme_minimal() +
scale_fill_viridis(discrete = TRUE) +
ggtitle("Palabras con sentimientos más extremos en sesiones de senadores")
tidy_senadores %>%
inner_join(lexicon, by = c("word" = "palabra")) %>%
count(word, sentimiento, sort = TRUE) %>%
group_by(sentimiento) %>%
top_n(20) %>%
ungroup() %>%
mutate(sentimiento = reorder(sentimiento, n)) %>%
ggplot(aes(sentimiento, n)) +
geom_col(aes(fill = sentimiento), show.legend = FALSE) +
# scale_fill_manual(values = c("red2", "green3")) +
ylab(NULL) +
xlab(NULL) +
coord_flip() +
theme_minimal()
# --------- sentimiento a lo largo de los meses ----------
tidy_diputados %>%
inner_join(lexicon, by = c("word" = "palabra")) %>%
group_by(mes = as.yearmon(fecha)) %>%
count(sentimiento) %>%
ungroup %>%
spread(sentimiento, n, fill = 0) %>%
mutate(sentimiento = pos - neg) %>%
arrange(mes) %>%
ggplot(aes(as.factor(mes), sentimiento)) +
geom_col(aes(fill = sentimiento > 0), show.legend = FALSE) +
theme_minimal() +
theme(axis.title.x=element_blank(), axis.text.x = element_text(angle=45,
hjust = 1,
vjust = 1)) +
scale_fill_viridis(discrete = TRUE) +
ggtitle("Evolución del sentimiento en sesiones de diputados")
# Nota: en Setiembre Renunció el Vice Presidente
tidy_senadores %>%
inner_join(lexicon, by = c("word" = "palabra")) %>%
group_by(mes = as.yearmon(fecha)) %>%
count(sentimiento) %>%
ungroup %>%
spread(sentimiento, n, fill = 0) %>%
mutate(sentimiento = pos - neg) %>%
arrange(mes) %>%
ggplot(aes(as.factor(mes), sentimiento)) +
geom_col(aes(fill = sentimiento > 0), show.legend = FALSE) +
theme_minimal() +
theme(axis.title.x=element_blank(), axis.text.x = element_text(angle=45,
hjust = 1,
vjust = 1)) +
scale_fill_viridis(discrete = TRUE) +
ggtitle("Evolución del sentimiento en sesiones de senadores")
# ------------- Sesiones más extremas -----------------
sesiones_positivas_diputados <- tidy_diputados %>%
inner_join(lexicon, by = c("word" = "palabra")) %>%
group_by(fecha_sesion) %>%
count(sentimiento) %>%
ungroup %>%
spread(sentimiento, n, fill = 0) %>%
mutate(sentimiento = pos - neg) %>%
arrange(sentimiento) %>%
top_n(2, sentimiento)
# fecha_sesion neg pos sentimiento
# <chr> <dbl> <dbl> <dbl>
# 1 2017-12-20_1 336. 506. 170. inauguracion de escuela
# 2 2018-03-06_2 158. 379. 221. día de la mujer, etc.
# diputados$pdf[diputados$fecha_sesion == "2017-12-20_1"]
# diputados$pdf[diputados$fecha_sesion == "2018-03-06_2"]
sesiones_negativas_diputados <- tidy_diputados %>%
filter(!fecha_sesion %in% c("2018-08-14_33")) %>% # saco rendición de cuentas
inner_join(lexicon, by = c("word" = "palabra")) %>%
group_by(fecha_sesion) %>%
count(sentimiento) %>%
ungroup %>%
spread(sentimiento, n, fill = 0) %>%
mutate(sentimiento = pos - neg) %>%
arrange(sentimiento) %>%
top_n(-2, sentimiento)
# fecha_sesion neg pos sentimiento
# <chr> <dbl> <dbl> <dbl>
# 1 2018-09-12_41 901. 525. -376. GESTIÓN DE ASSE DESDE EL AÑO 2008 HASTA LA FECHA Y LA DENOMINADA ESTAFA AL FONASA.
# 2 2017-05-10_14 585. 342. -243. Interpelación al canciller Nin Novoa por la posición a adoptar ante la crisis venezolana.
sesiones_negativas_senadores <- tidy_senadores %>%
filter(!fecha_sesion %in% c("2017-09-18_32")) %>% # saco rendición de cuentas
inner_join(lexicon, by = c("word" = "palabra")) %>%
group_by(fecha_sesion) %>%
count(sentimiento) %>%
ungroup %>%
spread(sentimiento, n, fill = 0) %>%
mutate(sentimiento = pos - neg) %>%
arrange(sentimiento) %>%
top_n(-2, sentimiento)
# fecha_sesion neg pos sentimiento
# <chr> <dbl> <dbl> <dbl>
# 1 2017-06-07_18 428. 229. -199. Abuso de funciones en casos no previstos especialmente por la ley
# 2 2017-04-26_9 392. 238. -154. Llamado a sala a la ministra de Educación y Cultura, doctora María Julia Muñoz.
# 3 2018-12-13_51 274. 120. -154. Moción presentada por varios señores senadores en el sentido de promover la censura al señor ministro del Interior, Eduardo Bonomi.
# ------------- tf-idf de sesiones extremas de diputados ----------
sesiones_extremas <- c(sesiones_negativas_diputados$fecha_sesion
# , sesiones_positivas_diputados$fecha_sesion
)
session_diputados_words <- diputados %>%
unnest_tokens(word, pdf) %>%
count(fecha, sesion, fecha_sesion, word, sort = TRUE) %>%
ungroup()
diputados_words <- session_diputados_words %>%
group_by(fecha_sesion) %>%
summarize(total = sum(n))
session_diputados_words <- left_join(session_diputados_words, diputados_words)
session_diputados_words <- session_diputados_words %>%
bind_tf_idf(word, fecha_sesion, n) %>%
filter(fecha_sesion %in% sesiones_extremas)
session_diputados_words %>%
filter(!word %in% stopwords_personalizadas) %>%
select(-total) %>%
arrange(desc(tf_idf))
session_diputados_words %>%
filter(!word %in% stopwords_personalizadas) %>%
arrange(desc(tf_idf)) %>%
mutate(word = factor(word, levels = rev(unique(word)))) %>%
group_by(fecha_sesion) %>%
top_n(15, tf_idf) %>%
ungroup %>%
ggplot(aes(word, tf_idf, fill = fecha_sesion)) +
geom_col(show.legend = FALSE) +
labs(x = NULL, y = "tf-idf") +
facet_wrap(~reorder(fecha_sesion, tf_idf), ncol = 3, scales = "free") +
coord_flip() +
theme_minimal() +
scale_fill_viridis(discrete = TRUE) +
ggtitle("tf-idf sesiones más negativas de diputados")
sesiones_extremas_senadores <- c(sesiones_negativas_senadores$fecha_sesion)
session_senadores_words <- senadores %>%
unnest_tokens(word, pdf) %>%
count(fecha, sesion, fecha_sesion, word, sort = TRUE) %>%
ungroup()
senadores_words <- session_senadores_words %>%
group_by(fecha_sesion) %>%
summarize(total = sum(n))
session_senadores_words <- left_join(session_senadores_words, senadores_words)
session_senadores_words <- session_senadores_words %>%
bind_tf_idf(word, fecha_sesion, n) %>%
filter(fecha_sesion %in% sesiones_extremas_senadores)
session_senadores_words %>%
filter(!word %in% stopwords_personalizadas) %>%
arrange(desc(tf_idf)) %>%
mutate(word = factor(word, levels = rev(unique(word)))) %>%
group_by(fecha_sesion) %>%
top_n(15, tf_idf) %>%
ungroup %>%
ggplot(aes(word, tf_idf, fill = fecha_sesion)) +
geom_col(show.legend = FALSE) +
labs(x = NULL, y = "tf-idf") +
facet_wrap(~reorder(fecha_sesion, tf_idf), ncol = 3, scales = "free") +
coord_flip() +
theme_minimal() +
scale_fill_viridis(discrete = TRUE) +
ggtitle("tf-idf sesiones más negativas de senadores")
# ------------- palabras que más aportan al sentimiento de sesiones extremas ----------
words_sentiment_extreme <- list()
for (i in sesiones_extremas){
words_sentiment_extreme[[i]] <- tidy_diputados %>%
inner_join(lexicon, by = c("word" = "palabra")) %>%
filter(fecha_sesion == i,
!word %in% c("consideracion", "atencion", "atento", "asunto")) %>%
count(fecha, sesion, word, sentimiento, sort = TRUE) %>%
ungroup() %>%
group_by(fecha, sesion, sentimiento) %>%
top_n(10) %>%
ungroup() %>%
mutate(word = reorder(word, n)) %>%
ggplot(aes(word, n, fill = sentimiento)) +
geom_col(show.legend = FALSE) +
scale_fill_manual(values = c("red2", "green3")) +
facet_wrap(~sentimiento, scales = "free_y") +
labs(y = NULL, x = NULL) +
ggtitle(paste0("Palabras más extremas en la sesión \nde Diputados del ", str_match(i, "[0-9-]+[^\\_]"))) +
coord_flip() +
theme_minimal()
}
words_sentiment_extreme[[1]]; words_sentiment_extreme[[2]]
# words_sentiment_extreme[[3]]; words_sentiment_extreme[[4]]