原文链接：
最近我们被客户要求撰写关于文本情感分析的研究报告，包括一些图形和统计输出主题库安卓版仿苹果手机。
我们以R语言抓取的推特数据为例主题库安卓版仿苹果手机，对数据进行文本挖掘，进一步进行情感分析，从而得到很多有趣的信息
找到推特来源是苹果手机或者安卓手机的样本,清理掉其他来源的样本主题库安卓版仿苹果手机。
tweets <-tweets_df>%select(id, statusSource, text, created) %>%
extract(statusSource, "source", "Twitter for (.*?)<")>%filter(source %in%c("iPhone", "Android"))
对数据进行可视化计算不同时间对应的推特比例.主题库安卓版仿苹果手机。
并且对比安卓手机和苹果手机上的推特数量的区别主题库安卓版仿苹果手机。
从对比图中我们可以发现，安卓手机和苹果手机发布推特的时间有显著的差别，安卓手机倾向于在5点到10点之间发布推特，而苹果手机一般在10点到20点左右发布推特主题库安卓版仿苹果手机。同时我们也可以看到，安卓手机发布推特数量的比例要高于苹果手机。
点击标题查阅往期内容
展开全文
NLP自然语言处理—主题模型LDA案例：挖掘人民网留言板文本数据
左右滑动查看更多
01
02
03
04
然后查看推特中是否含有引用 ,并且对比不同平台上的数量主题库安卓版仿苹果手机。
ggplot(aes(source, n, fill = quoted)) +
geom_bar(stat ="identity", position ="dodge") +
labs(x ="", y ="Number of tweets", fill ="")
从对比的结果来看，安卓手机没有被引用的比例要明显低于苹果手机主题库安卓版仿苹果手机。而安卓手机引用的数量要明显大于苹果手机。因此可以认为，苹果手机发的推特内容大多为原创，而安卓手机大多为引用。
然后查看推特中是否有链接或者图片主题库安卓版仿苹果手机，并且对比不同平台的情况
ggplot(tweet_picture_counts, aes(source, n, fill = picture)) +
geom_bar(stat ="identity", position ="dodge") +
labs(x ="",
从上面的对比图中，我们可以看到安卓手机没有图片或者链接的情况要多于苹果，也就是说，使用苹果手机的用户在发推特的时候一般会发布照片或者链接主题库安卓版仿苹果手机。
同时可以看到安卓平台的用户把推特一般不使用图片或者链接，而苹果手机的用户恰恰相反主题库安卓版仿苹果手机。
spr <-tweet_picture_counts>%spread(source, n) %>%
mutate_each(funs(. /sum(.)), Android, iPhone)
rr <-spr$iPhone[2] /spr$Android[2]
然后我们对推特中的异常字符进行检测主题库安卓版仿苹果手机，并且进行删除然后找到推特中关键词，并且按照数量进行排序
reg <- "([^A-Za-zd#@']|'(?![A-Za-zd#@]))
"tweet_words <-tweets>%filter(!str_detect(text, '^"')) %>%m
utate(text =str_replace_all(text, ";%
unnest_tokens(word, text, token ="regex", pattern = reg) %>%
filter(!word %in%stop_words$word,str_detect(word, "[a-z]"))
tweet_words %>%count(word, sort =TRUE) %>%head(20) %>%
mutate(word =reorder(word, n)) %>%ggplot(aes(word, n)) +geom_b
对数据进行情感分析，并且计算安卓和苹果手机的相对影响比例主题库安卓版仿苹果手机。
通过特征词情感倾向分别计算不同平台的情感比，并且进行可视化主题库安卓版仿苹果手机。
在统计出不同情感倾向的词的数量之后，绘制他们的置信区间主题库安卓版仿苹果手机。从上面的图中可以看到，相比于苹果手机，安卓手机的负面情绪最多，其次是厌恶，然后是悲伤。表达积极的情感倾向很少。
然后我们对每个情感类别中出现的关键词的数量进行统计主题库安卓版仿苹果手机。
android_iphone_ratios %>%inner_join(nrc, by ="word") %>%
filter(!sentiment %in%c("positive", "negative")) %>%
mutate(sentiment =reorder(sentiment, -logratio),word =reorder(word, -logratio)) %>%
从结果中我们可以看到，负面词大多出现在安卓手机上，而苹果手机上出现的负面词的数量要远远小于安卓平台上的数量主题库安卓版仿苹果手机。
点击文末 “阅读原文”
获取全文完整代码数据资料主题库安卓版仿苹果手机。
本文选自《R语言对推特twitter数据进行文本情感分析》主题库安卓版仿苹果手机。
点击标题查阅往期内容
【数据分享】维基百科Wiki负面有害评论（网络暴力）文本数据多标签分类挖掘可视化
R语言文本挖掘tf-idf,主题建模主题库安卓版仿苹果手机，情感分析,n-gram建模研究
NLP自然语言处理—主题模型LDA案例：挖掘人民网留言板文本数据
Python主题建模LDA模型、t-SNE 降维聚类、词云可视化文本挖掘新闻组数据集
自然语言处理NLP：主题LDA、情感分析疫情下的新闻文本数据
R语言对NASA元数据进行文本挖掘的主题建模分析
R语言文本挖掘、情感分析和可视化哈利波特小说文本数据
Python、R对小说进行文本挖掘和层次聚类可视化分析案例
用于NLP的Python：使用Keras进行深度学习文本生成
长短期记忆网络LSTM在时间序列预测和文本分类中的应用
用Rapidminer做文本挖掘的应用：情感分析
R语言文本挖掘tf-idf,主题建模主题库安卓版仿苹果手机，情感分析,n-gram建模研究
R语言对推特twitter数据进行文本情感分析
Python使用神经网络进行简单文本分类
用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类
R语言文本挖掘使用tf-idf分析NASA元数据的关键字
R语言NLP案例：LDA主题文本挖掘优惠券推荐网站数据
Python使用神经网络进行简单文本分类
R语言自然语言处理（NLP）：情感分析新闻文本数据
Python、R对小说进行文本挖掘和层次聚类可视化分析案例
R语言对推特twitter数据进行文本情感分析
R语言中的LDA模型：对文本数据进行主题模型topic modeling分析
R语言文本主题模型之潜在语义分析（LDA:Latent Dirichlet Allocation
