Minería de Textos

Práctica independiente

fuente: https://github.com/DiegoKoz/discursos_presidenciales

Consigna general: realizar los mismos ejercicios de la práctica guiada (Wordclowd y Topic Modelling) para el dataset de discrusos presidenciales que se encuentra en la carpeta fuentes.

library(tidyverse)
library(tm)
library(wordcloud2)
library(topicmodels)
library(LDAvis)
library(tsne)


df <- read_rds('../fuentes/discursos_presidenciales.rds')
df

1. Limpieza y organización de la información

1.a Crear un objeto Corpus de la librería tm

#

1.b Limpiar el Corpus con tm_map

• Pasar a minúscula
• Eliminar puntuación
• Eliminar numeros
• Eliminar stopwords

#

Inspeccionar el corpus y revisar si quedaron Caracteres especiales que deban ser eliminados. En caso de que así fuera eliminarlos con tm_map y content_transformer(function(x) str_remove_all(x, pattern = ))

#

1.c Crear una matriz Documento-término con DocumentTermMatrix

#

2. Wordcloud

2.a Buscar los términos más frecuentes con findMostFreqTerms

#

2.b Crear un dataframe con las palabras más frecuentes

#

2.c Crear una nube de palabras con wordcloud2

#

3. Topic Modelling

3.1 eliminar los documentos vacíos de la matriz documento-término

#

3.2 Entrenar un modelo de LDA con la función LDA

#

3.3 Recuperar los diez términos más frecuentes de cada Tópico con terms

#