R program(7)

library(tm)

library(stringr)

library(wordcloud)

library(SnowballC)

 

file <- read.csv("wos_english_120.csv") # CSV 파일 불러오기

abstract <- file$ABSTRACT # ABSTRACT 추출

corpus <- VCorpus(VectorSource(abstract)) # Corpus 추출 (VCorpus: 휘발성 말뭉치(Volatile Corpus))

 

corpus.pre <- tm_map(corpus, removeNumbers) # 숫자 모두 삭제

corpus.pre <- tm_map(corpus.pre, removePunctuation) # 특수 문자 제거

corpus.pre <- tm_map(corpus.pre, content_transformer(tolower)) # 대소문자의 소문자화 (Convert to lowercase)

corpus.pre <- tm_map(corpus.pre, removeWords, words = stopwords("SMART")) # 불용어(Stopwords) 제거 (SMART 목록)

corpus.pre <- tm_map(corpus.pre, stripWhitespace) # 공백 처리

corpus.pre <- tm_map(corpus.pre, stemDocument, language = "en") # 어간 추출 (Stemming)

 

### 감정어휘 사전을 활용한 텍스트 감정분석

 

install.packages("tidytext")

 

library(tidytext)

library(tidyr)

 

# AFINN 감정어휘 사전 호출

get_sentiments("afinn")

 

# 감정어휘 사전은 별도로 저장하여 사용도 가능함

sent.dic.AFINN <- data.frame(get_sentiments("afinn"))

summary(sent.dic.AFINN)

hist(sent.dic.AFINN$score, breaks = 20, xlim = c(-6, 6), col = 'blue', xlab = 'sentiment score in AFINN', main = '')

 

# 빙류의 opinion lexicon 사전 호출

get_sentiments("bing")

sent.dic.BING <- data.frame(get_sentiments("bing"))

 

# EmoLex 사전 호출

get_sentiments("nrc")

sent.dic.NRC <- data.frame(get_sentiments("nrc"))

table(sent.dic.NRC$sentiment)

sent.dic.NRC$word[sent.dic.NRC$sentiment == 'anger']

 

# 텍스트 데이터 호출

install.packages('dplyr')

 

library(dplyr)

 

sent.value = 119 # 데이터 프레임의 총 행 갯수

 

sent.txt <- c(rep(NA), sent.value)

for (i in 1:sent.value) {

sent.txt[i] <- as.character(corpus.pre[[i]][1])

}

 

# tidytext 형태의 데이터 구성

sent.txt.df <- data_frame(paper.id = 1:sent.value, doc = sent.txt)

sent.txt.df

 

# 문서-단어로 구성된 행렬 구성

# unnest_tokens(): 주어진 tidytext 오브젝트의 text 변수를 word로 구분

# %>%: 파이프라고 불리며 해당 작업을 부여

sent.txt.df.word <- sent.txt.df %>% unnest_tokens(word, doc)

sent.txt.df.word

 

sent.result.bing <- sent.txt.df.word %>% inner_join(get_sentiments("bing")) %>% count(word, paper.id, sentiment) %>% spread(sentiment, n, fill = 0)

sent.result.bing

 

m4# 문서별 긍정, 부정 단어 결합, 차이 값

sent.result.bing.posneg <- summarise(group_by(sent.result.bing, paper.id), pos.sum = sum(positive),

neg.sum = sum(negative), pos.sent = pos.sum - neg.sum)

sent.result.bing.posneg

 

# 문서 메타데이터(년도)와 결합

paper.id <- 1:sent.value

sent.result.bing.year <- data.frame(paper.id, file$YEAR)

 

sent.result.bing.df <- merge(sent.result.bing.posneg, sent.result.bing.year, all.x = T)

colnames(sent.result.bing.df) <- c('ID', 'POS', 'NEG', 'SCORE', 'YEAR')

sent.result.bing.df

 

# 결과 시각화 (년도별 긍정, 부정 점수)

library('ggplot2')

ggplot(data = sent.result.bing.df, aes(x = YEAR, y = SCORE)) +

geom_bar(stat = "identity") +

labs(x = 'Publication year', y = 'SCORE') +

scale_x_continuous(limits = c(2015, 2020))

 

for (i in 1:10){

print(i)

}

 

while(i <= 10){

print(i)

i <- i + 1

}

 

repeat{

print(1)

}

 

i <-1

repeat{

print(i)

i <- i + 1

if(i%%3==0){

break

}

}

 

i <- 1

while(T){

print(i)

i <- i + 1

if(i%%3==0){

break

}

}