Análisis de Sentimientos en comentarios | Dataframe | TextBlob | Python | ¡Muy básico!

Análisis de Sentimientos en comentarios muy fácil con python

Análisis de Sentimientos para principiantes con Python

En este vídeo se muestra cómo aplicar el análisis de sentimientos a comentarios desde un archivo CSV y como resultados será posible visualizar la distribución de la puntuación de los comentarios en relación a la polaridad y subjetividad  de los mismos en una gráfica de distribución de la herramienta Seaborn (Distplot). Es una buena aproximación en el camino de ganar experiencia de Data Scientist y que suele ser preguntado de forma recurrente en foros como Quora o otros foros de la especialidad.

Si quieres recoger ese camino, entonces es obligatorio practicar e implementar por lo menos un tipo de algoritmos o de herramientas, para poder validar en primera persona lo que implicar implementarla, que ventajas trae sobre otras soluciones, y “jugar” con los parámetros de la solución que hemos implementado para poder entender y ganar un sensibilidad para la afinación de esos parámetros, dado que en muchas situaciones con base en el mismo algoritmo y la misma herramienta, Data Scientists más experiences conseguirán resultados, mientras que otros  más juniores no conseguirán ningún.

Para poder seguir el tutorial es necesario una serie de pre-requerimientos:

  1. Datos originales de Kaggle.com que son utilizados en el tutorial como base de implementación del análisis de sentimiento

Data Set en Kaggle.

    2.Documentación oficial del módulo TextBlob, aquí encuentras las instrucciones para descargarlo:

https://pypi.org/project/textblob/

    3.La selección de datos que se utiliza en el tutorial poder la realización de la análisis de sentimientos : http://bit.ly/2XgxhfY

El análisis de sentimientos se refiere al uso de procesamiento de lenguaje natural, análisis de texto y lingüística computacional para identificar y extraer información subjetiva de una serie de recursos al que podemos acceder para el análisis. Si no tuviéramos ese acceso,  o un acceso incompleto, la información que se pudiera obtener sería prácticamente 0(más información en wikipedia).

Se puede realizar análisis de sentimientos a cualquier texto, puede ser de correos, de páginas web, de publicaciones en redes sociales como twitter, facebook, google+, entre otros y con ello se puede lograr un aproximación de una evaluación emocional que tiene un tema, persona y/o marca en algún momento en las redes sociales o canales evaluados.

El análisis sentimental es una herramienta muy potente para poder analizar lo que una determinada audiencia o grupo de individuos piensa sobre un servicio, un producto, una persona, y si detectado de forma antecipada nos permite gestionar la situación de forma óptima en el caso de que requiera algún tipo de acción específica para minimizar daños, por ejemplo en el caso de una gestión de reputación.

La idea es obtener el tráfico de alguna fuente específica a través del formato CSV  sobre un tema o persona, aplicar análisis de sentimiento y crear gráficos de  los resultados.

Hay diversas formas de realizarla, con Python y con otros entornos de data science / inteligencia artificial, como podria ser R, o Tensorflow, pero la capacidad de poder hacerlo de una forma mas o menos manual nos permite entender correctamente todo el proceso, lo que a la larga genera una mayor comprensión a la hora de poder diseñar y implementar comportamientos más complejos de mayor nivel de importancia.

Dataframes de Python

En este tutorial se utilizan los Dataframes de Python para poder implementar una mayor flexibilidad de la solución, dado que los data frames son parecidos a los workbook de excel y poseen una flexibilidad de uso que los hace idoneos para poder analizar y relacionar de una forma rápida grande cantidad de datos.

La propiedad de este video pertenece a sus autores originales, y este resumen se ha incluido para referencias personales y crear un base de datos de artículos interesantes en el campo de la innovación.

Leer el video en youtube

Add a Comment

Your email address will not be published. Required fields are marked *