Importación de texto y un poco de análisis
AE
02/09/2020
Previo
Paquetería
rm(list=ls()) ### borra objetos en el ambiente
if (!require("pacman")) install.packages("pacman") # instala pacman si se requiere## Loading required package: pacman#cargan los paquetes necesario. No se utilizan todos
pacman::p_load(tidyverse, tm, NLP, SnowballC, wordcloud, ggwordcloud,
quanteda, udpipe,
sjlabelled, RColorBrewer, readxl, janitor, textrank,
broom, epubr, pdftools, wesanderson)Insumos - ¿dónde están?
Vamos a guardar los “caminos” dónde están los archivos con los que vamos a trabajar en objetos. R es un lenguaje de programación por objetos. Tenemos que declarar la información en objetos para poderla utilizar
## Insumos
path1<-"./datos/kawabata.epub" # formato epub
path2<-"./datos/lobo_antunes.pdf" #formato pdf
path3<-"./datos/amlo_abri.txt" #formato txtPara lo que trabajan desde otro proyecto: Para el insumo 1 tienen que hacer el upload a su proyecto e importarlo. Para los otros dos será necesario sólo hacer un cambio
url2 <- "https://github.com/aniuxa/CursoR-posgrado-pol/raw/master/datos/lobo_antunes.pdf"
url3 <- "https://github.com/aniuxa/CursoR-posgrado-pol/raw/master/datos/amlo_abri.txt"Sustituir en lo que sigue de la práctica “path” con “url”
Tokenización y revisión UPOS
Importando modelo de tokenización
udmodel <- udpipe_download_model(language = "spanish") # esto trabaja con la estructura del español## Downloading udpipe model from https://raw.githubusercontent.com/jwijffels/udpipe.models.ud.2.4/master/inst/udpipe-ud-2.4-190531/spanish-gsd-ud-2.4-190531.udpipe to /Users/anaescoto/Dropbox/2020/CursoR-posgrado-pol/spanish-gsd-ud-2.4-190531.udpipe## Visit https://github.com/jwijffels/udpipe.models.ud.2.4 for model license detailsFormato epub
Vamos a importar un libro desde su formato epub. Este formato es mejor que el de pdf porque no tenemos tantos cortes por páginas.
epub_head(path1) # muestra lo primero## # A tibble: 25 x 2
## section text
## <chr> <chr>
## 1 Section0018.xhtml "Cuando Keiko llegó a la casa de té de Ofusa encont"
## 2 cubierta.xhtml ""
## 3 sinopsis.xhtml " \n\n Impulsado por la nostalgia, Oki Toshio, un es"
## 4 titulo.xhtml "Yasunari Kawabata\n\n Lo bello y lo triste\n\n 美しさと哀"…
## 5 info.xhtml "Título original:美しさと哀しみと (Utsukushisa to kanashimi"…
## 6 dedicatoria.xhtml "Lo bello y lo triste"
## 7 Section0002.xhtml "Eran seis las butacas giratorias que se alineaban "
## 8 Section0004.xhtml "Oki se había detenido en una colina, con la mirada"
## 9 Section0006.xhtml "Otoko proyectaba llevar a Keiko al templo del mont"
## 10 Section0008.xhtml "Cuando se cansaba de escribir o cuando una novela "
## # … with 15 more rowsepub_meta(path1) # muestra el meta-data del libro## # A tibble: 1 x 9
## identifier title subject creator description contributor publisher date
## <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
## 1 urn:uuid:… Lo b… Drama,… Yasuna… Impulsado … Nélida M. … Emecé Li… 1965…
## # … with 1 more variable: language <chr>x <- epub(path1) # Importa todo el libro en el objeto x, pero no queremos todo
x## # A tibble: 1 x 10
## identifier title subject creator description contributor publisher date
## <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
## 1 urn:uuid:… Lo b… Drama,… Yasuna… Impulsado … Nélida M. … Emecé Li… 1965…
## # … with 2 more variables: language <chr>, data <list>class(x)## [1] "tbl_df" "tbl" "data.frame"Para los que trabajan en otro proyecto, descomentar y seleccionar el archivo
#x<-epub(file.choose())Como observamos lo que queremos son las secciones que realmente tiene nuestro texto (¡aunque quizás también analizar contraportadas sea otro tema de análisis!)
x$data # esto muestra que aquí adentro está lo que queremos## [[1]]
## # A tibble: 25 x 4
## section text nword nchar
## <chr> <chr> <int> <int>
## 1 Section0018.x… "Cuando Keiko llegó a la casa de té de Ofusa enco… 7436 43690
## 2 cubierta.xhtml "" 0 0
## 3 sinopsis.xhtml " \n\n Impulsado por la nostalgia, Oki Toshio, u… 92 540
## 4 titulo.xhtml "Yasunari Kawabata\n\n Lo bello y lo triste\n\n … 11 86
## 5 info.xhtml "Título original:美しさと哀しみと (Utsukushisa to kanashi… 30 285
## 6 dedicatoria.x… "Lo bello y lo triste" 5 20
## 7 Section0002.x… "Eran seis las butacas giratorias que se alineaba… 5990 34930
## 8 Section0004.x… "Oki se había detenido en una colina, con la mira… 7454 43536
## 9 Section0006.x… "Otoko proyectaba llevar a Keiko al templo del mo… 4601 27247
## 10 Section0008.x… "Cuando se cansaba de escribir o cuando una novel… 3564 20724
## # … with 15 more rowsepub_kaw<-x$data[[1]] # Nos quedamos con esa base de datos
epub_kaw<-epub_kaw[7, ] # Nos quedamos con el cuento Campanas del temploNuestra obra tokenizada
Una vez que ya tenemos un objeto con la información que necesitamos, usaremos nuestro modelo para tokenizarla. Este resultado lo guardaremos en un objeto.
kawabata<-udpipe(x = paste(epub_kaw$text), #paste nos asegura que se pegue como caracter
object=udmodel) #"tokeniza" el textoVamos a revisar ese objeto “tokenizado”
glimpse(kawabata)## Rows: 7,073
## Columns: 17
## $ doc_id <chr> "doc1", "doc1", "doc1", "doc1", "doc1", "doc1", "doc1",…
## $ paragraph_id <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1…
## $ sentence_id <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1…
## $ sentence <chr> "Eran seis las butacas giratorias que se alineaban sobr…
## $ start <int> 1, 6, 11, 15, 23, 34, 38, 41, 51, 57, 60, 65, 73, NA, N…
## $ end <int> 4, 9, 13, 21, 32, 36, 39, 49, 55, 58, 63, 71, 75, NA, N…
## $ term_id <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, …
## $ token_id <chr> "1", "2", "3", "4", "5", "6", "7", "8", "9", "10", "11"…
## $ token <chr> "Eran", "seis", "las", "butacas", "giratorias", "que", …
## $ lemma <chr> "ser", "6", "el", "butaco", "giratoria", "que", "él", "…
## $ upos <chr> "VERB", "NUM", "DET", "NOUN", "ADJ", "SCONJ", "PRON", "…
## $ xpos <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…
## $ feats <chr> "Mood=Ind|Number=Plur|Person=3|Tense=Pres|VerbForm=Fin"…
## $ head_token_id <chr> "0", "1", "4", "1", "4", "8", "8", "4", "11", "11", "8"…
## $ dep_rel <chr> "root", "obl", "det", "nsubj", "amod", "mark", "iobj", …
## $ deps <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…
## $ misc <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…Nos vamos a concentrar en la variable “upos”, proviende de UPOS Universal Parts of Speech https://universaldependencies.org/u/pos/index.html
kawabata %>%
tabyl(upos) # esto nos da un tabulado## upos n percent valid_percent
## ADJ 353 0.0499081012 0.0510263082
## ADP 951 0.1344549696 0.1374674761
## ADV 352 0.0497667185 0.0508817577
## AUX 259 0.0366181253 0.0374385661
## CCONJ 194 0.0274282483 0.0280427869
## DET 964 0.1362929450 0.1393466320
## INTJ 5 0.0007069136 0.0007227522
## NOUN 1173 0.1658419341 0.1695576756
## NUM 50 0.0070691362 0.0072275224
## PRON 433 0.0612187191 0.0625903440
## PROPN 243 0.0343560017 0.0351257589
## PUNCT 779 0.1101371412 0.1126047991
## SCONJ 225 0.0318111127 0.0325238508
## VERB 928 0.1312031670 0.1341428158
## X 9 0.0012724445 0.0013009540
## <NA> 155 0.0219143221 NARevisando elementos UPOS
Nombres
Vamos a revisar un tipo especial, los sustantivos. “NOUN”, en inglés
Veamos para el caso de nuestra primera novela
stats<- kawabata %>%
filter(upos=="NOUN")
stats.freq <- txt_freq(stats$token)
stats.freq$key <- factor(stats.freq$key, levels = rev(stats.freq$key)) # ordena
stats.freq[1:25,] %>%
ggplot(aes(x=key, y=freq)) +geom_bar(stat="identity") +
coord_flip() + labs(y="Frecuencia", x="Sustantivo") + theme_minimal()
Nube de sustantivos
Con esto podemos hacer una nube, esas son famosas:
set.seed(42) # tiene un elemento aleatorio
stats.freq[1:25,] %>%
ggplot(aes(label=key, size=freq)) + geom_text_wordcloud() +
theme_minimal()
La vamos a poner más chula:
stats.freq[1:25,] %>%
ggplot(
aes(
label =key, size = freq,
color = factor(sample.int(15, nrow(stats.freq[1:25,]), replace = TRUE))
)
) +
geom_text_wordcloud_area() +
scale_size_area(max_size = 12) +
theme_minimal()
Otra paquetería, es más fácil pero menos editable
set.seed(1234)
paleta_color<-wes_palette(n=5,
name="Darjeeling1",
type="continuous")
wordcloud(words = stats.freq$key, freq = stats.freq$freq,
min.freq = 5,
max.words=200,
random.order=FALSE,
colors=paleta_color)
Adjetivos
Vamos a encontrar los adjetivos más usados
stats<- kawabata %>%
filter(upos=="ADJ") #checa que esto sobreescribe los objetos que teníamos
stats.freq <- txt_freq(stats$token)
stats.freq$key <- factor(stats.freq$key, levels = rev(stats.freq$key)) # ordena
stats.freq[1:25,] %>%
ggplot(aes(x=key, y=freq)) +geom_bar(stat="identity") +
coord_flip() + labs(y="Frecuencia", x="Adjetivo") + theme_minimal()
Todas las palabras
Cuando analizamos texto hay palabras que son muy comunes.
#Elegir palabras comunes
stopwords("spanish") # de la paquetería quanteda## [1] "de" "la" "que" "el" "en"
## [6] "y" "a" "los" "del" "se"
## [11] "las" "por" "un" "para" "con"
## [16] "no" "una" "su" "al" "lo"
## [21] "como" "más" "pero" "sus" "le"
## [26] "ya" "o" "este" "sí" "porque"
## [31] "esta" "entre" "cuando" "muy" "sin"
## [36] "sobre" "también" "me" "hasta" "hay"
## [41] "donde" "quien" "desde" "todo" "nos"
## [46] "durante" "todos" "uno" "les" "ni"
## [51] "contra" "otros" "ese" "eso" "ante"
## [56] "ellos" "e" "esto" "mí" "antes"
## [61] "algunos" "qué" "unos" "yo" "otro"
## [66] "otras" "otra" "él" "tanto" "esa"
## [71] "estos" "mucho" "quienes" "nada" "muchos"
## [76] "cual" "poco" "ella" "estar" "estas"
## [81] "algunas" "algo" "nosotros" "mi" "mis"
## [86] "tú" "te" "ti" "tu" "tus"
## [91] "ellas" "nosotras" "vosotros" "vosotras" "os"
## [96] "mío" "mía" "míos" "mías" "tuyo"
## [101] "tuya" "tuyos" "tuyas" "suyo" "suya"
## [106] "suyos" "suyas" "nuestro" "nuestra" "nuestros"
## [111] "nuestras" "vuestro" "vuestra" "vuestros" "vuestras"
## [116] "esos" "esas" "estoy" "estás" "está"
## [121] "estamos" "estáis" "están" "esté" "estés"
## [126] "estemos" "estéis" "estén" "estaré" "estarás"
## [131] "estará" "estaremos" "estaréis" "estarán" "estaría"
## [136] "estarías" "estaríamos" "estaríais" "estarían" "estaba"
## [141] "estabas" "estábamos" "estabais" "estaban" "estuve"
## [146] "estuviste" "estuvo" "estuvimos" "estuvisteis" "estuvieron"
## [151] "estuviera" "estuvieras" "estuviéramos" "estuvierais" "estuvieran"
## [156] "estuviese" "estuvieses" "estuviésemos" "estuvieseis" "estuviesen"
## [161] "estando" "estado" "estada" "estados" "estadas"
## [166] "estad" "he" "has" "ha" "hemos"
## [171] "habéis" "han" "haya" "hayas" "hayamos"
## [176] "hayáis" "hayan" "habré" "habrás" "habrá"
## [181] "habremos" "habréis" "habrán" "habría" "habrías"
## [186] "habríamos" "habríais" "habrían" "había" "habías"
## [191] "habíamos" "habíais" "habían" "hube" "hubiste"
## [196] "hubo" "hubimos" "hubisteis" "hubieron" "hubiera"
## [201] "hubieras" "hubiéramos" "hubierais" "hubieran" "hubiese"
## [206] "hubieses" "hubiésemos" "hubieseis" "hubiesen" "habiendo"
## [211] "habido" "habida" "habidos" "habidas" "soy"
## [216] "eres" "es" "somos" "sois" "son"
## [221] "sea" "seas" "seamos" "seáis" "sean"
## [226] "seré" "serás" "será" "seremos" "seréis"
## [231] "serán" "sería" "serías" "seríamos" "seríais"
## [236] "serían" "era" "eras" "éramos" "erais"
## [241] "eran" "fui" "fuiste" "fue" "fuimos"
## [246] "fuisteis" "fueron" "fuera" "fueras" "fuéramos"
## [251] "fuerais" "fueran" "fuese" "fueses" "fuésemos"
## [256] "fueseis" "fuesen" "siendo" "sido" "tengo"
## [261] "tienes" "tiene" "tenemos" "tenéis" "tienen"
## [266] "tenga" "tengas" "tengamos" "tengáis" "tengan"
## [271] "tendré" "tendrás" "tendrá" "tendremos" "tendréis"
## [276] "tendrán" "tendría" "tendrías" "tendríamos" "tendríais"
## [281] "tendrían" "tenía" "tenías" "teníamos" "teníais"
## [286] "tenían" "tuve" "tuviste" "tuvo" "tuvimos"
## [291] "tuvisteis" "tuvieron" "tuviera" "tuvieras" "tuviéramos"
## [296] "tuvierais" "tuvieran" "tuviese" "tuvieses" "tuviésemos"
## [301] "tuvieseis" "tuviesen" "teniendo" "tenido" "tenida"
## [306] "tenidos" "tenidas" "tened"stop<-stopwords("spanish") # guarda todas esas palabras en un objeto
stop## [1] "de" "la" "que" "el" "en"
## [6] "y" "a" "los" "del" "se"
## [11] "las" "por" "un" "para" "con"
## [16] "no" "una" "su" "al" "lo"
## [21] "como" "más" "pero" "sus" "le"
## [26] "ya" "o" "este" "sí" "porque"
## [31] "esta" "entre" "cuando" "muy" "sin"
## [36] "sobre" "también" "me" "hasta" "hay"
## [41] "donde" "quien" "desde" "todo" "nos"
## [46] "durante" "todos" "uno" "les" "ni"
## [51] "contra" "otros" "ese" "eso" "ante"
## [56] "ellos" "e" "esto" "mí" "antes"
## [61] "algunos" "qué" "unos" "yo" "otro"
## [66] "otras" "otra" "él" "tanto" "esa"
## [71] "estos" "mucho" "quienes" "nada" "muchos"
## [76] "cual" "poco" "ella" "estar" "estas"
## [81] "algunas" "algo" "nosotros" "mi" "mis"
## [86] "tú" "te" "ti" "tu" "tus"
## [91] "ellas" "nosotras" "vosotros" "vosotras" "os"
## [96] "mío" "mía" "míos" "mías" "tuyo"
## [101] "tuya" "tuyos" "tuyas" "suyo" "suya"
## [106] "suyos" "suyas" "nuestro" "nuestra" "nuestros"
## [111] "nuestras" "vuestro" "vuestra" "vuestros" "vuestras"
## [116] "esos" "esas" "estoy" "estás" "está"
## [121] "estamos" "estáis" "están" "esté" "estés"
## [126] "estemos" "estéis" "estén" "estaré" "estarás"
## [131] "estará" "estaremos" "estaréis" "estarán" "estaría"
## [136] "estarías" "estaríamos" "estaríais" "estarían" "estaba"
## [141] "estabas" "estábamos" "estabais" "estaban" "estuve"
## [146] "estuviste" "estuvo" "estuvimos" "estuvisteis" "estuvieron"
## [151] "estuviera" "estuvieras" "estuviéramos" "estuvierais" "estuvieran"
## [156] "estuviese" "estuvieses" "estuviésemos" "estuvieseis" "estuviesen"
## [161] "estando" "estado" "estada" "estados" "estadas"
## [166] "estad" "he" "has" "ha" "hemos"
## [171] "habéis" "han" "haya" "hayas" "hayamos"
## [176] "hayáis" "hayan" "habré" "habrás" "habrá"
## [181] "habremos" "habréis" "habrán" "habría" "habrías"
## [186] "habríamos" "habríais" "habrían" "había" "habías"
## [191] "habíamos" "habíais" "habían" "hube" "hubiste"
## [196] "hubo" "hubimos" "hubisteis" "hubieron" "hubiera"
## [201] "hubieras" "hubiéramos" "hubierais" "hubieran" "hubiese"
## [206] "hubieses" "hubiésemos" "hubieseis" "hubiesen" "habiendo"
## [211] "habido" "habida" "habidos" "habidas" "soy"
## [216] "eres" "es" "somos" "sois" "son"
## [221] "sea" "seas" "seamos" "seáis" "sean"
## [226] "seré" "serás" "será" "seremos" "seréis"
## [231] "serán" "sería" "serías" "seríamos" "seríais"
## [236] "serían" "era" "eras" "éramos" "erais"
## [241] "eran" "fui" "fuiste" "fue" "fuimos"
## [246] "fuisteis" "fueron" "fuera" "fueras" "fuéramos"
## [251] "fuerais" "fueran" "fuese" "fueses" "fuésemos"
## [256] "fueseis" "fuesen" "siendo" "sido" "tengo"
## [261] "tienes" "tiene" "tenemos" "tenéis" "tienen"
## [266] "tenga" "tengas" "tengamos" "tengáis" "tengan"
## [271] "tendré" "tendrás" "tendrá" "tendremos" "tendréis"
## [276] "tendrán" "tendría" "tendrías" "tendríamos" "tendríais"
## [281] "tendrían" "tenía" "tenías" "teníamos" "teníais"
## [286] "tenían" "tuve" "tuviste" "tuvo" "tuvimos"
## [291] "tuvisteis" "tuvieron" "tuviera" "tuvieras" "tuviéramos"
## [296] "tuvierais" "tuvieran" "tuviese" "tuvieses" "tuviésemos"
## [301] "tuvieseis" "tuviesen" "teniendo" "tenido" "tenida"
## [306] "tenidos" "tenidas" "tened"De nuestro UPOS tenemos algunos que no vamos a querer
no_upos<-c("X","SYM","PUNCT")stats<- kawabata %>%
filter(!upos%in%no_upos) %>% #selecciona todos menos estos tipos
mutate(token=tolower(token)) %>% # cambia a que token no tenga mayúsculas
filter(!token%in%stop) # selecciona todas las palabras menos las que están en nuestro vector "stop"
stats.freq <- txt_freq(stats$token)
stats.freq$key <- factor(stats.freq$key, levels = rev(stats.freq$key)) # ordenaPodemos graficar esto:
stats.freq[1:25,] %>%
ggplot(aes(x=key, y=freq)) +geom_bar(stat="identity") +
coord_flip() + labs(y="Frecuencia", x="Palabra") + theme_minimal()
Para la nube de todas la palabras
paleta_color<-wes_palette(n=5,
name="Darjeeling1",
type="continuous")
wordcloud(words = stats.freq$key, freq = stats.freq$freq,
min.freq = 5,
max.words=120, # aquí le cambié
random.order=FALSE,
colors=paleta_color)
Correlaciones
kawabata$id <- unique_identifier(kawabata, fields = c("sentence_id", "doc_id"))
dtm <- kawabata %>%
filter(upos %in% c("NOUN", "ADJ")) # objeto de solo nombres y adjetivos
dtm <- dtm %>%
document_term_frequencies( document = "id", term = "lemma")
dtm <- document_term_matrix(dtm)
dtm <- dtm_remove_lowfreq(dtm, minfreq = 5)
termcorrelations <- dtm_cor(dtm)
y <- as_cooccurrence(termcorrelations)
y <- subset(y, term1 < term2 & abs(cooc) > 0.2)
y <- y[order(abs(y$cooc), decreasing = TRUE), ]
head(y,24)## term1 term2 cooc
## 3002 señorita Ueno 0.9241535
## 1863 corbata nudo 0.3892473
## 2730 campana templo 0.3884721
## 2670 antiguo sonido 0.3736356
## 3077 butaca vagón 0.3704690
## 2672 campana sonido 0.3547466
## 525 butaca extremo 0.3526933
## 3313 corbata voz 0.3526933
## 1759 junto mujer 0.3392677
## 2046 hora primero 0.2731984
## 995 discípula joven 0.2649521
## 2773 sonido templo 0.2646098
## 1700 joven muchacha 0.2586729
## 1813 habitación niño 0.2376241
## 3230 recuerdo vida 0.2242994
## 3288 recuerdo viejo 0.2242994
## 1758 joven mujer 0.2160554
## 2806 largo tiempo 0.2121752
## 3024 día último 0.2077964
## 3171 radio vez 0.2077964
## 2690 largo sonido 0.2035735
## 3017 año último 0.2021044Este objeto y, puede ser muy útil de exportar a un formato compatible con Excel:
write_csv(y, "kawabata_corr.csv") # lo guarda en nuestro directorioImportación desde otros formatos
El formato epub no es el único. Vamos a importar texto desde otro formato y luego tokenizarlo.
Desde pdf
lobo_pdf <- pdf_text(path2)Esto nos da un vector de caracteres y no una matriz
#Es un vector de caracteres, no una matrix
lobo_pdf[19]## [1] "CAPÍTULO PRIMERO\n¿Tendré que remendar esto con palabras o hablar de lo que ocurrió\nrealmente, no aquí, sino en Lisboa y en Luanda cinco años atrás? Cinco\naños es mucho tiempo\nlo sé\npero a veces, al acabar el día, en esta hacienda de la que no me ocupo\n(nadie se ocupa, se ocupan los pájaros que van devorando sin prisa,\nmirándome de lado, lo que resta del girasol y el algodón)\na cincuenta o sesenta kilómetros de donde ocurrió todo, en esta\nconstrucción colonial que perteneció al delegado\na un delegado regional cualquiera que no llegué a conocer y en la\nangustia de la huida\n(huida hacia dónde si no se huye de Angola, solo demasiado tarde\ncomprendí que no se huye de Angola, Europa demasiado lejos y después\nla indiferencia, el cansancio, la edad porque nos gastamos tan deprisa\nen África, un encogimiento de hombros, una resignación de\n—¿Y después?)\nen esta construcción colonial en la que un delegado regional cualquiera\ndejó la foto de sus hijos que apenas se distinguen en el marco de\nesparadrapo y que por la noche, después de la segunda botella,\ncomienzo a imaginar míos, pensando que me pertenecen tal como me\npertenece la casa por no pertenecer a nadie, una sala, una cocina, una\nducha fuera, es decir, un cubo boca abajo que un clavo balancea desde\nun alambre torcido, y una aldea de viejos\n(lo que queda son viejos)\nbuscando sapos en los charcos, separando la tierra con la esperanza de\nserpientes que se fríen en un cazo, robando el girasol y el algodón a los\npájaros y a mí, a veces, al acabar el día, cuando la primera botella aún\nno inició su trabajo en favor de la indiferencia y la memoria y el\nremordimiento siguen doliéndome\n(porque el infierno consiste en acordarnos durante toda la eternidad\n¿no es verdad?\n 19/661\n"Vamos a tokenizar esta página
lobo_p18<-lobo_pdf[18]
lobo<-udpipe(x = lobo_p18, object=udmodel) #"tokeniza" el textoDesde .txt
text <- readLines(path3)
amlo<-udpipe(x = text, object=udmodel) #"tokeniza" el textoUna nubecita de este discurso
stats<- amlo%>%
filter(!upos%in%no_upos) %>% #selecciona todos menos estos tipos
mutate(token=tolower(token)) %>% # cambia a que token no tenga mayúsculas
filter(!token%in%stop) # selecciona todas las palabras menos las que están en nuestro vector "stop"
stats.freq <- txt_freq(stats$token)
stats.freq$key <- factor(stats.freq$key, levels = rev(stats.freq$key)) # ordenaHoy sí, la nube
paleta_color<-wes_palette(n=7,
name="GrandBudapest2",
type="continuous")
wordcloud(words = stats.freq$key, freq = stats.freq$freq,
min.freq = 5,
max.words=120, # aquí le cambié
random.order=FALSE,
colors=paleta_color)