通过情感分析，我们可以从特朗普的推文得到什么？

特别是，他的挑衅性呼吁暂时禁止穆斯林进入美国，他面临强烈的批评。社交媒体分析的许多用途中的一些是情绪分析，其中我们评估关于特定问题的帖子是积极还是消极。我们可以通过利用众多R包和Tableau可视化，将R和Tableau集成到社交媒体分析，机器学习，预测建模等文本数据挖掘中。

       
在这篇文章中，我们使用R来挖掘tweets并分析他们的情绪。我们将使用Tableau来可视化我们的结果。我们将看到tweets，城市和状态的空间 – 时间分布与顶部数量的tweets，我们还将映射tweets的情绪。这将帮助我们看到他的评论在哪些领域被接受为积极的，他们被认为是负面的。

首先，让我们创建一个tweet的词云。 词云帮助我们可视化tweet中最常见的词：

我们从云中看到，tweet中最常用的词是’muslim’，’muslims’，’ban’。 这表明大多数推文是关于特朗普最近的想法，暂时禁止穆斯林进入美国。
下面的信息中心显示了所抓取的tweets数量的时间序列。 我们可以在小时和天之间更改时间单位，仪表板将根据所选时间单位更改。 随时间推移的推文数量模式有助于我们深入了解每个活动/活动的感知方式。

获取tweet的地址

由于一些tweets没有lat / lon值，我们将删除它们，因为我们希望地理信息按状态，城市和邮政编码显示tweets及其属性。

下面的地图显示了我可以反转地理编码的tweets。 大小与每个tweet获得的收藏夹数量成正比。 在互动地图中，我们可以将鼠标悬停在每个圈子上，并阅读推文，推文发送的地址以及发布的日期和时间。

类似地，下面的仪表板显示了tweets，大小与每个tweet被转发的次数成正比。

在以下三个可视化中，显示了顶部邮政编码，城市和州的推文数量。 在互动地图中，我们可以通过使用每个viz中显示的滚动条来更改要显示的邮政编码，城市和州的数量。 这些可视化帮助我们按邮政编码，城市和州查看tweet的分布。

情绪分析具有无数的用途。 例如，公司可以调查客户最喜欢公司产品的哪些方面，以及客户不满意的问题是什么？ 当公司发布新产品时，产品是否被正面或负面感知？ 客户的情绪如何随时间和空间而变化？ 在这篇文章中，我们正在评估，我们刮在唐纳德·特朗普的tweets的情绪。
下面的图显示了按状态反向地理编码的tweet的情绪分数。 我们看到推文在NY，NC和Tx有最高的正面情绪。

概要

在本文中，我们看到了如何将R和Tableau集成到文本挖掘，情感分析和可视化中。 一起使用这些工具使我们能够回答详细的问题。