La moción de censura nos da la oportunidad de re-usar
Dos políticos han sido protagonistas de la moción de censura que se ha desarrollado recientemente en el Congreso de los Diputados: Santiago Abascal y Pablo Casado. Ambos han destacado por sus discursos en sede parlamentaria, por motivos que no son el objeto de este post.
El objetivo de este post no es otro que utilizar varios conceptos introducidos en post anteriores para analizar sus discursos desde el punto de vista de técnicas básicas dentro del Procesamiento del Lenguaje Natural.
Ficheros de los discursos
Tanto VOX como el PP han publicado los ficheros PDF con el contenido de los discursos de moción de censura de sus líderes. El de Abascal lo podéis encontrar aquí, y el de Casado aquí.
Hemos utilizado una forma simple y que todo el mundo puede hacer: almacenar en un fichero de texto diferente (.TXT) cada discurso. Hay herramientas online que fácilmente convierten un fichero PDF o una página HTML en un fichero de texto. Con ese fichero PDF por discurso, el único trabajo «manual» que hemos hecho ha sido convertirlo a un fichero TXT. Y se acabó el trabajo manual: no hay que volver a tocar los ficheros nunca más, ni para limpiarlos de caracteres extraños. De eso ya se encargarán nuestros métodos.
Para todos aquellos que quieran hacer sus propios análisis con los ficheros de los discursos de cada político, aquí tenéis el link, una vez hemos transformado el PDF en un fichero de texto plano.
Pre-procesado y análisis
Tal y como hemos detallado en anteriores posts, lo primero es realizar un pre-procesado para poder disponer de nuestros datos (palabras). Hay muchas formas de pre-procesar la información para que se puedan utilizar las técnicas NLP. En nuestro caso, hemos leído los ficheros de los discursos, limpiado de caracteres extraños, divididos en palabras y eliminado las stop words. En este post lo explicamos en detalle.
Después, estos son los análisis que hemos realizado:
- Cuenta de palabras totales vs palabras útiles, así como su distribución, tal y como hicimos en este post.
- Bag of Words, tal y hicimos en este post. En este caso hemos identificado las 15 palabras más utilizadas y los 10 binomios de palabas más usados en cada discurso.
- TF-IDF, tal y como hicimos en este post, identificando las 15 palabras con mayor score y los 10 binomios de palabras con mayor score de cada discurso.
Palabras totales vs. palabras útiles de los discursos
Haciendo un simple conteo de las palabras totales vs. palabras útiles del discurso de cada líder político, vemos que Abascal se extendió bastante más en su discurso con mucha diferencia (12563 frente a 4883 palabras). Recordemos que las palabras útiles son las que aportan significado y para quedarnos con ellas simplemente hemos eliminado las stop words de nuestro corpus que contiene los discursos. En nuestro análisis, hemos incluido como stops words, además de las típicas del castellano, «señor», «abascal», «casado», «partido», «popular», «vox», «señorías», «moción» y «censura».
En el gráfico de abajo podemos ver cuántas palabras contiene cada discurso, y cuántas de ellas son útiles.
Distribución de palabras totales vs. palabras útiles de los discursos
Aunque en el anterior gráfico podíamos intuir cómo se repartía el porcentaje de palabras útiles respecto al total de palabras en el discurso de cada político, si lo visualizamos en forma de «donut», el resultado nos dice que el porcentaje es del 41,51% de palabras útiles de Abascal y el 37,25% de palabras útiles de Casado.
Bag of Words sobre los discursos
Recordando el concepto de Bag of Words, hemos asignado un identificador único a cada palabra distinta de cada discurso y contar las veces que se repite esa palabra a lo largo del discurso (corpus). Hay una característica importante de este método: no importa el orden en el que están dispuestas las palabras, lo único que se tiene en cuenta es el número de ocurrencias de cada palabra en cada documento del corpus, en este caso, cada discurso.
Las palabras más repetidas por Abascal fueron «España», «españoles» y «gobierno». Para Casado fueron «España», «Sánchez» y «gobierno».
Lo mismo, pero con binomios de palabras
Otro análisis interesante es, en vez de contabilizar el número de veces que se usan las palabras de forma individual, considerar un análisis de los binomios de palabras y ver qué sale.
En los siguientes gráficos vemos el resultado: Para Abascal, los binomios más utilizados son «millones personas» «Pedro Sánchez», «dieciocho sistemas» y «consenso progre». Para Casado, los binomios más utilizados son «bloque ruptura» y «izquierda derecha», «unida diversa» y «Unión europea».
TF-IDF de los discursos
Hacemos un pequeño repaso de lo que es TF-IDF: significa Term Frequency times Inverse Document Frequency (es decir, TF x IDF) y es una métrica o score que establece un valor sobre la importancia de una palabra («p») en un documento («p»). Aquí term es análogo a palabra.
Utilizando esta técnica, el discurso de moción de censura de Abascal tuvo como palabras más frecuentes «España», «españoles» y «gobierno». Para Casado, las palabras más frecuentes fueron «España», «Sánchez» y «gobierno».
Esta técnica funciona especialmente bien cuando hay varios documentos a comparar. Es decir, si hubiéramos tenido a nuestra disposición todos los discursos de cada político, nos habría dado mejores resultados.
Finalmente, nos binomios de palabras
El método TD-IDF también se puede aplicar sobre binomios de palabras, es decir, sobre todos los pares de palabras que aparecen de forma consecutiva en los discursos de Abascal y Casado.
Según la técnica TF-IDF, los binomios más utilizados por Abascal fueron «millones personas», «soberanía nacional» y «dieciocho sistemas». Para Casado fueron «bloque ruptura», «España izquierda», «izquierda derecha» y «unida izquierda».
Si te interesa el código, aquí lo tienes
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 |
import pandas as pd import string import matplotlib.pyplot as plt %matplotlib inline import seaborn as sns import os from os import listdir from os.path import isfile, join import spacy from spacy.tokens import Doc import re import plotly import plotly.graph_objects as go import scattertext as st from scattertext import CorpusFromPandas, produce_scattertext_explorer from IPython.display import IFrame from IPython.core.display import display, HTML import nltk from nltk.tokenize import RegexpTokenizer from sklearn.feature_extraction.text import CountVectorizer from sklearn.feature_extraction.text import TfidfVectorizer from nltk.corpus import stopwords nltk.download('stopwords') nltk.download('wordnet') # Function to return a list of stop words to consider def create_stop_words(): # We create a stop word list stops = set(stopwords.words("spanish")) # We define individual numbers and letters as stop words all_letters_numbers = string.digits + string.ascii_letters stops = stops.union(["señor", "abascal", "casado", "partido", "popular", "vox", "señorías", "moción", "censura" ]) # add some stopwords stops = stops.union(list(all_letters_numbers)) return stops g_parties_dict = { "Casado": "./Mocion/Casado/", "Abascal": "./Mocion/Abascal/" } g_parties_color_dict = { "Casado": ["#b3d9ff", "#0080ff", "interpolateBlues"], "Abascal": ["#c2f0c2", "#33cc33", "interpolateGreens"]} g_nlp = spacy.load('es_core_news_sm') g_stop_words = create_stop_words() | g_nlp.Defaults.stop_words g_not_category_name='Resto de partidos' g_charts_root_dir = './Charts' def list_dirs(directory): """Returns all directories in a given directory """ return [f for f in pathlib.Path(directory).iterdir() if f.is_dir()] def list_files(directory, ext): """Returns all files in a given directory """ onlyfiles = [join(directory, f) for f in listdir(directory) if isfile(join(directory, f)) and f.endswith(ext)] return sorted(onlyfiles) # Function to remove numbers and small words (1 or 2 letters) from a document def num_and_short_word_preprocessor(tokens): # Regular expression for numbers no_numbers = re.sub('(\d)+', '', tokens.lower()) # Regular expression for 1-letter and 2-letter words no_short_words = re.sub(r'\b\w{1,2}\b', '', no_numbers) return no_short_words # Function to tokenize a document wihthout using stopwords def custom_tokenizer(doc): word_tokenizer = RegexpTokenizer(r'\w+') tokens = word_tokenizer.tokenize(doc) return tokens # Function to tokenize a document using stopwords def custom_tokenizer_filtering_stopwords(doc): word_tokenizer = RegexpTokenizer(r'\w+') tokens = word_tokenizer.tokenize(doc) filtered_tokens = [token for token in tokens if token not in g_stop_words] return filtered_tokens def create_Doc(row): doc = Doc(g_nlp.vocab, words=row) doc.is_parsed = True return doc def create_party_programs_corpus_with_sections(): all_party_program_section_name_l = [] all_party_corpus_lc = [] all_party_name = list() for party_name, party_program_location in g_parties_dict.items(): # List of files and their corresponding names that make up the party program party_program_section_file_l = list_files(party_program_location, ".txt") party_program_section_name_l = list(map(lambda x: os.path.split(x)[1], party_program_section_file_l)) # List that contains the program document corpus party_program_corpus = list() # Fill out the corpus for section_file_name in party_program_section_file_l: with open(section_file_name, 'r', encoding="utf8") as section_file: section_file_data = section_file.read().replace('\n', '. ') party_program_corpus.append(section_file_data) all_party_name.append(party_name) # Clean up sections party_corpus_lc = [section.lower() for section in party_program_corpus] # to lowercase party_corpus_lc = [re.sub("(\d)+", '', section) for section in party_corpus_lc] # no numbers party_corpus_lc = [re.sub("[€º”—“«»>•‘’!""#$%&'()*+,-./:;?@[\]^_`{|}~]+", ' ', section) for section in party_corpus_lc] # no strange characters party_corpus_lc = [re.sub('\s\s+', ' ', section) for section in party_corpus_lc] # no multiple spaces party_corpus_lc = [re.sub(r'\b\w{1}\b', '', section) for section in party_corpus_lc] all_party_corpus_lc += party_corpus_lc # Cleanup section names all_party_program_section_name_l += party_program_section_name_l all_party_program_section_name_l = [re.sub(".txt", '', section_name) for section_name in all_party_program_section_name_l] all_party_program_section_name_l = [re.sub("(\d)+[-]", '', section_name) for section_name in all_party_program_section_name_l] token_raw_party_section = [custom_tokenizer(section) for section in all_party_corpus_lc] token_filtered_party_section = [custom_tokenizer_filtering_stopwords(section) for section in all_party_corpus_lc] # Create DataFrame party_corpus_df = pd.DataFrame(data = { "Party": all_party_name, "Section_name": all_party_program_section_name_l, "Section_text": all_party_corpus_lc, "Tokenized_raw_section_text": token_raw_party_section, "Tokenized_filtered_section_text": token_filtered_party_section, }) parsed = party_corpus_df.Tokenized_filtered_section_text.apply(create_Doc) party_corpus_df["Parsed_section_text"] = parsed return party_corpus_df def get_word_breakdown(party_corpus_df): def get_num_tokens(values): flat_list = [item for sublist in values for item in sublist] return len(flat_list) total_words = party_corpus_df.groupby("Party").Tokenized_raw_section_text.agg(get_num_tokens) useful_words = party_corpus_df.groupby("Party").Tokenized_filtered_section_text.agg(get_num_tokens) words_per_party = pd.DataFrame(total_words).assign(x=useful_words.values) words_per_party.reset_index(level=0, inplace=True) words_per_party.columns = ['Party', 'Total words', 'Useful words'] return words_per_party def create_wordcount_pie(words_per_party): import locale locale.setlocale(locale.LC_NUMERIC, 'es_ES') words_per_party = words_per_party.sort_values(by=['Total words'], ascending=False).reset_index(drop=True) legends_l = [] for party in words_per_party['Party']: legends_l.append("{} - totales".format(party)) legends_l.append("{} - útiles".format(party)) sns.set(color_codes=True) sns.set_style("whitegrid") figure = plt.figure(figsize=(7, 7)) ax_pie = figure.add_subplot(1, 1, 1) startingRadius = 1.7 + (0.3* (len(words_per_party)-1)) for index, row in words_per_party.iterrows(): party_name = row["Party"] total_words = row["Total words"] useful_words = row["Useful words"] useless_words = row["Total words"] - row["Useful words"] party_colors = g_parties_color_dict[party_name] useful_words_pct = (useful_words / total_words) * 100 localized_useful_words_pct = locale.format_string('%.2f', useful_words_pct, grouping=True) label_text = "{}: {}% útiles".format(party_name, localized_useful_words_pct) label_text_2 = "{}".format(total_words) remaining_pct = 100 - useful_words_pct donut_sizes = [remaining_pct, useful_words_pct] ax_pie.text(-0.48, startingRadius - 0.26, label_text, horizontalalignment='left', verticalalignment='center', fontsize=12, fontweight='bold',color='black') ax_pie.text(0.1 - startingRadius, 0, useful_words, horizontalalignment='left', verticalalignment='center', fontsize=12, fontweight='normal',color='black', rotation = 45) ax_pie.text(-0.3 + startingRadius, 0, total_words, horizontalalignment='left', verticalalignment='center', fontsize=12, fontweight='normal',color='black', rotation = 45) donut = ax_pie.pie(donut_sizes, radius = startingRadius, startangle = 270, colors=party_colors, labels = [total_words, useful_words], rotatelabels = False, counterclock = True, labeldistance = 0.95 - 0.025*index, wedgeprops = {"edgecolor": "white", 'linewidth': 1}, textprops = dict(rotation_mode = 'default', va='center', ha='center', #rotation=45, wrap=True, #position=(2,0), visible=False ) ) startingRadius-=0.80 # create circle and place onto pie chart circle = ax_pie.add_patch(plt.Circle(xy=(0, 0), radius=0.35, facecolor='white')) horiz_offset = 0.8 vert_offset = -0.30 _ = ax_pie.legend(legends_l, bbox_to_anchor=(horiz_offset, vert_offset), ncol=2) _ = ax_pie.set_title('Distribución de palabras (útiles/totales) en el discurso', fontsize=18, x=0.5, y=1.35) def create_wordcount_stacked_bar(words_per_party): words_per_party = words_per_party.sort_values(by=['Total words'], ascending=False).reset_index(drop=True) sns.set(color_codes=True) sns.set_style("whitegrid") figure = plt.figure(figsize=(15, 5)) ax_1 = figure.add_subplot(1, 1, 1) ax_1.set_ymargin(0.15) parties = words_per_party["Party"] total_words_colors = [g_parties_color_dict[key][0] for key in parties.values] useful_words_colors = [g_parties_color_dict[key][1] for key in parties.values] total_words_legends = ["{} - no útiles".format(key) for key in parties.values] useful_words_legends = ["{} - útiles".format(key) for key in parties.values] useless_words = words_per_party["Total words"] - words_per_party["Useful words"] pie_1 = ax_1.barh(parties, words_per_party["Total words"], color=total_words_colors) pie_2 = ax_1.barh(parties, words_per_party["Useful words"], color=useful_words_colors) for i, v in enumerate(words_per_party["Total words"]): plt.text(v/1.5, i + .45, str(useless_words[i]), color=total_words_colors[i], fontweight='bold', fontsize=16) plt.text(v/1.0, i + .05, str(v), color='black', fontweight='normal', fontsize=13) for i, v in enumerate(words_per_party["Useful words"]): plt.text(v/4, i + .45, str(v), color=useful_words_colors[i], fontweight='bold', fontsize=16) # we also need to switch the labels ax_1.set_xlabel('Número de palabras en el discurso', fontsize=18) horiz_offset = 0.98 vert_offset = 1 _ = ax_1.legend(pie_1 + pie_2, total_words_legends + useful_words_legends, bbox_to_anchor=(horiz_offset, vert_offset), ncol=2) def merge_party_sections(party_corpus_df): corpus_groupby_party = party_corpus_df.groupby("Party", as_index=False) party_aggregated_sections = corpus_groupby_party["Section_text"].apply(lambda x: ' '.join(x)) party_sections_df = pd.DataFrame(data = {"Section_text": party_aggregated_sections.values, "Party": list(corpus_groupby_party["Party"].groups.keys())}) return party_sections_df def create_corpora_metric(corpora, doc_names, metric, stop, ngram = 1, num_freq_words=25, num_freq_words_section = 5, debug = False): if metric == "bow": vectorizer = CountVectorizer(stop_words = stop, ngram_range = (ngram, ngram), preprocessor = num_and_short_word_preprocessor, tokenizer=custom_tokenizer) elif metric =="tf-idf": vectorizer = TfidfVectorizer(stop_words = stop, ngram_range = (ngram, ngram), preprocessor = num_and_short_word_preprocessor, tokenizer=custom_tokenizer) else: raise Exception('Metric not supported') vec = vectorizer.fit(corpora) doc_term_mat = vec.transform(corpora) # START: Calculate the most frequent words per section (using word ID) freq_words_set = set() for section in range(len(corpora)): section_info = doc_term_mat[section,] freq_words_section = [(idx, section_info[0, idx]) for word, idx in vec.vocabulary_.items()] sorted_freq_words_section = sorted(freq_words_section, key = lambda x: x[1], reverse=True) top_freq_words_section = [word[0] for word in sorted_freq_words_section] freq_words_set.update(top_freq_words_section[0:num_freq_words_section]) # END # START: Calculate the most frequest words overall (using word ID) all_sections_info = doc_term_mat.sum(axis=0) all_freq_words_section = [(idx, all_sections_info[0, idx]) for word, idx in vec.vocabulary_.items()] all_sorted_freq_words_section = sorted(all_freq_words_section, key = lambda x: x[1], reverse=True) all_top_freq_words_section = [word[0] for word in all_sorted_freq_words_section] freq_words_set.update(all_top_freq_words_section[0:num_freq_words]) # END freq_words_key_l = list(freq_words_set) # list of most frequent word IDs reverse_dictionary = {v: k for k, v in vec.vocabulary_.items()} # dictionary ID: word freq_words_value_l = [reverse_dictionary[word_key] for word_key in freq_words_key_l] # list of most frequent words #DataFrame including the most frequent words per section and overall freq_words_df = pd.DataFrame((doc_term_mat[:,freq_words_key_l]).todense(), columns=freq_words_value_l, index=doc_names) return freq_words_df def create_metric_dict_by_party(party_corpus_df, metric = "bow", ngram = 1, num_freq_words=10, num_freq_words_section = 5): parties = party_corpus_df.Party.unique() metric_by_party = dict() # METRIC (BOW or TF-IDF) for individual parties for party in parties: party_corpora = party_corpus_df[party_corpus_df.Party == party] party_section_texts = party_corpora.Section_text.tolist() party_section_names = party_corpora.Section_name.tolist() freq_words_df = create_corpora_metric(party_section_texts, party_section_names, metric, g_stop_words, ngram = ngram, num_freq_words=num_freq_words, num_freq_words_section = num_freq_words_section) metric_by_party[party] = freq_words_df # METRIC (BOW or TF-IDF) for the overall corpora including all parties party_sections_df = merge_party_sections(party_corpus_df) overall_section_texts = party_sections_df.Section_text.tolist() overall_section_names = party_sections_df.Party.tolist() overall_freq_words_df = create_corpora_metric(overall_section_texts, overall_section_names, metric, g_stop_words, ngram = ngram, num_freq_words=num_freq_words, num_freq_words_section = num_freq_words_section) metric_by_party["All"] = overall_freq_words_df return metric_by_party def normalize_word_df(word_df): norm_word_df = word_df.copy() total_per_party = norm_word_df.sum(axis=1) grand_total = sum(total_per_party) for party in norm_word_df.index: norm_word_df.loc[party] = (norm_word_df.loc[party] / total_per_party[party]) * 100 return norm_word_df def show_df_as_bubble(word_df, num_words = 2, normalize = False, standard_sizeref = True, title = 'Palabras con mayor score por partido', xtitle = 'Palabras', ytitle = 'Partido', sub_dir = 'bow', file_name = 'bow_bubble', to_file = False): if normalize: word_df = normalize_word_df(word_df) title = title + " (normalizado)" # Keep the top 'num_words' words word_df.reindex(word_df.sum().sort_values(ascending=False).index, axis=1) num_words = min(num_words, word_df.shape[1]) word_df = word_df.iloc[:, :num_words] # Sort in alphabetical order word_df = word_df.reindex(sorted(word_df.columns), axis=1) # Get the word labels word_l = word_df.columns.values num_words = len(word_l) # List that contains every bubble row. Each element is a party. bubble_data = [] xs = list(range(word_df.shape[1])) for num_row in range(len(word_df.values)): index_name = word_df.index[num_row] index_color = g_parties_color_dict[index_name][1] index_values = word_df.values[num_row] if normalize: sizeref = 0.01 * max(index_values) hover_text = ["{:.2f}%".format(index_value) for index_value in index_values] else: if standard_sizeref: sizeref = 1 else: sizeref = 0.01 * max(index_values) hover_text = index_values section_bubble = go.Scatter( x = word_l, y = [num_row + 1] * num_words, name = index_name, showlegend = True, mode = 'markers', hovertext = hover_text, hoverinfo = "x+text", marker_size = index_values, marker = dict(color = index_color, sizeref = sizeref), ) bubble_data.append(section_bubble) fig = go.Figure(data=bubble_data) fig.update_layout( title = dict(text = title, xanchor = 'center', x = 0.5, font = dict(size=20)), yaxis = dict( tickmode = 'array', tickvals = list(range(1, num_words + 1)), ticktext = word_df.index ), legend = dict(itemsizing = 'constant') ) fig.update_xaxes(tickangle=315, title_text=xtitle, title_font=dict(size=18)) fig.update_yaxes(title_text=ytitle, title_font=dict(size=18)) if to_file: complete_file_name = '{}/{}/{}.html'.format(g_charts_root_dir, sub_dir, file_name) plotly.offline.plot(fig, filename = complete_file_name, auto_open=False) fig.show() # Read files party_corpus_df = create_party_programs_corpus_with_sections() # Word count analysis words_per_party = get_word_breakdown(party_corpus_df) create_wordcount_pie(words_per_party) create_wordcount_stacked_bar(words_per_party) # BOW analysis bow_by_party = create_metric_dict_by_party(party_corpus_df, metric = "bow", ngram = 1, num_freq_words=15, num_freq_words_section = 5) two_gram_bow_by_party = create_metric_dict_by_party(party_corpus_df, metric = "bow", ngram = 2, num_freq_words=10, num_freq_words_section = 10) all_party_words = bow_by_party['All'] all_party_2_words = two_gram_bow_by_party['All'] show_df_as_bubble(all_party_words, num_words = 15, normalize = False, title = 'Palabras más usadas por político',ytitle = 'Político', to_file = True, sub_dir = 'bow', file_name = 'bow_partidos') show_df_as_bubble(all_party_2_words, num_words = 15, normalize = True, title = 'Binomios de palabras por político', xtitle = 'Binomios de palabras', ytitle = 'Político', to_file = True, sub_dir = 'bow', file_name = 'bow_2_partidos') # TF-IDF analysis td_idf_by_party = create_metric_dict_by_party(party_corpus_df, metric = "tf-idf", ngram = 1, num_freq_words=15, num_freq_words_section = 15) two_gram_tf_idf_by_party = create_metric_dict_by_party(party_corpus_df, metric = "tf-idf", ngram = 2, num_freq_words=10, num_freq_words_section = 10) tdidf_all_party_words = td_idf_by_party['All'] tdidf_all_party_2_words = two_gram_tf_idf_by_party['All'] show_df_as_bubble(tdidf_all_party_words, num_words = 250, normalize = False, standard_sizeref = False, title = 'Palabras con mayor score por político', ytitle = 'Político', to_file = True, sub_dir = 'tfidf', file_name = 'tfidf_partidos') show_df_as_bubble(tdidf_all_party_2_words, num_words = 250, normalize = False, standard_sizeref = False, title = 'Binomios de palabras con mayor score por político', ytitle = 'Político', to_file = True, sub_dir = 'tfidf', file_name = 'tfidf_2_partidos') |
Takeaway
Los discursos de moción de censura de Abascal y Casado nos han dado la oportunidad para re-usar masivamente el trabajo realizado en posts anteriores para limpiar, pre-procesar y analizar documentos.
En primer lugar hemos realizado el ejercicio sencillo de contar palabras, además de conocer qué porcentaje de palabras aporta poco significado a un discurso.
Después hemos contado las palabras y nos hemos quedado con las que más se repiten y hemos realizado un análisis adicional sobre los binomios de palabras más usados.
Finalmente hemos buscado las palabras que mejor caracterizan al discurso, utilizando la técnica TF-IDF, aunque habríamos sacado más rendimiento a la téncica si hubiésemos tenido varios discursos por cada polícito.
Ver en Kaggle