R文本分析

最新推荐文章于 2022-06-29 10:16:29 发布
最新推荐文章于 2022-06-29 10:16:29 发布
阅读量3.6k 收藏 11
点赞数 1
分类专栏： r语言 文章标签： r文本分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_27560455/article/details/77680123
版权

jiebaR



---
title: "景区点评分析"
output: word_document
---


#读入点评内容数据
#install.packages("RMySQL")

#library(RODBC)
#myconn<-odbcConnect("wuchaojin",uid = "root",pwd = "admin")
#scenic<-sqlQuery(myconn,"select 景区名称 from dianping")
#comment_time<-sqlQuery(myconn,"select date_format(点评时间,'%Y-%m') from #dianping order by 1")
#pundat<-sqlQuery(myconn,"select 点评内容 from dianping")
#jiebaR
library(jiebaR)
mixseg = worker("tag",stop_word="C:\\Users\\wuchaojin\\Desktop\\stopword.txt")
#分词
split_word<-mixseg[as.character(pundat[,1])]
#词频
split_word<-freq(split_word)     #词频
split_word<-as.data.frame(split_word,responseName="freq")    #转为数据框
split_word<-split_word[order(-split_word$freq),]    #按词频大小排序
#插入分词类别




canyin<-read.csv("C:\\Users\\wuchaojin\\Desktop\\名镇古迹\\餐饮.csv")
fengjing<-read.csv("C:\\Users\\wuchaojin\\Desktop\\名镇古迹\\风景景点.csv")
fuwu<-read.csv("C:\\Users\\wuchaojin\\Desktop\\名镇古迹\\服务.csv")
ruyuan<-read.csv("C:\\Users\\wuchaojin\\Desktop\\名镇古迹\\购票入园.csv")
gouwu<-read.csv("C:\\Users\\wuchaojin\\Desktop\\名镇古迹\\购物.csv")
guanli<-read.csv("C:\\Users\\wuchaojin\\Desktop\\名镇古迹\\管理.csv")
huanjing<-read.csv("C:\\Users\\wuchaojin\\Desktop\\名镇古迹\\环境.csv")
jiage<-read.csv("C:\\Users\\wuchaojin\\Desktop\\名镇古迹\\价格.csv")
jiaotong<-read.csv("C:\\Users\\wuchaojin\\Desktop\\名镇古迹\\交通.csv")
sheshi<-read.csv("C:\\Users\\wuchaojin\\Desktop\\名镇古迹\\设施设备.csv")
tianqi<-read.csv("C:\\Users\\wuchaojin\\Desktop\\名镇古迹\\天气.csv")
zhusu<-read.csv("C:\\Users\\wuchaojin\\Desktop\\名镇古迹\\住宿.csv")

split_word$category[split_word$char %in% canyin$word ]<-"餐饮"
split_word$category[split_word$char %in% fengjing$word ]<-"风景景点"
split_word$category[split_word$char %in% fuwu$word ]<-"服务"
split_word$category[split_word$char %in% ruyuan$word ]<-"购票入园"
split_word$category[split_word$char %in% gouwu$word ]<-"购物"
split_word$category[split_word$char %in% guanli$word ]<-"管理"
split_word$category[split_word$char %in% huanjing$word ]<-"环境"
split_word$category[split_word$char %in% jiage$word ]<-"价格"
split_word$category[split_word$char %in% jiaotong$word ]<-"交通"
split_word$category[split_word$char %in% sheshi$word ]<-"设施"
split_word$category[split_word$char %in% tianqi$word ]<-"天气"
split_word$category[split_word$char %in% zhusu$word ]<-"住宿"


#数据透视表-各类别词频
freq_data<-aggregate(split_word$freq,by=list(split_word$category),FUN=sum,na.rm=TRUE)
#变量重命名
library(reshape)
freq_data_all<-rename(freq_data,c(Group.1="category",x="freq_all"))
freq_data_all<-freq_data_all[order(-freq_data_all$freq_all),]
#输出外部文件
write.csv(split_word,"new_split_all.csv",row.names = FALSE)  #分词词频及类别列表
write.csv(freq_data_all,"freq_data_all.csv",row.names = FALSE)  #各维度词频数


#一星


library(jiebaR)
mixseg1 = worker("tag",stop_word="C:\\Users\\wuchaojin\\Desktop\\stopword.txt")
split_word1<-mixseg1[as.character(pundat1[,1])]
split_word1<-freq(split_word1)     #词频
split_word1<-as.data.frame(split_word1,responseName="freq")    #转为数据框
split_word1<-split_word1[order(-split_word1$freq),]    #按词频大小排序
canyin<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\canyin.csv")
fuwu<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\fuwu.csv")
huanjing<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\huanjing.csv")
jiage<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\jiage.csv")
jiaotong<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\jiaotong.csv")
guanli<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\guanli.csv")
sheshi<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\sheshi.csv")
ruyuan<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\ruyuan.csv")
gouwu<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\gouwu.csv")
zhusu<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\zhusu.csv")
tianqi<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\tianqi.csv")
xiangmu<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\xiangmu.csv")


split_word1$category[split_word1$char %in% tianqi$word ]<-"天气"
split_word1$category[split_word1$char %in% canyin$word ]<-"餐饮"
split_word1$category[split_word1$char %in% fuwu$word ]<-"服务"
split_word1$category[split_word1$char %in% xiangmu$word ]<-"娱乐项目"
split_word1$category[split_word1$char %in% jiage$word ]<-"价格"
split_word1$category[split_word1$char %in% jiaotong$word ]<-"交通"
split_word1$category[split_word1$char %in% sheshi$word ]<-"设施"
split_word1$category[split_word1$char %in% ruyuan$word ]<-"购票入园"
split_word1$category[split_word1$char %in% guanli$word ]<-"管理"
split_word1$category[split_word1$char %in% zhusu$word ]<-"住宿"
split_word1$category[split_word1$char %in% huanjing$word ]<-"环境氛围"
split_word1$category[split_word1$char %in% gouwu$word ]<-"购物"
freq_data1<-aggregate(split_word1$freq,by=list(split_word1$category),FUN=sum,na.rm=TRUE)
library(reshape)
freq_data_1<-rename(freq_data1,c(Group.1="category",x="freq_1"))

write.csv(split_word1,"new_split_1.csv",row.names = FALSE)
write.csv(freq_data_1,"freq_data_1.csv",row.names = FALSE)


#二星


library(jiebaR)
mixseg2 = worker("tag",stop_word="C:\\Users\\wuchaojin\\Desktop\\stopword.txt")
split_word2<-mixseg2[as.character(pundat2[,1])]
split_word2<-freq(split_word2)     #词频
split_word2<-as.data.frame(split_word2,responseName="freq")    #转为数据框
split_word2<-split_word2[order(-split_word2$freq),]    #按词频大小排序
canyin<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\canyin.csv")
fuwu<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\fuwu.csv")
huanjing<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\huanjing.csv")
jiage<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\jiage.csv")
jiaotong<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\jiaotong.csv")
guanli<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\guanli.csv")
sheshi<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\sheshi.csv")
ruyuan<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\ruyuan.csv")
gouwu<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\gouwu.csv")
zhusu<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\zhusu.csv")
tianqi<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\tianqi.csv")
xiangmu<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\xiangmu.csv")


split_word2$category[split_word2$char %in% tianqi$word ]<-"天气"
split_word2$category[split_word2$char %in% canyin$word ]<-"餐饮"
split_word2$category[split_word2$char %in% fuwu$word ]<-"服务"
split_word2$category[split_word2$char %in% xiangmu$word ]<-"娱乐项目"
split_word2$category[split_word2$char %in% jiage$word ]<-"价格"
split_word2$category[split_word2$char %in% jiaotong$word ]<-"交通"
split_word2$category[split_word2$char %in% sheshi$word ]<-"设施"
split_word2$category[split_word2$char %in% ruyuan$word ]<-"购票入园"
split_word2$category[split_word2$char %in% guanli$word ]<-"管理"
split_word2$category[split_word2$char %in% zhusu$word ]<-"住宿"
split_word2$category[split_word2$char %in% huanjing$word ]<-"环境氛围"
split_word2$category[split_word2$char %in% gouwu$word ]<-"购物"
freq_data2<-aggregate(split_word2$freq,by=list(split_word2$category),FUN=sum,na.rm=TRUE)
library(reshape)
freq_data_2<-rename(freq_data2,c(Group.1="category",x="freq_2"))
write.csv(split_word2,"new_split_2.csv",row.names = FALSE)
write.csv(freq_data_2,"freq_data_2.csv",row.names = FALSE)


#三星

library(jiebaR)
mixseg3 = worker("tag",stop_word="C:\\Users\\wuchaojin\\Desktop\\stopword.txt")
split_word3<-mixseg3[as.character(pundat3[,1])]
split_word3<-freq(split_word3)     #词频
split_word3<-as.data.frame(split_word3,responseName="freq")    #转为数据框
split_word3<-split_word3[order(-split_word3$freq),]    #按词频大小排序
canyin<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\canyin.csv")
fuwu<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\fuwu.csv")
huanjing<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\huanjing.csv")
jiage<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\jiage.csv")
jiaotong<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\jiaotong.csv")
guanli<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\guanli.csv")
sheshi<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\sheshi.csv")
ruyuan<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\ruyuan.csv")
gouwu<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\gouwu.csv")
zhusu<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\zhusu.csv")
tianqi<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\tianqi.csv")
xiangmu<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\xiangmu.csv")


split_word3$category[split_word3$char %in% tianqi$word ]<-"天气"
split_word3$category[split_word3$char %in% canyin$word ]<-"餐饮"
split_word3$category[split_word3$char %in% fuwu$word ]<-"服务"
split_word3$category[split_word3$char %in% xiangmu$word ]<-"娱乐项目"
split_word3$category[split_word3$char %in% jiage$word ]<-"价格"
split_word3$category[split_word3$char %in% jiaotong$word ]<-"交通"
split_word3$category[split_word3$char %in% sheshi$word ]<-"设施"
split_word3$category[split_word3$char %in% ruyuan$word ]<-"购票入园"
split_word3$category[split_word3$char %in% guanli$word ]<-"管理"
split_word3$category[split_word3$char %in% zhusu$word ]<-"住宿"
split_word3$category[split_word3$char %in% huanjing$word ]<-"环境氛围"
split_word3$category[split_word3$char %in% gouwu$word ]<-"购物"
freq_data3<-aggregate(split_word3$freq,by=list(split_word3$category),FUN=sum,na.rm=TRUE)
library(reshape)
freq_data_3<-rename(freq_data3,c(Group.1="category",x="freq_3"))
write.csv(split_word3,"new_split_3.csv",row.names = FALSE)
write.csv(freq_data_3,"freq_data_3.csv",row.names = FALSE)

#四星

library(jiebaR)
mixseg4 = worker("tag",stop_word="C:\\Users\\wuchaojin\\Desktop\\stopword.txt")
split_word4<-mixseg4[as.character(pundat4[,1])]
split_word4<-freq(split_word4)     #词频
split_word4<-as.data.frame(split_word4,responseName="freq")    #转为数据框
split_word4<-split_word4[order(-split_word4$freq),]    #按词频大小排序
canyin<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\canyin.csv")
fuwu<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\fuwu.csv")
huanjing<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\huanjing.csv")
jiage<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\jiage.csv")
jiaotong<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\jiaotong.csv")
guanli<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\guanli.csv")
sheshi<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\sheshi.csv")
ruyuan<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\ruyuan.csv")
gouwu<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\gouwu.csv")
zhusu<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\zhusu.csv")
tianqi<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\tianqi.csv")
xiangmu<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\xiangmu.csv")


split_word4$category[split_word4$char %in% tianqi$word ]<-"天气"
split_word4$category[split_word4$char %in% canyin$word ]<-"餐饮"
split_word4$category[split_word4$char %in% fuwu$word ]<-"服务"
split_word4$category[split_word4$char %in% xiangmu$word ]<-"娱乐项目"
split_word4$category[split_word4$char %in% jiage$word ]<-"价格"
split_word4$category[split_word4$char %in% jiaotong$word ]<-"交通"
split_word4$category[split_word4$char %in% sheshi$word ]<-"设施"
split_word4$category[split_word4$char %in% ruyuan$word ]<-"购票入园"
split_word4$category[split_word4$char %in% guanli$word ]<-"管理"
split_word4$category[split_word4$char %in% zhusu$word ]<-"住宿"
split_word4$category[split_word4$char %in% huanjing$word ]<-"环境氛围"
split_word4$category[split_word4$char %in% gouwu$word ]<-"购物"
freq_data4<-aggregate(split_word4$freq,by=list(split_word4$category),FUN=sum,na.rm=TRUE)
library(reshape)
freq_data_4<-rename(freq_data4,c(Group.1="category",x="freq_4"))
write.csv(split_word4,"new_split_4.csv",row.names = FALSE)
write.csv(freq_data_4,"freq_data_4.csv",row.names = FALSE)


#五星

library(jiebaR)
mixseg5 = worker("tag",stop_word="C:\\Users\\wuchaojin\\Desktop\\stopword.txt")
split_word5<-mixseg5[as.character(pundat5[,1])]
split_word5<-freq(split_word5)     #词频
split_word5<-as.data.frame(split_word5,responseName="freq")    #转为数据框
split_word5<-split_word5[order(-split_word5$freq),]    #按词频大小排序
canyin<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\canyin.csv")
fuwu<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\fuwu.csv")
huanjing<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\huanjing.csv")
jiage<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\jiage.csv")
jiaotong<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\jiaotong.csv")
guanli<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\guanli.csv")
sheshi<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\sheshi.csv")
ruyuan<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\ruyuan.csv")
gouwu<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\gouwu.csv")
zhusu<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\zhusu.csv")
tianqi<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\tianqi.csv")
xiangmu<-read.csv("C:\\Users\\wuchaojin\\Desktop\\category\\xiangmu.csv")


split_word5$category[split_word5$char %in% tianqi$word ]<-"天气"
split_word5$category[split_word5$char %in% canyin$word ]<-"餐饮"
split_word5$category[split_word5$char %in% fuwu$word ]<-"服务"
split_word5$category[split_word5$char %in% xiangmu$word ]<-"娱乐项目"
split_word5$category[split_word5$char %in% jiage$word ]<-"价格"
split_word5$category[split_word5$char %in% jiaotong$word ]<-"交通"
split_word5$category[split_word5$char %in% sheshi$word ]<-"设施"
split_word5$category[split_word5$char %in% ruyuan$word ]<-"购票入园"
split_word5$category[split_word5$char %in% guanli$word ]<-"管理"
split_word5$category[split_word5$char %in% zhusu$word ]<-"住宿"
split_word5$category[split_word5$char %in% huanjing$word ]<-"环境氛围"
split_word5$category[split_word5$char %in% gouwu$word ]<-"购物"
freq_data5<-aggregate(split_word5$freq,by=list(split_word5$category),FUN=sum,na.rm=TRUE)
library(reshape)
freq_data_5<-rename(freq_data5,c(Group.1="category",x="freq_5"))
write.csv(split_word5,"new_split_5.csv",row.names = FALSE)
write.csv(freq_data_5,"freq_data_5.csv",row.names = FALSE)



freq_data_all$freq_1<-freq_data_1[match(freq_data_all$category,freq_data_1$category),2]
freq_data_all$freq_2<-freq_data_2[match(freq_data_all$category,freq_data_2$category),2]
freq_data_all$freq_3<-freq_data_3[match(freq_data_all$category,freq_data_3$category),2]
freq_data_all$freq_4<-freq_data_4[match(freq_data_all$category,freq_data_4$category),2]
freq_data_all$freq_5<-freq_data_5[match(freq_data_all$category,freq_data_5$category),2]

freq_data_all$freq_1[is.na(freq_data_all$freq_1)]<-0
freq_data_all$freq_2[is.na(freq_data_all$freq_2)]<-0
freq_data_all$freq_3[is.na(freq_data_all$freq_3)]<-0
freq_data_all$freq_4[is.na(freq_data_all$freq_4)]<-0
freq_data_all$freq_5[is.na(freq_data_all$freq_5)]<-0

total<-freq_data_all
total_amount<-total
total_level<-transform(total,level=1*freq_1/freq_all+2*freq_2/freq_all+3*freq_3/freq_all+4*freq_4/freq_all+5*freq_5/freq_all)
total_l_a<-merge(total_amount[,c(1,2)],total_level[c(1,8)],by="category")
total_l_a<-total_l_a[order(-total_l_a$freq_all),]
#write.csv(total_level,"total_level.csv",row.names = FALSE)
#write.csv(total_amount,"total_amount.csv",row.names = FALSE)
#write.csv(total_l_a,"total_l_a.csv",row.names = FALSE)





## 一、研究目的

&#8195;&#8195;为充分了解现代旅游者决策、购买、游览和游后行为，洞察游客反馈及潜在游客需求，对游客在网上分享游览经验，交流出游方式、行程路线、交通工具、风土人情、景区景点、权益维护、态度评价和心得体会等方面信息的研究变得至关重要。网络自由开放共享的特性可充分反映游客对景区形象的认知和感受，这里以主要OTA点评数据为样本，使用R语言提取游客对`r scenic[1,1]`旅游形象感知和评价的高频特征词，研究游客对景区各维度的关注度及满意度，挖掘游客潜在需求，为景区形象的完善与提升提供依据。

## 二、研究方法

#### 2.1数据获取
&#8195;&#8195;运用爬虫工具采集景区点评数据，并存入本地数据库，采集数据包括：景区名称、总点评数、每条点评内容、点评时间、点评星级，最后设置格式并清洗数据。

#### 2.2分词处理
&#8195;&#8195;连接数据库提取点评数据，载入分词包jiebaR进行分词，按词性筛选并剔除无用停用词，然后做词频分析。

#### 2.3词库整理
&#8195;&#8195;对分词进行分类，参考该景区主题类型，根据点评分词涉及范围，将景区分成各个维度，得出景区维度：如：娱乐项目、餐饮、服务、环境、价格、交通、设施、入园、管理等多个分析维度。将各维度涉及分词整理成词库，以备后用。并将该景区相关专用名词加入jiebaR下面的分词词典，以重新获得更准确的分词。整理好的词库可适用于同主题同类景区,便于批量生成报告。

#### 2.4满意度分析
&#8195;&#8195;按星级分类统计词频，调取各维度词库分词，加权平均求各维度满意度指数。

#### 2.5图形输出
&#8195;&#8195;按点评时间输出趋势图衡量景区热度及满意度走势，按景区维度输出分布图研究游客潜在需求及对景区感知，最后输出词云反映实际具体问题。







overall_level1$星级<-as.numeric(overall_level1$星级)
overall_level2<-round(mean(overall_level1$星级)/5,2)
overall_level3<-aggregate(overall_level1$星级,by=list(overall_level1$时间),FUN=mean,na.rm=TRUE)
library(reshape)
overall_level3<-rename(overall_level3,c(Group.1="时间",x="星级"))
#write.csv(overall_amount,"overall_amount.csv",row.names = FALSE)
#write.csv(overall_level3,"overall_level.csv",row.names = FALSE)



library(ggplot2)  
library(gtable)  
library(grid) 
#柱形图
#overall_amount<-read.csv("D:\\Documents\\overall_amount.csv",row.names = NULL)



## 三、研究结果
#### 3.1总体趋势
&#8195;&#8195;`r scenic[1,1]`从`r comment_time[1,1]`至今，主要OTA总点评数`r table(scenic)`，通过如下趋势图可看出，（在每年的XX-XX月份景区热度达到峰值，15年高峰期与14年相比同期增长XX%，16年相比15年同期增长XX%，景区整体热度每年呈XX趋势。）

景区关注度趋势图数据：

overall_amount



ggplot(overall_amount,aes(x=factor(时间),y=点评数))+
  geom_bar(stat="identity",fill="#BED742")+
  geom_text(aes(label=点评数),vjust=-0.4,colour="black",size=3)+
  ylim(0,max(overall_amount$点评数)*1.05)+
  theme_bw()+
  labs(x="日期",y="点评数")+  
  ggtitle(paste("景区关注度趋势图    总点评数：",comment_num,sep=""))+  
  theme(axis.text.x=element_text(angle=65,hjust=1,vjust=1,size=8),
        axis.title.x=element_text(colour="darkgrey",size=10),
        axis.title.y=element_text(colour="darkgrey",size=10),
        panel.border=element_blank(),  
        panel.grid.major.x=element_blank(),  
        panel.grid.minor.x=element_blank(),  
        panel.grid.major.y=element_blank(),  
        panel.grid.minor.y=element_blank(),
        axis.line=element_line(color="gray",size=1))



&#8195;&#8195;景区总体满意度达`r round(mean(overall_level1$星级)/5,2)`（0~1），（在出游高峰平均满意度平均水平为XX。15年出游高峰满意度同比增长XX%，16年满意度相比15年同期增长XX%，景区整体满意度逐年XX。）

景区满意度趋势图数据：

#overall_level<-read.csv("D:\\Documents\\overall_level.csv")
overall_level3
#折线图
library(ggplot2)
ggplot(overall_level3,aes(x=factor(时间),y=星级/5,group=1))+
  geom_line(color="#BED742")+geom_point(color="#BED742")+
  geom_text(aes(label=round(星级/5,2)),vjust=-0.4,colour="black",size=3)+
  ylim(min(overall_level3$星级/5)*0.9,max(overall_level3$星级/5)*1.05)+
 theme_bw()+
  labs(x="日期",y="满意度")+  
  ggtitle(paste("景区满意度趋势图    总体满意度",round(mean(overall_level1$星级)/5,2),sep=""))+
  theme(axis.text.x=element_text(angle=65,hjust=1,vjust=1,size=8),
        axis.title.x=element_text(colour="darkgrey",size=9),
        axis.title.y=element_text(colour="darkgrey",size=9),
        panel.border=element_blank(),  
        panel.grid.major.x=element_blank(),  
        panel.grid.minor.x=element_blank(),  
        panel.grid.major.y=element_blank(),  
        panel.grid.minor.y=element_blank())


#### 3.2 维度细分

&#8195;&#8195;通过下图景区各维度满意度分布，（可见游客对景区的XX最为关注，平均每条评论提及XX次。其次是XX、XX以及XX，人均提及近XX次。这充分反映了游客对该景区以及该类景区的热切关注点以及潜在需求点。合理丰富娱乐项目，加强园内设施及管理，合理设置调整门票及园内项目价格，重视园内餐饮，根据顾客需求有针对性发展及创新。）



景区各维度关注度及满意度数据：

#total_data<-read.csv("D:\\Documents\\total_l_a.csv")
total_l_a



library(gcookbook)
library(ggplot2)


ggplot(total_l_a,aes(x=reorder(category,-freq_all),y=freq_all/table(scenic)))+
  geom_bar(stat="identity",fill="#BED742")+
  geom_text(aes(label=round(total_l_a$freq_all/table(scenic),2)),vjust=-0.4,colour="black",size=4)+
  ylim(0,max(total_l_a$freq_all/table(scenic))*1.1)+
  theme_bw()+
  labs(x="景区维度",y="平均单条点评提及频次")+  
  ggtitle("景区各维度关注度")+
  theme(axis.text.x=element_text(angle=60,hjust=1,vjust=1,size=10),
        axis.title.x=element_text(colour="darkgrey",size=10),
        axis.title.y=element_text(colour="darkgrey",size=10),
        panel.border=element_blank(),  
        panel.grid.major.x=element_blank(),  
        panel.grid.minor.x=element_blank(),  
        panel.grid.major.y=element_blank(),  
        panel.grid.minor.y=element_blank(),
        axis.line.y=element_line(color="gray",size=1),
        axis.line.x=element_line(color="gray",size=1))






&#8195;&#8195;(景区各维度满意度整体分布在XX-XX之间，其中，对娱乐项目关注度最高且满意度也较高达XX，管理及设施方面游客也极为关注但满意度较低，景区应提起对这两方面的重视，选择合理化的园内管理方式，改善园内设施，环境卫生以及服务质量用户体验较差，急需提升。)



ggplot(total_l_a,aes(reorder(x=category,-freq_all),y=level/5,group=1))+geom_line(color="#BED742")+
  geom_text(aes(label=round(level/5,2)),vjust=-0.4,colour="black",size=3.5)+
  ylim(min(total_l_a$level/5)*0.95,max(total_l_a$level/5)*1.05)+
  geom_point(color="#BED742")+
  theme_bw()+
  labs(x="景区维度",y="满意度")+  
  ggtitle("景区各维度满意度")+
  theme(axis.text.x=element_text(angle=60,hjust=1,vjust=1,size=10),
        axis.title.x=element_text(colour="darkgrey",size=10),
        axis.title.y=element_text(colour="darkgrey",size=10),
        panel.border=element_blank(),  
        panel.grid.major.x=element_blank(),  
        panel.grid.minor.x=element_blank(),  
        panel.grid.major.y=element_blank(),  
        panel.grid.minor.y=element_blank())


#### 3.3 具体问题反馈

&#8195;&#8195;通过词云展现了点评高频词汇，可直观展现游客所关注的问题有哪些，(娱乐项目维度有热带风暴、大喇叭、深海巨蟒、滑道等比较受关注，管理方面排队问题备受关注，拖鞋、储物柜、更衣室、柜子等词出现频繁，说明储物设施方面也应着重管理等。)


data<-read.csv("D:\\Documents\\new_split_all.csv")
library(wordcloud)


head(data)


wordcloud(data$char,data$freq,min.freq=max(data$freq)*0.03,random.order=FALSE,random.color=TRUE,
          colors=c('pink','red','blue','green','yellow','purple','beige','brown','peru','khaki'))



&#8195;&#8195;下面是针对一星差评点评做出的词云统计，(去除整体点评用户均会涉及的“项目”，可见“排队”，“插队”， “人多”， “服务“，“工作人员”，“垃圾”，“脏”，“恶心”，“设施”等词汇在差评中出现频次颇多，)在一定程度上反映了一些急需解决的实际问题，同时也印证了3.2中各景区维度满意度的评估。


data1<-read.csv("D:\\Documents\\new_split_1.csv")



wordcloud(data1$char,data$freq,min.freq=max(data$freq)*0.001,max.words=50,random.order=FALSE,random.color=TRUE,
          colors=c('pink','red','blue','green','yellow','purple','beige','brown','peru','khaki'))

Rwordseg

reviewpath <- "D:/work/桌面/点评报告/情感分析" 
completepath <- list.files(reviewpath, pattern = "*.txt$", full.names = TRUE)

####批量读入文本  
read.txt <- function(x) {  
  des <- readLines(x)                   #每行读取  
  return(paste(des, collapse = ""))     #没有return则返回最后一个函数对象  
}  
review <- lapply(completepath, read.txt)  
#如果程序警告，这里可能是部分文件最后一行没有换行导致，不用担心
#中文主要有知网整理的情感词典Hownet和台湾大学整理发布的NTUSD两个情感词典，还有哈工大信息检索研究室开源的《同义词词林》可以用于情感词典的扩充。

setwd("D:\\work\\桌面\\点评报告\\情感分析\\中文情感极性词典")
library(openxlsx)
posneg<-read.xlsx("posneg.xlsx",1)

dict<-posneg[,"term"]  

install.packages("Rwordseg", repos = "http://R-Forge.R-project.org")
library(Rwordseg)  
#listDict()  #查看已有词库  
#uninstallDict() #删除安装的词典    
insertWords(dict)  


train.test<-read.xlsx("D:\\work\\桌面\\点评报告\\情感分析\\test1.xlsx",1)

sentence <- as.vector(train.test$点评内容) #文本内容转化为向量sentence  
sentence <- gsub("[[:digit:]]*", "", sentence) #清除数字[a-zA-Z]  
sentence <- gsub("[a-zA-Z]", "", sentence)   #清除英文字符  
sentence <- gsub("\\.", "", sentence)      #清除全英文的dot符号  
train.test <- train.test[!is.na(sentence), ]          #清除一些空值文本（文本名）  
sentence<- sentence[!is.na(sentence)]   #清除对应sentence里面的空值（文本内容），要先执行文本名  
train.test<- train.test[!nchar(sentence) < 2, ]  #筛选字符数小于2的文本  
sentence<- sentence[!nchar(sentence) < 2] #`nchar`函数对字符计数，英文叹号为R语言里的“非”函数  

system.time(x <- segmentCN(strwords = sentence))   
#每次可能耗费时间较长的过程，都要使用少量数据预估一下时间，这是一个优秀的习惯  
temp <- lapply(x, length) #每一个元素的长度,即文本分出多少个词  

head(testterm,100)
head(x)

temp<- unlist(temp)  #lapply返回的是一个list，所以3行unlist  
id <- rep(test[, "id"], temp) #将每一个对应的id复制相应的次数，就可以和词汇对应了  
label <- rep(test[, "label"], temp)#id对应的情感倾向标签复制相同的次数  
term <- unlist(x) #将list解散为向量  
testterm <- as.data.frame(cbind(id, term, label), stringsAsFactors = F)  
#将一一对应的三个向量按列捆绑为数据框，分词整理就基本结束了  

x<- unlist(x)
x<-data.frame(x)
names(x)<-'term'
library(plyr)  
testterm <- join(x, posneg)  
testterm <- testterm[!is.na(testterm$weight), ]  
head(testterm)



segmentCN(strwords = "地址是圣诺亚大厦",returnType="tm")
wozazheng
关注
  • 1
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
R语言文本分析
Mrrunsen的博客
02-23 1625
R code来源于政府报告词云图[1] 分析的网络文本来源于政府工作报告（文字实录）[2] R语言分析如下： library(jiebaR) library(tidyverse) library(rvest) library(wordcloud2) url <- "http://www.gov.cn/premier/2020-05/22/content_5513757.htm" text <- url %>% read_html(encoding="utf-8") %>
r语言的文本分析
12-26
大数据学习，r语言进行文本分析， k-means分类聚合。
R语言-文本分析
智慧与美貌并存
05-14 1万+
library(Rwordseg) #载入分词包 library(tm) #载入文本挖掘包 #第一部分：分词 #把要分析的文件，存为文本文件（txt后缀），放到某个目录 #1、装载自定义词库（这里的自定义词库，是根据分析文件中的某些特殊用词，自己编写的一个词库文件，其实也是一个文本文件，每行一个词。为什么要装自定义词库勒，是为了准确进行分词。某些单词如果不设置为自定义词，那么分
R语言文本分析《三国演义》
tong_0xue的博客
03-14 3669
数据读取与包的加载 由于最近对文本分析比较感兴趣，所以分析三国演义的文本。 getwd() setwd(&quot;E:\\三国&quot;) library(jiebaR) library(ggplot2) library(jpeg) library(reshape2) library(wordcloud) 一、读取前十行 &amp;gt; sanguo &amp;lt;- readLines(&quot;E:/三国/三国演义白话文版.t..
《流浪地球》豆瓣影评的文本分析-基于R（一）数据采集
weixin_43727564的博客
07-18 1135
《流浪地球》豆瓣影评的文本分析-基于R（一）数据采集数据采集 准备以后没事儿更新一下博客，第一篇博客就从前段时间和小伙伴冯小可爱做的电影评论文本分析开始吧。 数据采集 爬取豆瓣数据的时候有一个问题，就是豆瓣只允许爬取前200条数据，基于R的话需要 安装动态爬取安装包，当时安装包没有安装上，于是想了一个小法子，爬取好评200条，中评200条，差评200条，将数据合并最终得到600条数据，虽然数据还是...
R语言文本分析案例代码.rar
03-20
在本资源中，我们主要探讨的是使用R语言进行文本分析的实践案例，涵盖了主题建模（LDA）、词云绘制、分类统计以及时间序列分析等多个关键知识点。让我们逐一深入理解这些概念及其在R语言中的应用。 首先，R语言是一...
wenben.rar_R语言 文本分析 NLP
09-20
"wenben.rar"这个压缩包文件包含了使用R语言进行文本分析的一个入门实例，我们可以通过分析其中的"wenben.R"脚本来学习相关知识。 首先，我们要了解R语言中的文本分析基础。R语言有许多包用于处理文本数据，如`tm`...
R语言文本分析案例词云图.pdf
04-13
见习报告一份数据来自狗熊会。做了词云分析、回归分析。内置R语言代码。 版权声明：代码下载只能自己学习使用，切勿用于商业用途，违者必究。
文本分析聚类实战.zip_R语言_大量文本分析_文本分析_文本聚类
09-24
文本挖掘是从大量的文本数据中抽取隐含的，求和的，可能有用的信息。...Associate：关联分析，根据同时出现的频率找出关联规则 ?Cluster：将相似的文档（词条）进行聚类 ?Categorize：将文本划分到预先定义的类别里
R语言之文本分析：主题建模LDA
weixin_34268310的博客
09-14 4072
文本分析：主题建模 library(tidyverse) theme_set(theme_bw()) 目标 定义主题建模 解释Latent Dirichlet分配以及此过程的工作原理 演示如何使用LDA从一组已知主题中恢复主题结构 演示如何使用LDA从一组未知主题中恢复主题结构 确定为k 选择适当参数的方法 ķ 主题建模 通常，当我们在线搜索信息时，有两种主...
R中的普通文本处理-汇总
02-16
R中的普通文本处理-汇总
R语言文本挖掘方法
03-11
详细介绍R语言文本挖掘方法，从理论方法到具体步骤，以及实用案例，深入浅出，帮助你更深的理解R语言文本挖掘方法。
数据挖掘——基于R文本情感分析（2）
我是程序媛
04-12 6863
姑且算是搞定了这个。 最后使用的是twitter
R语言文本分析案例——带注释和数据
统计学小王子的博客
03-21 1万+
资源是2020C题参加美赛所用代码，主要是做的文本分析，LDA，词云，分类统计，时间序列。内含原始数据和代码说明。欢迎有需要的伙伴下载交流
R语言：实现文本分析实例（基础篇）
wowtous
11-06 9240
转自：http://www.bassary.com/?p=1093 数据包url：下载   (下载数据后，记得同程序中的名字一致，路径要统一。) #1加载软件包： #1.1数据欲处理包： #Snowball（处理带空格的语句） #rJava（rmmseg4j的支持包） #rmmseg4j(处理中文的分词，把不带空格的分为带空格的。) #1.2文本分析包： #tm #数据处理##
R语言文本聚类实例——以《金庸全集》为例
qq_51101760的博客
06-22 3659
写在前面
【R语言文本挖掘】：文本挖掘（以特朗普推文数据为例）
热门推荐
阿里云专家博主、数据科学领域优质创作者、统计er在读
06-29 2万+
文本挖掘案例分析：在 2016 年美国总统大选期间，当时的候选人唐纳德·J·特朗普 (Donald J. Trump) 使用他的推特账户作为与潜在选民交流的一种方式。数据科学家 David robinson 进行了一项分析，发现竞选期间特朗普的推文有两个来源，其中，Android（他自己） 和 iPhone（他的员工） 的推文显然来自不同的人。...............
R语言(三) 你是我唯一的光 | 基于《白夜行》的文本可视化分析
shine4869的博客
12-07 3709
本文是仿照R语千寻第三期：张无忌究竟爱谁？ 目录人物登场总次数人物出场顺序亲密关系矩阵文本聚类 人物登场总次数 人物出场顺序 亲密关系矩阵 文本聚类
文本情感分析实例（R语言）
chaishen10000的专栏
06-20 5124
情感分析：从文本中提前作者情感意识的过程。 情感分析的难点： 受文化和人口统计学因素的影响； 情绪难以量化； 分析师或建模的偏见会破坏情感分析； 指定特征的情感分析更难。（如：对餐馆的评论——价格nice，但是食物一般。） Plutchik 创建的情感分类系统，认为存在以下8种主要的情绪： anger 愤怒 fear 恐惧 sadness 悲伤 disgust 厌恶 surprise 惊讶 anticipation 期待 trust 信任 joy 快乐 由于惊讶 ∑( 口 ||
r语言文本分析大作业
最新发布
12-17
R语言文本分析大作业是一项使用R语言进行文本分析的重要任务。在这个大作业中，我们可以利用R语言的强大功能，对大量的文本数据进行处理、分析和可视化。 首先，我们需要选择合适的文本数据进行分析。这可以是一篇...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值