Extracción de palabas clave
Agustín Nieto
2024-03-11
Source:vignettes/extraccion_palabras_clave.Rmd
extraccion_palabras_clave.RmdIntroducción
En este artículo presentamos las utilidades de la función
acep_extract() para la extracción de palabras clave en un
corpus de notas sobre la conflictividad laboral en la industria pesquera
argentina con un enfoque de diccionario.
El corpus de notas
Las notas que componen el corpus utilizado en este ejercicio fueron
raspadas del sitio revistapuerto.com.ar con las
funciones del paquete rvest. Se compone de 7816 notas y 6
variables: fecha, titulo, bajada, nota, imagen, link. El corpus de notas
cubre desde el 2 de marzo de 2009 hasta el 29 de diciembre de 2020. Para
cargar todas las notas haremos uso de la función
acep_load_base().
# Cargamos la librería ACEP
library(ACEP)
# Definimos la url
url <- acep_bases$rp_mdp
# Descargamos el corpus de notas de la Revista Puerto
rev_puerto <- acep_load_base(url)
# Imprimimos la base en consola
rev_puerto#> # A tibble: 7,816 × 6
#> fecha titulo bajada nota imagen link
#> * <date> <chr> <chr> <chr> <chr> <chr>
#> 1 2020-12-29 ¡Feliz Año 2021 para todos nuestros ami… Con m… "Con… https… http…
#> 2 2020-12-28 Mapa del trabajo esclavo en aguas inter… Un re… "El … https… http…
#> 3 2020-12-24 Plantas piden tener garantizada la prov… En Ch… "El … https… http…
#> 4 2020-12-24 Los obreros navales despiden el año ana… En Ma… "El … https… http…
#> 5 2020-12-23 El incumplimiento del régimen de cuotif… Se ll… "Las… https… http…
#> 6 2020-12-23 Otro fallo ratifica cautelar contra el … La Cá… "La … https… http…
#> 7 2020-12-22 Recomendaciones de SENASA para las expo… Desde… "En … https… http…
#> 8 2020-12-22 Trelew consolida su inserción en la ind… En 20… "Ins… https… http…
#> 9 2020-12-21 El CFP presentó el estado y la captura … En la… "Ant… https… http…
#> 10 2020-12-21 La flota amarilla cierra el año con sos… Puert… "El … https… http…
#> # ℹ 7,806 more rowsLos diccionarios
Una vez descargada la base de notas vamos a crear variables numéricas
y una de carácter que contenga las frecuencias de palabras totales, la
frecuencia de palabras de cada diccionario usado para cada una de las
notas y las palabras clave mencionadas en cada nota. En esta parte del
código haremos uso de tres funciones y un diccionario del paquete ACEP:
acep_count(), acep_extract(),
acep_load_base() y acep_diccionarios. También
crearemos dos diccionarios breves para usarlos en las funciones
acep_count() y acep_extract(), con un doble
objetivo: 1) identificar las notas que refieran a huelgas; 2)
identificar las notas que refieran a lxs trabajadorxs del procesamiento
de pescado en tierra en la ciudad de Mar del Plata.
# Cargamos el diccionario de palabras que refieren a conflictividad
dicc_conflictos <- acep_load_base(acep_diccionarios$dicc_confl_sismos)
# Creamos la variable con la frecuencia de palabras que refieren a conflictividad
rev_puerto$frec_conflictos <- acep_count(rev_puerto$nota, dicc_conflictos)
# Creamos el diccionario de palabras que refieren a huelgas
dicc_huelgas <- c("en paro", "al paro", "huelga", "huelguistas", "paro y movil",
"paro de actividades", "conciliación obligatoria", "un paro",
"paro total", "paro parcial", "trabajo a reglamento",
"el paro", "de brazos caídos")
# Creamos la variable con la frecuencia de palabras que refieren a huelgas
rev_puerto$frec_huelgas <- acep_count(rev_puerto$nota, dicc_huelgas)
# Creamos el diccionario de palabras que refieren a lxs obrerxs del pescado
dicc_soip <- c("soip", "sindicato obrero de la industria del pescado",
"sindicato de la industria del pescado", "huelguistas",
"obreras de la industria del pescado", "obreras del pescado",
"obreros de la industria del pescado", "obreros del pescado",
"fileteros", "fileteras", "obreros del filet", "obreras del filet")
# Creamos la variable con la frecuencia de palabras que
# refieren a lxs obrerxs del pescado
rev_puerto$frec_soip <- acep_count(rev_puerto$nota, dicc_soip)
# Imprimimos la base en consola
rev_puerto#> # A tibble: 7,816 × 9
#> fecha titulo bajada nota imagen link frec_conflictos frec_huelgas
#> <date> <chr> <chr> <chr> <chr> <chr> <int> <int>
#> 1 2020-12-29 ¡Feliz Año… Con m… "Con… https… http… 0 0
#> 2 2020-12-28 Mapa del t… Un re… "El … https… http… 3 0
#> 3 2020-12-24 Plantas pi… En Ch… "El … https… http… 3 0
#> 4 2020-12-24 Los obrero… En Ma… "El … https… http… 7 0
#> 5 2020-12-23 El incumpl… Se ll… "Las… https… http… 4 1
#> 6 2020-12-23 Otro fallo… La Cá… "La … https… http… 6 0
#> 7 2020-12-22 Recomendac… Desde… "En … https… http… 0 0
#> 8 2020-12-22 Trelew con… En 20… "Ins… https… http… 4 0
#> 9 2020-12-21 El CFP pre… En la… "Ant… https… http… 4 0
#> 10 2020-12-21 La flota a… Puert… "El … https… http… 5 0
#> # ℹ 7,806 more rows
#> # ℹ 1 more variable: frec_soip <int>Ahora vamos a usar las función acep_extract() para
extraer las palabras clave de los diccionarios de conflictividad,
huelgas y SOIP que aparecen en cada una de las notas de la Revista
Puerto.
# Creamos la variable con las palabras que refieren a conflictividad
rev_puerto$extract_conflictos <- acep_extract(rev_puerto$nota, dicc_conflictos, izq = "")
# Creamos la variable con las palabras que refieren a huelgas
rev_puerto$extract_huelgas <- acep_extract(rev_puerto$nota, dicc_huelgas)
# Creamos la variable con las palabras que
# refieren a lxs obrerxs del pescado
rev_puerto$extract_soip <- acep_extract(rev_puerto$nota, dicc_soip)
# Imprimimos la base en consola
rev_puerto#> # A tibble: 7,816 × 12
#> fecha titulo bajada nota imagen link frec_conflictos frec_huelgas
#> <date> <chr> <chr> <chr> <chr> <chr> <int> <int>
#> 1 2020-12-29 ¡Feliz Año… Con m… "Con… https… http… 0 0
#> 2 2020-12-28 Mapa del t… Un re… "El … https… http… 3 0
#> 3 2020-12-24 Plantas pi… En Ch… "El … https… http… 3 0
#> 4 2020-12-24 Los obrero… En Ma… "El … https… http… 7 0
#> 5 2020-12-23 El incumpl… Se ll… "Las… https… http… 4 1
#> 6 2020-12-23 Otro fallo… La Cá… "La … https… http… 6 0
#> 7 2020-12-22 Recomendac… Desde… "En … https… http… 0 0
#> 8 2020-12-22 Trelew con… En 20… "Ins… https… http… 4 0
#> 9 2020-12-21 El CFP pre… En la… "Ant… https… http… 4 0
#> 10 2020-12-21 La flota a… Puert… "El … https… http… 5 0
#> # ℹ 7,806 more rows
#> # ℹ 4 more variables: frec_soip <int>, extract_conflictos <chr>,
#> # extract_huelgas <chr>, extract_soip <chr>Las palabras clave extraídas
Ya construidas las variables nos ocuparemos de poner el foco en el
rendimiento de la función acep_extract(). Seleccionaremos
las columnas referidas a las extracciones de conflictos y huelgas.
Veamos.
# Seleccionamos las variables de extracción de palabras clave
rev_puerto_huelgas <- rev_puerto[rev_puerto$extract_huelgas != "",]
rev_puerto_soip <- rev_puerto_huelgas[rev_puerto_huelgas$extract_soip != "",]
rev_puerto_seleccion <- rev_puerto_soip[ , c('extract_conflictos', 'extract_huelgas', 'extract_soip')]
# Imprimimos la base en consola
rev_puerto_seleccion#> # A tibble: 76 × 3
#> extract_conflictos extract_huelgas extract_soip
#> <chr> <chr> <chr>
#> 1 amenazaba; conflicto; conciliación obligatoria;… conciliación o… obreros del…
#> 2 piquete; conciliación obligatoria; conflictos; … conciliación o… obreros del…
#> 3 reclama; reclamo; reclamando; retención de tare… conciliación o… fileteros; …
#> 4 concentración; quema; paro; exigiera; concentra… un paro fileteros
#> 5 se manifestaron; reclamaron; denunciaron; manif… conciliación o… fileteros
#> 6 paro un paro obreros del…
#> 7 paro; rechazo; acatamiento; medida de fuerza; p… al paro; al pa… fileteros
#> 8 reclaman; reclamo; se manifestaron; exigir; con… conciliación o… fileteros
#> 9 paro; paró; paró; lucha; paró; lucha; reclamo del paro fileteros
#> 10 reclamaban; paro el paro fileteros
#> # ℹ 66 more rowsNota final
A lo largo de este breve tutorial sobre la función
acep_extract() del paquete ACEP buscamos ejemplificar de
qué modo puede ser usada esta función para individualizar cada una de
las palabras clave que fueron contabilizadas en las notas con la función
acep_count().