如何将情感词典导入R进行Kickstarter的数据抓取

我正试图创建一个模型，用R来测量文本中的情感。基本上，使用一个包含情感词的词典，我只想从大量URL中提取“p”（段落）。 我希望通过使用词典，根据预定义的情感指示词的存在情况，找到每个URL中每个情感的字数

我使用的数据是JSON格式的，来自Webrobots：（最新的一组）

任何帮助都将不胜感激，因为我真的非常渴望开始这项工作！ 即使只是知道如何将其导入R和一个代码来计算单词，也会有很大的帮助

亲切问候,， 一个绝望的文盲女孩

更新： 数据文件被导入到R中。但是，我找不到一种方法来编写代码，测试是否存在针对数据运行的词典指示的单词。我试图用六种基本情绪（快乐、悲伤、愤怒、惊讶、恐惧、厌恶）的每个活动的计数来创建6个新变量，这六种情绪表示这些情绪的存在

我已经在文件中指出了“p”部分，请仔细查看。我只需要对它的内容进行分类

词汇表下载

第一步是从该链接手动下载（简单的复制和粘贴）词典列表，并将其保存为.csv格式：

然后你需要把这个列表分解成4个独立的部分，每个部分应该有一个影响。这将产生4.csv文件，如下所示：

anger_list = w.csv
fear_list  = x.csv
joy_list   = y.csv
sad_list   = z.csv

如果您不想手动执行此操作，则有一个替代词典列表，其中数据可直接下载到单独的文件中：

文本数据下载

您共享的另一个链接（）现在似乎既有JSON文件也有csv文件，将其读入R似乎非常简单

清除用于文本提取的URL

我不确定您感兴趣分析的列/字段；因为我在2019年2月下载的数据集没有字段“p”

由于您提到了URL的存在，我也分享了一个可能的编辑或清理URL的简短代码。这将帮助您从URL中获取清晰的文本数据：

replacePunctuation <- function(x)
{

  # Lowercase all words for convenience
  x <- tolower(x)

  # Remove words with multiple consecutive digits in them (3 in this case) 
  x <- gsub("[a-zA-Z]*([0-9]{3,})[a-zA-Z0-9]* ?", " ", x)

  # Remove extra punctuation
  x <- gsub("[.]+[ ]"," ",x) # full stop
  x <- gsub("[:]+[ ]"," ",x) # Colon
  x <- gsub("[?]"," ",x)     # Question Marks
  x <- gsub("[!]"," ",x)     # Exclamation Marks
  x <- gsub("[;]"," ",x)     # Semi colon
  x <- gsub("[,]"," ",x)     # Comma
  x <- gsub("[']"," ",x)     # Apostrophe
  x <- gsub("[-]"," ",x)     # Hyphen
  x <- gsub("[#]"," ",x)     

  # Remove all newline characters
  x <- gsub("[\r\n]", " ", x)

  # Regex pattern for removing stop words
  stop_pattern <- paste0("\\b(", paste0(stopwords("en"), collapse="|"), ")\\b")
  x <- gsub(stop_pattern, " ", x)

  # Replace whitespace longer than 1 space with a single space
  x <- gsub(" {2,}", " ", x)

  x
}

现在，为这四个影响中的每一个向该数据框添加额外的列

df$ANGER   = 0
df$FEAR    = 0
df$JOY     = 0
df$SADNESS = 0

然后，您只需循环遍历df的每一行，根据空格将文本p分解为单词。然后你从你的词典列表中寻找特定词汇出现在你得到的精简单词中。然后为每个影响分配分数，如下所示：

for (i in 1:nrow(df))
{
  # counter initialization
  angry = 0
  feared = 0
  joyful = 0
  sad = 0

# for df, let's say the text 'p' is at first column place  
words <- strsplit(df[i,1], " ")[[1]]  
  for (j in 1:length(words))
  {
    if (words[j] %in% anger_list[,1])
      angry = angry + 1
    else {
      if (words[j] %in% fear_list[,1])   
        feared = feared + 1
      else { 
        if (words[j] %in% joy_list[,1])
          joyful = joyful + 1
        else
          sad = sad + 1
      } #else 2
    } #else 1
  } #for 2

  df[i,2] <- angry
  df[i,3] <- feared
  df[i,4] <- joyful
  df[i,5] <- sad

}#for 1

for（1中的i:nrow（df））
{
#计数器初始化
愤怒=0
恐惧=0
快乐=0
sad=0
#对于df，假设文本“p”位于第一列的位置
词汇表下载
第一步是从该链接手动下载（简单的复制和粘贴）词典列表，并将其保存为.csv格式：

然后您需要将此列表分解为4个单独的部分，每个部分应有一个影响。这将生成4个.csv文件，如下所示：

anger_list = w.csv
fear_list  = x.csv
joy_list   = y.csv
sad_list   = z.csv

如果您不想手动执行此操作，则有一个替代词典列表，其中数据可直接下载到单独的文件中：

文本数据下载
您共享的另一个链接（）现在似乎既有JSON文件也有csv文件，将其读入R似乎非常简单
清除用于文本提取的URL
我不确定您感兴趣分析的列/字段；因为我在2019年2月下载的数据集没有字段“p”
由于您提到了URL的存在，我也分享了一个可能编辑或清理URL的简短代码。这将帮助您从URL中获得干净的文本数据：

replacePunctuation <- function(x)
{

  # Lowercase all words for convenience
  x <- tolower(x)

  # Remove words with multiple consecutive digits in them (3 in this case) 
  x <- gsub("[a-zA-Z]*([0-9]{3,})[a-zA-Z0-9]* ?", " ", x)

  # Remove extra punctuation
  x <- gsub("[.]+[ ]"," ",x) # full stop
  x <- gsub("[:]+[ ]"," ",x) # Colon
  x <- gsub("[?]"," ",x)     # Question Marks
  x <- gsub("[!]"," ",x)     # Exclamation Marks
  x <- gsub("[;]"," ",x)     # Semi colon
  x <- gsub("[,]"," ",x)     # Comma
  x <- gsub("[']"," ",x)     # Apostrophe
  x <- gsub("[-]"," ",x)     # Hyphen
  x <- gsub("[#]"," ",x)     

  # Remove all newline characters
  x <- gsub("[\r\n]", " ", x)

  # Regex pattern for removing stop words
  stop_pattern <- paste0("\\b(", paste0(stopwords("en"), collapse="|"), ")\\b")
  x <- gsub(stop_pattern, " ", x)

  # Replace whitespace longer than 1 space with a single space
  x <- gsub(" {2,}", " ", x)

  x
}


现在，为这四个影响中的每一个向该数据框添加额外的列

df$ANGER   = 0
df$FEAR    = 0
df$JOY     = 0
df$SADNESS = 0

然后，您只需在df的每一行中循环，将文本p分解为基于空白的单词。然后，您可以从词典列表中查找特定词汇出现的情况，并将其添加到精简的单词中。然后，您为每个影响分配分数，如下所示：

for (i in 1:nrow(df))
{
  # counter initialization
  angry = 0
  feared = 0
  joyful = 0
  sad = 0

# for df, let's say the text 'p' is at first column place  
words <- strsplit(df[i,1], " ")[[1]]  
  for (j in 1:length(words))
  {
    if (words[j] %in% anger_list[,1])
      angry = angry + 1
    else {
      if (words[j] %in% fear_list[,1])   
        feared = feared + 1
      else { 
        if (words[j] %in% joy_list[,1])
          joyful = joyful + 1
        else
          sad = sad + 1
      } #else 2
    } #else 1
  } #for 2

  df[i,2] <- angry
  df[i,3] <- feared
  df[i,4] <- joyful
  df[i,5] <- sad

}#for 1

for（1中的i:nrow（df））
{
#计数器初始化
愤怒=0
恐惧=0
快乐=0
sad=0
#对于df，假设文本“p”位于第一列的位置
欢迎来到SO，提问时请更具体一点：您尝试了什么，您期望什么，等等。请参阅欢迎来到SO，提问时请更具体一点：您尝试了什么，您期望什么，等等。请参阅