Generando una nube de palabras con R

By Yanina Bellini Saibene in Español Community R-Ladies rstats

July 12, 2019

En septiembre de 2018 se realizó en Buenos Aires la primera edición de LatinR, la Conferencia Latinoamericana de Investigación y Desarrollo en R. Durante la conferencia tuve la posibilidad de compartir con los asistentes la iniciativa de R-Ladies junto con Laura Acion y Bea Hernandez.

Presentación de R-Ladies en LatinR

En esa presentación utilizamos una nube de palabras para contar que tipo de temas se trabajan en los meetups de R-Ladies en Latinoamérica.

R utilizada en la presentación de R-Ladies en LatinR

En un principio utilicé R para generar el listado de palabras, pero no para generar la nube; como soy una R-Lady no podía dejar de intentar realizar todo el proceso utilizando R.

Aqui cuento como hice esa nube de palabras usando el paquete meetupr, desarrollado por R-Ladies.

Nube de palabras con los meetups de RLadies

Objetivo: dibujar una nube de palabras con los temas tratados en los eventos de R-Ladies en todo el mundo que sea lo más parecida posible a la realizada para la presentación de LatinR.

La fuente de datos son las palabras que se utilizan en los títulos de los eventos y se utilizó el paquete meetupr para obtener esa información.

Este listado de recursos fueron muy útiles para poder realizar la nube de palabras.

Links con soluciones a problemas encontrados durante la realización de la nube de palabras:

Paquetes que utilicé:

Este es el código para instalar los paquetes necesarios:

install.packages("tidyverse")
install.packages("purrr")
install.packages("devtools")
devtools::install_github("rladies/meetupr")
install.packages("wordcloud2")
install.packages("tidytext")
install.packages("tm")  (Para tener stop_words en otros idiomas además de inglés)

El código

Cargamos los paquetes necesarios:

library(meetupr)
library(purrr)
library(dplyr)
library(tidyr)
library(wordcloud2)
library(tidytext)

y luego necesitamos generar una API Key de Meetup y asignarla de la siguiente manera (más detalles aquí):

Sys.setenv(MEETUP_KEY = 'Aca va tu API Key de Meetup')

Luego, es necesario generar una función que "espere" entre una llamada a la API y otra, para evitar errores de time out (gracias a Jenny Bryan por este código)

slowly <- function(f, delay = 0.5) {
  
  function(...) {
    
    Sys.sleep(delay)
    
    f(...)
    
  }
  
}

Finalmente, se debe prepar un listado de stop words en varios idiomas (R-Ladies está presente en más de 40 países) para sacarlos de la nube de palabras (¿Se podrá hacer de manera más sencilla?). Las stop wors son palabras como artículos, preposiciones, conectores, por ejemplo: la, el, con, etc.

idiomas <- list('spanish', 'portuguese', 'french', 'danish', 'dutch', 'finnish', 'german', 'hungarian', 'italian', 'norwegian', 'russian', 'swedish')

variosIdiomas_stop_words <- idiomas %>% 
  map(tm::stopwords) %>%
  flatten_dfc() %>% 
  gather(var, word) %>%
  bind_rows(stop_words) %>%
  select(word, lexicon)

El segundo paso es obtener los títulos de todos los meetups de R-Ladies alrededor del mundo, para esto utilicé el código de la Shiny App de R-Ladies, el cual obtiene todos los grupos de R-Ladies y limpia los resultados:

all_rladies_groups <- find_groups(text = "r-ladies")

rladies_groups <- all_rladies_groups[grep(pattern = "rladies|r-ladies", 
                                          x = all_rladies_groups$name,
                                          ignore.case = TRUE), ]

Con el listado de todos los grupos, obtengo todos los eventos ya realizados (aquí utilizamos la función de Jenny):

eventos <- rladies_groups$urlname %>%
  map(slowly(safely(get_events)), event_status='past') %>% transpose()

En eventos queda una lista con todos los datos de todos los eventos realizados: nombre, fecha, lugar, descripción....y una carralada de datos más. Por el momento la lista tiene dos elementos: uno con los resultados correctos y otro con los errores, se genera un error cuando no hay eventos pasados en el grupo. Como sólo interesa la información almacenada en resultados, filtramos esa información:

eventos_todos_juntos <- eventos$result %>% map(bind_rows) %>% transpose()

La nube de palabras original fue armada con los títulos de los meetups, asi que generamos una lista con esa información, que se encuentra en el atributo name (nombre):

nombres <- eventos_todos_juntos$name 
is_ok <- nombres %>% map_lgl(is_null)

Para los meetups que tienen nombre, los títulos quedan como columnas, asi que se pasan a filas y se separan en palabras. Con esta lista de palabras se sacan los stop words en varios idiomas (dataframe variosIdiomas_stop_words) y retenemos todas las palabras que tienen al menos 3 ocurrencias (si no quedan 1400 palabras)

names <- nombres[!is_ok] %>% 
  flatten_dfc() %>% 
  gather(variable, titulo) %>%
  unnest_tokens(word, titulo) %>%
  anti_join(variosIdiomas_stop_words) %>%
  count(word) %>%
  filter(n>2)

Los primeros resultados:

Y por fin, se puede generar la primera nube de palabras!!!:

wordcloud2(names, size = 1, minRotation = -pi/6, maxRotation = -pi/6,
                  color = "random-light", backgroundColor = "grey")

Primer intento de nube de palabras

Segundo intento de nube de palabras

Con forma de R

Ahora el desafío fue darle la forma de la letra R, los primeros intentos no funcionarion, pero se resolvió instalando el paquete wordcloud2 desde github y no desde CRAN, el código cambia la función a utilizar:

letterCloud(names,  word = "R", color='random-light', backgroundColor="#223564")

Nube de palabras con forma de R

Casi llegamos al objetivo, filtramos más palabras para que se noten mejor en la nube de palabras (nos quedamos con las que aparecen 9 veces o más) y personalizamos la paleta de colores con los cuatro colores de base que se utilizaron en la imagen original:

names <- nombres[!is_ok] %>% 
  flatten_dfc() %>% 
  gather(variable, titulo) %>%
  unnest_tokens(word, titulo) %>%
  anti_join(variosIdiomas_stop_words) %>%
  count(word) %>%
  filter(n>9)

colorlist <- c('#f7e4be', '#f0f4bc', '#9a80a4', '#848da6')

Como hay que repetir los colores por la cantidad de palabras que se deben graficar, utilizamos este código (el número está puesto a a mano para probar, en el To Do List: realizar el calculo por la cantidad de palabras)

colores <- rep(list(colorlist), 68) 
colorlist <- unlist(colores)

Generamos la nube de palabras:

letterCloud(names,  word = "R", color=colorlist, backgroundColor="#223564")

y... aquí está:

Nube de palabras con forma de R y colores utilizados en la presentación de LatinR

Esta opción es la que mas se parece a la R original utilizada en la presentación (nada mal!)

Finalmente, este código busca dar la forma de la nube de palabras de acuerdo a una imagen, pero sigue sin funcionar:

wordcloud2(names, figPath = "rlogo1.png", size = 0.4, color = "skyblue")

Si alguien encuentra una manera de hacer funcionar este código sería genial que lo compartiera!

Como sigue:

Ahora estoy trabajando en separar las palabras de acuerdo al idioma y realizar una nube de palabras por cada lenguaje que se habla en la comunidad de R-Ladies.

Espero les haya gustado tanto como a mi me gustó hacer este ejercicio. Se puede acceder a todo el código aqui

Posted on:
July 12, 2019
Length:
6 minute read, 1080 words
Categories:
Español Community R-Ladies rstats
Tags:
R-Ladies Text Mining rstats
See Also:
Yani Bellini Saibene on better scientific coding communities
How to contribute to open projects and communities
Quinto Encuentro. Aprendiendo a Programar en 30 lecciones