Selecionar os termos mais frequentes

ac_top_terms() seleciona os n termos mais frequentes a partir de uma tabela de frequências (tipicamente o resultado de ac_count()).

Pode operar em dois modos:

• sem grupos (by = NULL): retorna os n termos mais frequentes no geral;

• com grupos (by = c("partido", ...)): retorna os n termos mais frequentes em cada combinacao de metadados.

Usage

ac_top_terms(x, n = 20L, by = NULL, sort = TRUE)

Arguments

x

Um data.frame ou tibble::tibble() contendo, no mínimo, as colunas token e n. Em geral, o resultado de ac_count().

n

Número de termos a selecionar. Valor inteiro >= 1.

by

Vetor de nomes de colunas em x a serem usados como grupos de agregacao. Se NULL (padrao), a selecao e feita no conjunto total. Se não for NULL, os n termos mais frequentes sao selecionados dentro de cada combinacao de by.

sort

Lógico. Se TRUE (padrão), ordena a saída em ordem decrescente de frequência (n). Se FALSE, ordena os termos selecionados alfabeticamente (dentro de cada grupo, quando houver).

Value

Um tibble::tibble() com as colunas token e n (mais as colunas de by, se houver), com exatamente n termos (ou menos, se o vocabulário for menor) no geral ou por grupo. A frequência de cada termo é somada sobre os documentos (ou dentro de cada grupo), de modo que uma tabela por documento, saída padrão de ac_count(), dá o total do corpus. Empates na última posição são desfeitos em ordem alfabética.

See also

ac_count(), ac_tokenize()

Examples

df <- data.frame(
  id      = c("d1", "d2", "d3"),
  texto   = c(
    "O deputado do PT falou na CCJ.",
    "O deputado do PL falou novamente.",
    "O senador do PT falou na CCJ."
  ),
  partido = c("PT", "PL", "PT"),
  stringsAsFactors = FALSE
)

corp <- ac_corpus(df, text = texto, docid = id, meta = partido)

# Top 10 termos no corpus inteiro
freq <- ac_count(corp)
ac_top_terms(freq, n = 10)
#> # A tibble: 10 × 2
#>    token          n
#>    <chr>      <int>
#>  1 O              3
#>  2 do             3
#>  3 falou          3
#>  4 CCJ.           2
#>  5 PT             2
#>  6 deputado       2
#>  7 na             2
#>  8 PL             1
#>  9 novamente.     1
#> 10 senador        1

# Top 5 termos por partido
freq_by <- ac_count(corp, by = "partido")
ac_top_terms(freq_by, n = 5, by = "partido")
#> # A tibble: 10 × 3
#>    partido token        n
#>    <chr>   <chr>    <int>
#>  1 PL      O            1
#>  2 PL      PL           1
#>  3 PL      deputado     1
#>  4 PL      do           1
#>  5 PL      falou        1
#>  6 PT      CCJ.         2
#>  7 PT      O            2
#>  8 PT      PT           2
#>  9 PT      do           2
#> 10 PT      falou        2