1.4. Análisis de Sentimiento Básico

En este punto de tu viaje de análisis de datos, ya has pasado por los pasos cruciales de recopilar y limpiar tus datos, así como de crear visualizaciones perspicaces para ayudarte a comprender mejor los patrones y tendencias.

Sin embargo, todavía queda un paso importante antes de que puedas sacar conclusiones significativas de tus datos: el análisis de sentimiento. Este paso final es particularmente importante ya que te permite descubrir el tono emocional oculto dentro de las reseñas y comentarios que has recopilado. Al aplicar técnicas de análisis de sentimiento, puedes clasificar efectivamente las reseñas como positivas, neutrales o negativas basándote únicamente en su contenido textual.

Esto no solo te ayudará a obtener una comprensión más profunda de tus datos, sino que también te permitirá tomar decisiones más informadas y tomar acciones relevantes en función de los conocimientos que hayas descubierto. Entonces, sumérgete en el emocionante mundo del análisis de sentimiento y aprende cómo desbloquear todo el potencial de tus datos!

1.4.1 TextBlob para Análisis de Sentimiento

Para este ejemplo, usemos la biblioteca TextBlob, que es excelente para principiantes. Nos dará dos propiedades: polaridad y subjetividad para cada reseña.

Primero, asegúrate de instalar TextBlob:

pip install textblob

Luego, procede con el análisis:

from textblob import TextBlob

# Function to apply sentiment analysis
def analyze_sentiment(text):
    analysis = TextBlob(text)
    if analysis.sentiment.polarity > 0:
        return 'Positive'
    elif analysis.sentiment.polarity == 0:
        return 'Neutral'
    else:
        return 'Negative'

reviews['text_blob_sentiment'] = reviews['cleaned_review_text'].apply(analyze_sentiment)

# Display some reviews and their sentiment
print(reviews[['cleaned_review_text', 'text_blob_sentiment']].head())

1.4.2 Visualizando los Resultados de TextBlob

Ahora, visualicemos la distribución de sentimientos según el análisis de TextBlob.

sns.countplot(x='text_blob_sentiment', data=reviews, order=['Positive', 'Neutral', 'Negative'])
plt.title('Distribution of Sentiments - TextBlob')
plt.xlabel('Sentiment')
plt.ylabel('Number of Reviews')
plt.show()

1.4.3 Comparando los Sentimientos de TextBlob con las Calificaciones

Podría ser interesante comparar los resultados del análisis de sentimiento de TextBlob con los sentimientos que categorizamos basándonos en las calificaciones.

# Creating a crosstab
sentiment_comparison = pd.crosstab(reviews['sentiment'], reviews['text_blob_sentiment'])
print(sentiment_comparison)

Esto te ayudará a evaluar qué tan bien se alinea el análisis de sentimientos de TextBlob con las calificaciones reales dadas por los usuarios.

¡Y ahí lo tienes! Has recorrido con éxito todo el viaje, desde la recopilación de datos hasta el análisis de sentimientos, en el Proyecto 1. Reflexiona sobre lo que has aprendido. ¿El sentimiento es generalmente positivo, negativo o neutral? ¿Cómo corroboran o contradicen estos datos de sentimiento las calificaciones numéricas o tus visualizaciones anteriores?

Recuerda, el análisis de datos se trata tanto de hacer las preguntas correctas como de encontrar respuestas. Tus nuevas habilidades en Python, pandas, matplotlib, seaborn y TextBlob te han preparado para continuar tu viaje en ciencia de datos con confianza.

Nos vemos en el próximo capítulo, querido lector. ¡Hasta entonces, que tus datos siempre estén limpios y tus gráficos siempre perspicaces!