Cantidad de follower hablando sobre un tema

Es la frecuencia en twittear de los follower del candidato dentro de la red de twitter

reinaldo frecuencia tweets

Reinaldo frecuencia twitter

Terminos frecuentes asociados a super mercado bravo

apec, intec, ucamm, pucs

claramente vemos los post con mayor y menor exito en este caso el numero 1 es el peor y el mejor el numero 2, siendo el intermedio el 3

estudio 1 telefonicas

de 2013 a 2017

4 usuarios con sus opiniones

alternativo al grafico 1

palabras que mas se repiten con al menos en este caso 20 veces

#Para hacer la grafico arana library(fmsb) radarchart(centros,maxmin = T,axistype = 4,axislabcol="slategray", centerzero=F,seg=8,cglcol="grey67", pcol=c("green","blue","red"), col=c("green", "blue","red")) #hacer la leyenda leyenda<-legend(1.5,1, legend=c("Cluster 1", "Cluster 2", "Cluster 3"), seg.len = -1.4, title = "Clusters", pch = 21,bty = "n", lwd=3, y.intersp=1, horiz=F,col=c("green", "blue", "red"))

rownames(centros)<-c("Cluster 1", "Cluster 2", "Cluster 3") centros<-as.data.frame(centros) maximos<-apply(centros,2,max) minimos<-apply(centros,2,min) centros<-rbind(minimos,centros) centros<-rbind(maximos,centros) centros library(fmsb) radarchart(centros,maxmin = T,axistype = 4,axislabcol="slategray", centerzero=F,seg=8,cglcol="grey67", pcol=c("green","blue","red"), col=c("green", "blue","red"))

barplot(t(centros),beside = T,col = c(2,3,4,5,6,7))

library(rattle)#Para centers.hclust library(RGtk2) centros<-centers.hclust(Datos1,modelo,nclust = 3,use.median = F) centros rownames(centros)<-c("Cluster 1", "Cluster 2", "Cluster 3") barplot(centros[1,],col = c(2,3,4,5,6,7),las=2)

library(twitteR) library(base64enc) consumer_key <- "jKnww3yOyafYVAnORouNgQ" consumer_secret <- "OihpKvb278hCkkXBR8uYWSN2KSBx9DLrdeVCKCFuVM" access_secret <- "0Za4re1f3MQ3FM7BrnO11B07RJzgZVx36wHhLR5I8EcRU" access_token <- "209266365-xACalTNCPFpeG5Z8oBV50C9YmtnU9Mepn2vgGWHY" setup_twitter_oauth(consumer_key, consumer_secret, access_token, access_secret) usuario<-twitteR::getUser("promidat")#Indicamos el nombre de usuario de interes usuario$getLocation() #Retorna la ubicacion geografica del usuario. usuario$description #Retorna la descripcion de la cuenta. #retorna los ultimos 5 twits twit<-twitteR::userTimeline(usuario,n=5) df<-twListToDF(twit) df$text # library(twitteR) library(stringr) library(lubridate) library(leaflet)#Se usa para mapas library(ggmap) library(ggplot2)#Se usa para mapas user <- twitteR::getUser("ovsicori_una") tweets <- userTimeline(user,n=200) tweet <- tweets[[1]]$text tweet #Funciones para extraer twitts str_detect(tweet, "Costa Rica") #Ahora separamos la informacion del texto por coma. values <- unlist(str_split(pattern = ",",string = tweet))#Ahora es un vector values #Extraemos mas datos con referencia a los values mag<-str_extract(string = values[1],pattern = "[0-9]\\.[0-9]")# estos ultimos numeros extraen la magnitud de un sismo 0-9 pero para algo me servira algun dia jajajaja mag #Extraemos mas datos, esta vez de la linea 2 ciudad<-gsub(",*\\sde","",values[2]) ciudad #Extraemos a que cuenta pertene la reclamacion en la linea 3 pais<-values[5] pais #Extraemos la fecha en caso de que aplique fecha <- str_extract(values[6],"\\d{4}-\\d{2}-\\d{2} \\d{2}:\\d{2}") fecha #Ahora que los filtros estan correctamente agrupados, crearemos una funcion que se #defina a continuacion. extraer_datos <- function(tuit){ #extraemos el texto text <- tuit$getText() #comprobamos que tenga la palabra Costa Rica if(str_detect(text,"Costa Rica")){ #Separa el texto por comas values <- unlist(str_split(pattern = ",",string = text)) #Extraemos la magnitud mag <- str_extract(string = values[1],pattern = "[0-9]\\.[0-9]") #extraemos la ciudad ciudad <- gsub(".*\\sde ","",values[2]) #extraemos el nombre de la provincia provincia <- values[4] #extraemos el nombre del pais pais <- values[5] #extraemos la fecha del sismo fecha <- str_extract(values[6], "\\d{4}-\\d{2}-\\d{2} \\d{2}:\\d{2}") #unimos la direccion direccion <- str_c(ciudad,provincia,pais,sep = ",") #retornamos la magnitud, ciudad, provincia, pais, fecha y direccion return(c(mag,ciudad,provincia,pais,fecha,direccion)) }else{ #no el texto hace referencia a otro pais retornamos NULL return(NULL) } } #Aplicamos la funcion extraer_datos a todos los tuits en la lista lista_tweets <- lapply(tweets ,extraer_datos) lista_tweets[1] #Ahora convertimos de lista a data frame df_tweets <- do.call(rbind,lista_tweets) df_tweets <- data.frame(df_tweets,stringsAsFactors = F) #Anadimos nombres a las columnas colnames(df_tweets)<-c("Magnitud", "Ciudad", "Provincia", "Pais", "Fecha-Hora", "Direccion") #Guardamos la magnitud como un numero df_tweets["Magnitud"] <- as.numeric(unlist(df_tweets["Magnitud"])) #Convertimos la fecha de tipo texto a tipo fecha df_tweets["Fecha-Hora"] <- ymd_hm(df_tweets[,"Fecha-Hora"]) head(df_tweets) #Vamos a hacer un mapa para saber los sitios donde hubieron #temblores o actividad sismica direccion <- df_tweets[1, ]$Direccion direccion geocode(direccion) #Con cbind y el comando geocode creamos dos nuevas columnas para lat y lon #a partir de la columna Direccion para plotearlo en el mapa df_tweets <- cbind(df_tweets,geocode(df_tweets$Direccion)) head(df_tweets) #Utilizando la variable magnitud como escala, creamos una escala de tonos rojos pal <- colorNumeric( palette = "Reds", domain = df_tweets$Magnitud) #Crearemos un mapa interactivo con leadlet paso a paso #Creamos un mapa vacio (leflet es quien nos permite crear mapas) mapa <- leaflet() mapa #Ahora le agregamos titulos al mapa de OpenStreetMap mapa <- addTiles(mapa) #Ahora agregamos marcas (circulos) sobre el mapa mapa <- addCircles(mapa, lng = df_tweets$lon, lat = df_tweets$lat,#indcamos la latitud y longitud de las marcas. weight = 1, radius = df_tweets$Magnitud*1000,#indicamos el radio de la muestra. popup = str_c("*<b>Ciudad:</b>", df_tweets$Ciudad, "<b>Magnitud:</b>", df_tweets$Magnitud, "<b>Fecha-Hora:</b>", df_tweets$`Fecha-Hora`, sep = "<br/>"),# indicamos la informacion que debe mostrarse al hacer click sobre una marca color = pal(df_tweets$Magnitud))#indicamos la paleta de color a utilizar. mapa #Google map solo permite 2500 consultas por dia a la api #Agregamos la leyenda al mapa para mayor entendimiento mapa <- addLegend(mapa, position = "bottomright",# posicion de la leyenda pal= pal,#paleta de colores a utilizar values = df_tweets$Magnitud,#datos de la leyenda title = "Magnitud",#titulo de la leyenda opacity = .9 #nivel de opacidad ) mapa

#Mineria web promidat twitter video 4, minuto 56:11 #https://www.youtube.com/watch?v=H1rBoLC1i8I #[32-bit] C:\Program Files\R\R-3.3.0 library(twitteR) library(base64enc) consumer_key <- "jKnww3yOyafYVAnORouNgQ" consumer_secret <- "OihpKvb278hCkkXBR8uYWSN2KSBx9DLrdeVCKCFuVM" access_secret <- "0Za4re1f3MQ3FM7BrnO11B07RJzgZVx36wHhLR5I8EcRU" access_token <- "209266365-xACalTNCPFpeG5Z8oBV50C9YmtnU9Mepn2vgGWHY" setup_twitter_oauth(consumer_key, consumer_secret, access_token, access_secret) usuario<-twitteR::getUser("promidat")#Indicamos el nombre de usuario de interes usuario$getLocation() #Retorna la ubicacion geografica del usuario. usuario$description #Retorna la descripcion de la cuenta. #retorna los ultimos 5 twits twit<-twitteR::userTimeline(usuario,n=5) df<-twListToDF(twit) df$text # library(twitteR) library(stringr) library(lubridate) library(leaflet)#Se usa para mapas library(ggmap) library(ggplot2)#Se usa para mapas user <- twitteR::getUser("ovsicori_una") tweets <- userTimeline(user,n=200) tweet <- tweets[[1]]$text tweet #Funciones para extraer twitts str_detect(tweet, "Costa Rica") #Ahora separamos la informacion del texto por coma. values <- unlist(str_split(pattern = ",",string = tweet))#Ahora es un vector values #Extraemos mas datos con referencia a los values mag<-str_extract(string = values[1],pattern = "[0-9]\\.[0-9]")# estos ultimos numeros extraen la magnitud de un sismo 0-9 pero para algo me servira algun dia jajajaja mag #Extraemos mas datos, esta vez de la linea 2 ciudad<-gsub(",*\\sde","",values[2]) ciudad #Extraemos a que cuenta pertene la reclamacion en la linea 3 pais<-values[5] pais #Extraemos la fecha en caso de que aplique fecha <- str_extract(values[6],"\\d{4}-\\d{2}-\\d{2} \\d{2}:\\d{2}") fecha #Ahora que los filtros estan correctamente agrupados, crearemos una funcion que se #defina a continuacion. extraer_datos <- function(tuit){ #extraemos el texto text <- tuit$getText() #comprobamos que tenga la palabra Costa Rica if(str_detect(text,"Costa Rica")){ #Separa el texto por comas values <- unlist(str_split(pattern = ",",string = text)) #Extraemos la magnitud mag <- str_extract(string = values[1],pattern = "[0-9]\\.[0-9]") #extraemos la ciudad ciudad <- gsub(".*\\sde ","",values[2]) #extraemos el nombre de la provincia provincia <- values[4] #extraemos el nombre del pais pais <- values[5] #extraemos la fecha del sismo fecha <- str_extract(values[6], "\\d{4}-\\d{2}-\\d{2} \\d{2}:\\d{2}") #unimos la direccion direccion <- str_c(ciudad,provincia,pais,sep = ",") #retornamos la magnitud, ciudad, provincia, pais, fecha y direccion return(c(mag,ciudad,provincia,pais,fecha,direccion)) }else{ #no el texto hace referencia a otro pais retornamos NULL return(NULL) } } #Aplicamos la funcion extraer_datos a todos los tuits en la lista lista_tweets <- lapply(tweets ,extraer_datos) lista_tweets[1] #Ahora convertimos de lista a data frame df_tweets <- do.call(rbind,lista_tweets) df_tweets <- data.frame(df_tweets,stringsAsFactors = F) #Anadimos nombres a las columnas colnames(df_tweets)<-c("Magnitud", "Ciudad", "Provincia", "Pais", "Fecha-Hora", "Direccion") #Guardamos la magnitud como un numero df_tweets["Magnitud"] <- as.numeric(unlist(df_tweets["Magnitud"])) #Convertimos la fecha de tipo texto a tipo fecha df_tweets["Fecha-Hora"] <- ymd_hm(df_tweets[,"Fecha-Hora"]) head(df_tweets) #Vamos a hacer un mapa para saber los sitios donde hubieron #temblores o actividad sismica direccion <- df_tweets[1, ]$Direccion direccion geocode(direccion) #Con cbind y el comando geocode creamos dos nuevas columnas para lat y lon #a partir de la columna Direccion para plotearlo en el mapa df_tweets <- cbind(df_tweets,geocode(df_tweets$Direccion)) head(df_tweets) #Utilizando la variable magnitud como escala, creamos una escala de tonos rojos pal <- colorNumeric( palette = "Reds", domain = df_tweets$Magnitud) #Crearemos un mapa interactivo con leadlet paso a paso #Creamos un mapa vacio (leflet es quien nos permite crear mapas) mapa <- leaflet() mapa #Ahora le agregamos titulos al mapa de OpenStreetMap mapa <- addTiles(mapa) #Ahora agregamos marcas (circulos) sobre el mapa mapa <- addCircles(mapa, lng = df_tweets$lon, lat = df_tweets$lat,#indcamos la latitud y longitud de las marcas. weight = 1, radius = df_tweets$Magnitud*1000,#indicamos el radio de la muestra. popup = str_c("*<b>Ciudad:</b>", df_tweets$Ciudad, "<b>Magnitud:</b>", df_tweets$Magnitud, "<b>Fecha-Hora:</b>", df_tweets$`Fecha-Hora`, sep = "<br/>"),# indicamos la informacion que debe mostrarse al hacer click sobre una marca color = pal(df_tweets$Magnitud))#indicamos la paleta de color a utilizar. mapa

ggplot(data=dftotales,aes(x=dftotales$Emociones, fill=dftotales$Emociones, y=dftotales$Valor))+geom_bar(stat="identity")+ theme(panel.grid.major=element_line(colour = "gray85"), plot.title= element_text(size = 17), panel.background= element_rect(fill = "gray100")) + labs(title="Respuesta a las Publicaciones del Banco Popular Dominicano Periodo Junio - Diciembre (2016)", x="Categorias", y="Cantidad", fill="Categorias") + theme(legend.text = element_text(size = 20, color = "gold2"))

barplot(t(grupos$centers),beside = TRUE, main = "Comparacion Clusters", col=c(2:4)) legend("topright", colnames(info.importante.pagina[c(1:3)]),col = c(2:4), ncol = 2,lty = 1, lwd = 4, cex = 0.7)

ajustadito

grande

Commonality palabras que mas se repiten en los 8 cometarios.

People talking about restaurant

second test