En este artículo se explicarán los procesos que realizan las funciones:
acep_postag()
acep_upos()
acep_svo()
acep_postag()Esta función realiza etiquetado POS, lematización, tokenización,
extracción de entidades y georreferenciación. Para llevar a cabo estas
tareas acep_postag envuelve y articula funciones de tres
librerías: spacyr, rsyntax y
tidygeocoder.
En primer lugar, cargamos la librería ACEP. Luego, cargamos
un vector de titulares de portales noticiosos sobre notas referidas a
conflictos. Con esta selección de titulares haremos la prueba. También
agregamos una última oración unimembre como ejemplo extremo de oración
no procesable con la función acep_svo().
#> [1] "Sindicatos y estudiantes marchan por las principales ciudades de México para exigir un cambio en la política económica del Gobierno.\n Los gremios convocan a un paro docente contra 'la presencialidad de Larreta' en Ciudad de Buenos Aires."
#> [2] "Los gremios docentes rechazan volver a las aulas sin garantías sanitarias."
#> [3] "Los estatales rechazaron la oferta salarial que les hizo el gobierno en Chubut."
#> [4] "La CGT presiona para que los 1700 empleados cobren la doble indemnización."
#> [5] "Las dos CTA y la Izquierda rechazaron el acuerdo de la CGT para rebajar salarios."
#> [6] "Un gremio aéreo levantó el paro en Tucumán. Los judiciales ratificaron un paro.\n La CGT marchó con críticas por la economía y evalúa si llama a un paro."
#> [7] "Ctera convocó a un paro de 72 horas en todo el país."
#> [8] "Conciliación obligatoria en el conflicto del neumático."
#> [9] "Hola mundo."Ejecutamos la función acep_postag() para los titulares
contenidos en el vector.
¿Cuál es el resultado?
La función acep_postag toma el vector de textos y
realiza diferentes acciones:
Verifica que el objeto entregado sea un vector de tipo caracter (de lo contrario imprime un mensaje de advertencia)
Verifica que el parámetro ‘core’ sean un modelo válido (de lo contrario devuelve un mensaje de advertencia)
Verifica que los parámetros ‘bajar_core’, ‘inst_spacy’, ‘inst_miniconda’, ‘inst_reticulate’ ingresados sean valores booleanos (de lo contrario envía un mensaje de advertencia)
Crea una lista de seis objetos de tipo data frame:
texto_tag: es un objeto de clases ‘tokenIndex’
que sirve como input para la función acep_svo(). Contiene
20 variables que reúnen información de los procesos de tokenización,
lematización, etiquetado pos, etiquetado de relaciones de dependencia,
etiquetado NER y morfológico.
texto_tag_entity: es un objeto de clase ‘spacyr_parsed’ con una columna que identifica los distintos tipos de entidades.
texto_only_entity: es un ‘data.frame’ con 4 variables que contiene solo las entidades identificadas.
texto_only_entity_loc: es un ‘data.frame’ de 7 variables que permite la georreferenciación de las entidades identificadas como tipo ‘LOC’.
texto_nounphrase: es un objeto de clase ‘spacyr_parsed’ con una columna que identifica las distintas frases compuestas por sustantivos (nounphrase).
texto_only_nounphrase: es un ‘data.frame’ con tres variables que identifica y filtra los sustantivos que forman frases: ‘las_principales_ciudades’.
Cabe mencionar que los textos ingresados son tokenizados, es decir, cada palabra es un token.
titulares_tags <- acep_postag(
texto = titulares,
core = "es_core_news_lg", # valor por defecto
bajar_core = FALSE, # el valor por defecto es TRUE
inst_spacy = FALSE, # valor por defecto
inst_miniconda = FALSE, # valor por defecto
inst_reticulate = FALSE # valor por defecto
)
str(titulares_tags)#> List of 6
#> $ texto_tag :Classes 'tokenIndex', 'data.table' and 'data.frame': 153 obs. of 20 variables:
#> ..$ doc_id : int [1:153] 1 1 1 1 1 1 1 1 1 1 ...
#> ..$ sentence : int [1:153] 1 1 1 1 1 1 1 1 1 1 ...
#> ..$ token_id : num [1:153] 1 2 3 4 5 6 7 8 9 10 ...
#> ..$ token : chr [1:153] "Sindicatos" "y" "estudiantes" "marchan" ...
#> ..$ lemma : chr [1:153] "Sindicatos" "y" "estudiante" "marchar" ...
#> ..$ pos : chr [1:153] "PROPN" "CCONJ" "NOUN" "VERB" ...
#> ..$ parent : num [1:153] 4 3 1 NA 8 8 8 4 10 8 ...
#> ..$ relation : chr [1:153] "nsubj" "cc" "conj" "ROOT" ...
#> .. ..- attr(*, "levels")= chr "ROOT"
#> ..$ entity : chr [1:153] "" "" "" "" ...
#> ..$ nounphrase : chr [1:153] "beg_root" "" "beg_root" "" ...
#> ..$ whitespace : logi [1:153] TRUE TRUE TRUE TRUE TRUE TRUE ...
#> ..$ is_upper : logi [1:153] FALSE FALSE FALSE FALSE FALSE FALSE ...
#> ..$ is_title : logi [1:153] TRUE FALSE FALSE FALSE FALSE FALSE ...
#> ..$ is_quote : logi [1:153] FALSE FALSE FALSE FALSE FALSE FALSE ...
#> ..$ ent_iob_ : chr [1:153] "O" "O" "O" "O" ...
#> ..$ ent_iob : int [1:153] 2 2 2 2 2 2 2 2 2 3 ...
#> ..$ is_left_punct : logi [1:153] FALSE FALSE FALSE FALSE FALSE FALSE ...
#> ..$ is_right_punct: logi [1:153] FALSE FALSE FALSE FALSE FALSE FALSE ...
#> ..$ morph : chr [1:153] "" "" "Number=Plur" "Mood=Ind|Number=Plur|Person=3|Tense=Pres|VerbForm=Fin" ...
#> ..$ sent : chr [1:153] "Sindicatos y estudiantes marchan por las principales ciudades de México para exigir un cambio en la política ec"| __truncated__ "Sindicatos y estudiantes marchan por las principales ciudades de México para exigir un cambio en la política ec"| __truncated__ "Sindicatos y estudiantes marchan por las principales ciudades de México para exigir un cambio en la política ec"| __truncated__ "Sindicatos y estudiantes marchan por las principales ciudades de México para exigir un cambio en la política ec"| __truncated__ ...
#> ..- attr(*, ".internal.selfref")=<externalptr>
#> ..- attr(*, "sorted")= chr [1:3] "doc_id" "sentence" "token_id"
#> ..- attr(*, "index")= int(0)
#> .. ..- attr(*, "__doc_id__sentence__parent")= int [1:153] 4 3 2 1 8 12 21 5 6 7 ...
#> .. ..- attr(*, "__relation")= int [1:153] 4 25 46 57 71 88 101 109 116 131 ...
#> $ texto_tag_entity :Classes 'spacyr_parsed' and 'data.frame': 149 obs. of 7 variables:
#> ..$ doc_id : int [1:149] 1 1 1 1 1 1 1 1 1 1 ...
#> ..$ sentence_id: int [1:149] 1 1 1 1 1 1 1 1 1 1 ...
#> ..$ token_id : num [1:149] 1 2 3 4 5 6 7 8 9 10 ...
#> ..$ token : chr [1:149] "Sindicatos" "y" "estudiantes" "marchan" ...
#> ..$ lemma : chr [1:149] "Sindicatos" "y" "estudiante" "marchar" ...
#> ..$ pos : chr [1:149] "PROPN" "CCONJ" "NOUN" "VERB" ...
#> ..$ entity_type: chr [1:149] "" "" "" "" ...
#> $ texto_only_entity :'data.frame': 13 obs. of 4 variables:
#> ..$ doc_id : int [1:13] 1 1 1 1 3 4 5 5 5 6 ...
#> ..$ sentence_id: int [1:13] 1 1 2 2 1 1 1 1 1 1 ...
#> ..$ entity : chr [1:13] "México" "Gobierno" "Larreta" "Ciudad_de_Buenos_Aires" ...
#> ..$ entity_type: chr [1:13] "LOC" "ORG" "PER" "LOC" ...
#> $ texto_only_entity_loc:'data.frame': 4 obs. of 7 variables:
#> ..$ doc_id : int [1:4] 1 1 3 6
#> ..$ sentence : int [1:4] 1 2 1 1
#> ..$ entity_ : chr [1:4] "México" "Ciudad de Buenos Aires" "Chubut" "Tucumán"
#> ..$ entity : chr [1:4] "México" "Ciudad_de_Buenos_Aires" "Chubut" "Tucumán"
#> ..$ entity_type: chr [1:4] "LOC" "LOC" "LOC" "LOC"
#> ..$ lat : num [1:4] 23.7 -34.6 -43.7 -26.6
#> ..$ long : num [1:4] -102 -58.4 -68.7 -64.9
#> $ texto_nounphrase :Classes 'spacyr_parsed' and 'data.frame': 120 obs. of 6 variables:
#> ..$ doc_id : int [1:120] 1 1 1 1 1 1 1 1 1 1 ...
#> ..$ sentence_id: int [1:120] 1 1 1 1 1 1 1 1 1 1 ...
#> ..$ token_id : num [1:120] 1 2 3 4 5 6 7 8 9 10 ...
#> ..$ token : chr [1:120] "Sindicatos" "y" "estudiantes" "marchan" ...
#> ..$ lemma : chr [1:120] "Sindicatos" "y" "estudiante" "marchar" ...
#> ..$ pos : chr [1:120] "nounphrase" "CCONJ" "nounphrase" "VERB" ...
#> $ texto_only_nounphrase:'data.frame': 45 obs. of 3 variables:
#> ..$ doc_id : int [1:45] 1 1 1 1 1 1 1 1 1 1 ...
#> ..$ sentence_id: int [1:45] 1 1 1 1 1 1 1 2 2 2 ...
#> ..$ nounphrase : chr [1:45] "Sindicatos" "estudiantes" "las_principales_ciudades" "México" ...En este resultado podemos ver cómo la función crea los seis marcos de datos con información relevante sobre el contenido y la forma de los textos ingresados. En nuestro caso, textos referidos a conflictos.
Veamos con un poco más de detalle cada uno de los marcos de datos
creados con la función acep_postag():
Como adelantamos, el primer objeto de la lista es un marco de datos
estructurado para servir de input de la función
acep_svo().
#> Key: <doc_id, sentence, token_id>
#> doc_id sentence token_id token lemma pos parent relation entity
#> <int> <int> <num> <char> <char> <char> <num> <char> <char>
#> 1: 2 1 1 Los el DET 2 det
#> 2: 2 1 2 gremios gremio NOUN 4 nsubj
#> 3: 2 1 3 docentes docente ADJ 2 amod
#> 4: 2 1 4 rechazan rechazar VERB NA ROOT
#> 5: 2 1 5 volver volver VERB 4 xcomp
#> 6: 2 1 6 a a ADP 8 case
#> 7: 2 1 7 las el DET 8 det
#> 8: 2 1 8 aulas aula NOUN 5 obl
#> 9: 2 1 9 sin sin ADP 10 case
#> 10: 2 1 10 garantías garantía NOUN 5 obl
#> 11: 2 1 11 sanitarias sanitario ADJ 10 amod
#> 12: 2 1 12 . . PUNCT 4 punct
#> nounphrase whitespace is_upper is_title is_quote ent_iob_ ent_iob
#> <char> <lgcl> <lgcl> <lgcl> <lgcl> <char> <int>
#> 1: beg TRUE FALSE TRUE FALSE O 2
#> 2: end_root TRUE FALSE FALSE FALSE O 2
#> 3: TRUE FALSE FALSE FALSE O 2
#> 4: TRUE FALSE FALSE FALSE O 2
#> 5: TRUE FALSE FALSE FALSE O 2
#> 6: TRUE FALSE FALSE FALSE O 2
#> 7: beg TRUE FALSE FALSE FALSE O 2
#> 8: end_root TRUE FALSE FALSE FALSE O 2
#> 9: TRUE FALSE FALSE FALSE O 2
#> 10: beg_root TRUE FALSE FALSE FALSE O 2
#> 11: FALSE FALSE FALSE FALSE O 2
#> 12: FALSE FALSE FALSE FALSE O 2
#> is_left_punct is_right_punct
#> <lgcl> <lgcl>
#> 1: FALSE FALSE
#> 2: FALSE FALSE
#> 3: FALSE FALSE
#> 4: FALSE FALSE
#> 5: FALSE FALSE
#> 6: FALSE FALSE
#> 7: FALSE FALSE
#> 8: FALSE FALSE
#> 9: FALSE FALSE
#> 10: FALSE FALSE
#> 11: FALSE FALSE
#> 12: FALSE FALSE
#> morph
#> <char>
#> 1: Definite=Def|Gender=Masc|Number=Plur|PronType=Art
#> 2: Gender=Masc|Number=Plur
#> 3: Number=Plur
#> 4: Mood=Ind|Number=Plur|Person=3|Tense=Pres|VerbForm=Fin
#> 5: VerbForm=Inf
#> 6: AdpType=Prep
#> 7: Definite=Def|Gender=Fem|Number=Plur|PronType=Art
#> 8: Gender=Fem|Number=Plur
#> 9: AdpType=Prep
#> 10: Gender=Fem|Number=Plur
#> 11: Gender=Fem|Number=Plur
#> 12: PunctType=Peri
#> sent
#> <char>
#> 1: Los gremios docentes rechazan volver a las aulas sin garantías sanitarias.
#> 2: Los gremios docentes rechazan volver a las aulas sin garantías sanitarias.
#> 3: Los gremios docentes rechazan volver a las aulas sin garantías sanitarias.
#> 4: Los gremios docentes rechazan volver a las aulas sin garantías sanitarias.
#> 5: Los gremios docentes rechazan volver a las aulas sin garantías sanitarias.
#> 6: Los gremios docentes rechazan volver a las aulas sin garantías sanitarias.
#> 7: Los gremios docentes rechazan volver a las aulas sin garantías sanitarias.
#> 8: Los gremios docentes rechazan volver a las aulas sin garantías sanitarias.
#> 9: Los gremios docentes rechazan volver a las aulas sin garantías sanitarias.
#> 10: Los gremios docentes rechazan volver a las aulas sin garantías sanitarias.
#> 11: Los gremios docentes rechazan volver a las aulas sin garantías sanitarias.
#> 12: Los gremios docentes rechazan volver a las aulas sin garantías sanitarias.El segundo objeto de la lista es un marco de datos que reescribe la columna ‘pos’ con la etiqueta ‘ENTITY’ e identifica el tipo de entidad en la columna ‘entity_type’. Si la entidad detectada está compuesta por más de un token, la función colapsa todos los tokens referidos a esa entidad en una sola celda de la columna token. Ejemplo: ‘Ciudad_de_Buenos_Aires’.
#> doc_id sentence_id token_id token lemma pos entity_type
#> 52 3 1 1 Los el DET
#> 53 3 1 2 estatales estatal NOUN
#> 54 3 1 3 rechazaron rechazar VERB
#> 55 3 1 4 la el DET
#> 56 3 1 5 oferta oferta NOUN
#> 57 3 1 6 salarial salarial ADJ
#> 58 3 1 7 que que PRON
#> 59 3 1 8 les él PRON
#> 60 3 1 9 hizo hacer VERB
#> 61 3 1 10 el el DET
#> 62 3 1 11 gobierno gobierno NOUN
#> 63 3 1 12 en en ADP
#> 64 3 1 13 Chubut Chubut ENTITY LOC
#> 65 3 1 14 . . PUNCTEl tercer objeto de la lista es el marco de datos ‘texto_tag_entity’ filtrado por el valor ‘ENTITY’ de la columna ‘pos’.
#> doc_id sentence_id entity entity_type
#> 1 1 1 México LOC
#> 2 1 1 Gobierno ORG
#> 3 1 2 Larreta PER
#> 4 1 2 Ciudad_de_Buenos_Aires LOC
#> 5 3 1 Chubut LOC
#> 6 4 1 CGT ORG
#> 7 5 1 CTA ORG
#> 8 5 1 Izquierda ORG
#> 9 5 1 CGT ORG
#> 10 6 1 Tucumán LOCEl cuarto objeto de la lista es el marco de datos ‘texto_only_entity’ filtrado por el valor ‘LOC’ de la columna ‘entity_type’ y procesado con la función ‘geo()’ del paquete tidygeocoder.
#> doc_id sentence entity_ lat long
#> 1 1 1 México 23.65851 -102.00771
#> 22 1 2 Ciudad de Buenos Aires -34.60757 -58.43709
#> 43 3 1 Chubut -43.71284 -68.74618
#> 57 6 1 Tucumán -26.56436 -64.88240El quinto objeto de la lista es un marco de datos que reescribe la columna ‘pos’ con la etiqueta ‘nounphrase’. Si el sustantivo detectado está compuesto por más de un token, la función colapsa todos los tokens referidos a ese sustantivo en una sola celda de la columna token. Ejemplo: ‘las_principales_ciudades’.
#> doc_id sentence_id token pos
#> 1 1 1 Sindicatos nounphrase
#> 2 1 1 y CCONJ
#> 3 1 1 estudiantes nounphrase
#> 4 1 1 marchan VERB
#> 5 1 1 por ADP
#> 6 1 1 las_principales_ciudades nounphrase
#> 7 1 1 de ADP
#> 8 1 1 México nounphrase
#> 9 1 1 para ADP
#> 10 1 1 exigir VERBEl sexto objeto de la lista es el marco de datos ‘texto_nounphrase’ filtrado por el valor ‘nounphrase’ de la columna ‘pos’.
#> doc_id sentence_id nounphrase
#> 1 1 1 Sindicatos
#> 2 1 1 estudiantes
#> 3 1 1 las_principales_ciudades
#> 4 1 1 México
#> 5 1 1 un_cambio
#> 6 1 1 la_política
#> 7 1 1 Gobierno
#> 8 1 2 Los_gremios
#> 9 1 2 un_paro
#> 10 1 2 la_presencialidadacep_upos()Esta función realiza etiquetado POS, lematización, tokenización, pero no realiza extracción de entidades y, por ende, no puede hacer georreferenciación. Para llevar a cabo estas tareas acep_upos envuelve la función udpipe() de la librería homonimia.
Advertencia: ponemos esta alternativa a
acep_postag porque la instalación de reticulate,
anaconda y las librerías de Python necesarias para el
funcionamiento de spacyr pueden traer más de un problema.
Repetimos el proceso realizado con la función
acep_postag: activamos la librería ACEP, luego,
cargamos un vector de titulares de portales noticiosos sobre notas
referidas a conflictos para su prueba, y agregamos una última oración
unimembre como ejemplo extremo de oración no procesable con la función
acep_svo().
#> [1] "Sindicatos y estudiantes marchan por las principales ciudades de México para exigir un cambio en la política económica del Gobierno.\n Los gremios convocan a un paro docente contra 'la presencialidad de Larreta' en Ciudad de Buenos Aires."
#> [2] "Los gremios docentes rechazan volver a las aulas sin garantías sanitarias."
#> [3] "Los estatales rechazaron la oferta salarial que les hizo el gobierno en Chubut."
#> [4] "La CGT presiona para que los 1700 empleados cobren la doble indemnización."
#> [5] "Las dos CTA y la Izquierda rechazaron el acuerdo de la CGT para rebajar salarios."
#> [6] "Un gremio aéreo levantó el paro en Tucumán. Los judiciales ratificaron un paro.\n La CGT marchó con críticas por la economía y evalúa si llama a un paro."
#> [7] "Ctera convocó a un paro de 72 horas en todo el país."
#> [8] "Conciliación obligatoria en el conflicto del neumático."
#> [9] "Hola mundo."Ejecutamos la función acep_upos() para los titulares
contenidos en el vector.
¿Cuál es el resultado?
La función acep_upos toma el vector de textos y realiza
diferentes acciones:
Verifica que el objeto entregado sea un vector de tipo caracter (de lo contrario imprime un mensaje de advertencia)
Verifica que el parámetro ‘modelo’ sean un modelo válido (de lo contrario devuelve un mensaje de advertencia)
Crea un objeto de clases ‘tokenIndex’ que sirve como input para
la función acep_svo(). Contiene 17 variables que reúnen
información de los procesos de tokenización, lematización, etiquetado
pos, etiquetado de relaciones de dependencia y morfológico.
Cabe mencionar que, al igual que acep_postag, los textos ingresados son tokenizados, es decir, cada palabra es un token.
titulares_utags <- acep_upos(
texto = titulares,
modelo = "spanish" # valor por defecto
)
str(titulares_utags)#> Classes 'tokenIndex', 'data.table' and 'data.frame': 153 obs. of 17 variables:
#> $ doc_id : int 1 1 1 1 1 1 1 1 1 1 ...
#> $ paragraph_id: int 1 1 1 1 1 1 1 1 1 1 ...
#> $ sentence : int 1 1 1 1 1 1 1 1 1 1 ...
#> $ sent : chr "Sindicatos y estudiantes marchan por las principales ciudades de México para exigir un cambio en la política ec"| __truncated__ "Sindicatos y estudiantes marchan por las principales ciudades de México para exigir un cambio en la política ec"| __truncated__ "Sindicatos y estudiantes marchan por las principales ciudades de México para exigir un cambio en la política ec"| __truncated__ "Sindicatos y estudiantes marchan por las principales ciudades de México para exigir un cambio en la política ec"| __truncated__ ...
#> $ start : int 1 12 14 26 34 38 42 54 63 66 ...
#> $ end : int 10 12 24 32 36 40 52 61 64 71 ...
#> $ term_id : int 1 2 3 4 5 6 7 8 9 10 ...
#> $ token_id : num 1 2 3 4 5 6 7 8 9 10 ...
#> $ token : chr "Sindicatos" "y" "estudiantes" "marchan" ...
#> $ lemma : chr "sindicatos" "y" "estudiante" "marchar" ...
#> $ pos : chr "NOUN" "CCONJ" "NOUN" "VERB" ...
#> $ xpos : chr NA NA NA NA ...
#> $ morph : chr "Gender=Masc|Number=Plur" NA "Number=Plur" "Mood=Ind|Number=Plur|Person=3|Tense=Pres|VerbForm=Fin" ...
#> $ parent : num 4 3 1 NA 8 8 8 4 10 8 ...
#> $ relation : chr "nsubj" "cc" "conj" "ROOT" ...
#> ..- attr(*, "levels")= chr "ROOT"
#> $ deps : chr NA NA NA NA ...
#> $ misc : chr NA NA NA NA ...
#> - attr(*, ".internal.selfref")=<externalptr>
#> - attr(*, "sorted")= chr [1:3] "doc_id" "sentence" "token_id"
#> - attr(*, "index")= int(0)
#> ..- attr(*, "__doc_id__sentence__parent")= int [1:153] 4 3 2 1 8 12 22 5 6 7 ...
#> ..- attr(*, "__relation")= int [1:153] 4 25 46 57 71 88 101 109 115 130 ...En este resultado podemos ver cómo la función crea el input para usar
con acep_svo(). Hay que tener en cuenta que udpipe
y spacyr usan modelos distintos para el etiquetado pos y las
relaciones de dependencia, así como para parsear el texto en oraciones.
Por ende, el resultado obtenido de la función acep_svo
puede ser ligeramente diferente si usamos uno u otro modelo de
etiquetado. En el ejemplo que sigue usaremos el output de la función
acep_upos.
acep_svo()Una vez que tenemos la lista, con 6 marcos de datos, creada a partir
de la función acep_upos(), podemos utilizar la función
acep_svo() para obtener un listado nuevo, con otros 6
marcos de datos, que nos proveerá la siguiente información:
acep_annotate_svo: es un marco de datos con 22 variables. Mantiene la estructura del objeto ingresado a la función (titulares_utags) y agrega 5 nuevas variables (‘s_v_o’, ‘s_v_o_id’, ‘s_v_o_fill’, ‘s_p’, ‘conjugaciones’).
acep_pro_svo: es un marco de datos con 13 variables (‘doc_id’, ‘oracion_id’, ‘eventos’, ‘sujeto_svo’, ‘root’, ‘objeto’, ‘sujeto’, ‘predicado’, ‘verbo’, ‘lemma_verb’, ‘aux_verbos’, ‘entidades’, ‘sust_pred’) que reúne los tripletes SVO e información de contexto. Ejemplo de extracción SVO: “gremios -> convocan -> paro presencialidad”.
acep_list_svo: es un marco de datos con 6 variables (‘doc_id’, ‘oracion_id’, ‘eventos’, ‘sujeto’, ‘verbo’ ‘objeto’) que procesa los tripletes SVO y los devuelve separados en sujeto, verbo, objeto. Ejemplo de extracción SVO: “gremios” “convocan” “paro presencialidad”.
acep_sp: es un marco de datos con 9 variables (‘doc_id’, ‘oracion_id’, ‘sujeto’, ‘predicado’, ‘verbo’, ‘lemma_verb’, ‘aux_verbos’, ‘entidades’, ‘sust_pred’) que ofrece más información de contexto como entidades, sustantivos dentro de la oración analizada, etc.
acep_lista_lemmas: es un marco de datos con dos variables (‘lemma’, ‘n’) que ofrece la frecuencia absoluta de las palabras lemmatizadas presentes en el corpus analizado.
acep_no_procesadas: es un marco de datos con tres variables (‘doc_id’, ‘oracion_id’, ‘oracion’) que ofrece la frecuencia absoluta de las palabras lemmatizadas presentes en el corpus analizado.
#> List of 6
#> $ acep_annotate_svo :Classes 'tokenIndex', 'data.table' and 'data.frame': 153 obs. of 22 variables:
#> ..$ doc_id : int [1:153] 1 1 1 1 1 1 1 1 1 1 ...
#> ..$ paragraph_id : int [1:153] 1 1 1 1 1 1 1 1 1 1 ...
#> ..$ sentence : int [1:153] 1 1 1 1 1 1 1 1 1 1 ...
#> ..$ sent : chr [1:153] "Sindicatos y estudiantes marchan por las principales ciudades de México para exigir un cambio en la política ec"| __truncated__ "Sindicatos y estudiantes marchan por las principales ciudades de México para exigir un cambio en la política ec"| __truncated__ "Sindicatos y estudiantes marchan por las principales ciudades de México para exigir un cambio en la política ec"| __truncated__ "Sindicatos y estudiantes marchan por las principales ciudades de México para exigir un cambio en la política ec"| __truncated__ ...
#> ..$ start : int [1:153] 1 12 14 26 34 38 42 54 63 66 ...
#> ..$ end : int [1:153] 10 12 24 32 36 40 52 61 64 71 ...
#> ..$ term_id : int [1:153] 1 2 3 4 5 6 7 8 9 10 ...
#> ..$ token_id : num [1:153] 1 2 3 4 5 6 7 8 9 10 ...
#> ..$ token : chr [1:153] "Sindicatos" "y" "estudiantes" "marchan" ...
#> ..$ lemma : chr [1:153] "sindicatos" "y" "estudiante" "marchar" ...
#> ..$ pos : chr [1:153] "NOUN" "CCONJ" "NOUN" "VERB" ...
#> ..$ xpos : chr [1:153] NA NA NA NA ...
#> ..$ morph : chr [1:153] "Gender=Masc|Number=Plur" NA "Number=Plur" "Mood=Ind|Number=Plur|Person=3|Tense=Pres|VerbForm=Fin" ...
#> ..$ parent : num [1:153] 4 3 1 NA 8 8 8 4 10 8 ...
#> ..$ relation : chr [1:153] "nsubj" "cc" "conj" "ROOT" ...
#> .. ..- attr(*, "levels")= chr "ROOT"
#> ..$ deps : chr [1:153] NA NA NA NA ...
#> ..$ misc : chr [1:153] NA NA NA NA ...
#> ..$ s_v_o : Factor w/ 3 levels "objeto","sujeto",..: 2 NA 1 3 NA NA 1 1 NA 1 ...
#> ..$ s_v_o_id : Factor w/ 10 levels "1.1.4","1.2.3",..: 1 NA 1 1 NA NA 1 1 NA 1 ...
#> ..$ s_v_o_fill : num [1:153] 0 NA 0 0 NA NA 1 0 NA 1 ...
#> ..$ s_p : chr [1:153] "sujeto" "sujeto" "sujeto" "predicado" ...
#> ..$ conjugaciones: chr [1:153] NA NA NA "presente" ...
#> ..- attr(*, ".internal.selfref")=<externalptr>
#> ..- attr(*, "sorted")= chr [1:3] "doc_id" "sentence" "token_id"
#> $ acep_pro_svo :'data.frame': 10 obs. of 13 variables:
#> ..$ doc_id : int [1:10] 1 1 2 3 4 5 6 6 6 7
#> ..$ oracion_id: int [1:10] 1 2 1 1 1 1 1 2 3 1
#> ..$ eventos : chr [1:10] "Sindicatos -> marchan -> ciudades cambio" "gremios -> convocan -> paro" "gremios -> rechazan -> aulas garantías" "estatales -> rechazaron -> oferta gobierno Chubut" ...
#> ..$ sujeto_svo: chr [1:10] "Sindicatos" "gremios" "gremios" "estatales" ...
#> ..$ root : chr [1:10] "marchan" "convocan" "rechazan" "rechazaron" ...
#> ..$ objeto : chr [1:10] "ciudades cambio" "paro" "aulas garantías" "oferta gobierno Chubut" ...
#> ..$ sujeto : chr [1:10] "Sindicatos estudiantes" "gremios" "gremios docentes" "estatales" ...
#> ..$ predicado : chr [1:10] "marchan principales ciudades México exigir cambio política económica Gobierno" "convocan paro docente presencialidad Larreta Ciudad Buenos Aires" "rechazan volver aulas garantías sanitarias" "rechazaron oferta salarial gobierno Chubut" ...
#> ..$ verbo : chr [1:10] "marchan" "convocan" "rechazan" "rechazaron" ...
#> ..$ lemma_verb: chr [1:10] "marchan" "convocan" "rechazan" "rechazaron" ...
#> ..$ aux_verbos: chr [1:10] "| exigir |" "| NA |" "| volver |" "| NA |" ...
#> ..$ entidades : chr [1:10] "| México |" "| Larreta | Ciudad | Buenos | Aires |" "| NA |" "| Chubut |" ...
#> ..$ sust_pred : chr [1:10] "ciudades | México | cambio | política | Gobierno" "paro | presencialidad | Larreta | Ciudad | Buenos | Aires" "aulas | garantías" "oferta | gobierno | Chubut" ...
#> $ acep_list_svo :'data.frame': 10 obs. of 6 variables:
#> ..$ doc_id : int [1:10] 1 1 2 3 4 5 6 6 6 7
#> ..$ oracion_id: int [1:10] 1 2 1 1 1 1 1 2 3 1
#> ..$ eventos : chr [1:10] "Sindicatos -> marchan -> ciudades cambio" "gremios -> convocan -> paro" "gremios -> rechazan -> aulas garantías" "estatales -> rechazaron -> oferta gobierno Chubut" ...
#> ..$ sujeto : chr [1:10] "Sindicatos" "gremios" "gremios" "estatales" ...
#> ..$ verbo : chr [1:10] "marchan" "convocan" "rechazan" "rechazaron" ...
#> ..$ objeto : chr [1:10] "ciudades cambio" "paro" "aulas garantías" "oferta gobierno Chubut" ...
#> $ acep_sp :'data.frame': 10 obs. of 9 variables:
#> ..$ doc_id : int [1:10] 1 1 2 3 4 5 6 6 6 7
#> ..$ oracion_id: int [1:10] 1 2 1 1 1 1 1 2 3 1
#> ..$ sujeto : chr [1:10] "Sindicatos estudiantes" "gremios" "gremios docentes" "estatales" ...
#> ..$ predicado : chr [1:10] "marchan principales ciudades México exigir cambio política económica Gobierno" "convocan paro docente presencialidad Larreta Ciudad Buenos Aires" "rechazan volver aulas garantías sanitarias" "rechazaron oferta salarial gobierno Chubut" ...
#> ..$ verbo : chr [1:10] "marchan" "convocan" "rechazan" "rechazaron" ...
#> ..$ lemma_verb: chr [1:10] "marchan" "convocan" "rechazan" "rechazaron" ...
#> ..$ aux_verbos: chr [1:10] "| exigir |" "| NA |" "| volver |" "| NA |" ...
#> ..$ entidades : chr [1:10] "| México |" "| Larreta | Ciudad | Buenos | Aires |" "| NA |" "| Chubut |" ...
#> ..$ sust_pred : chr [1:10] "ciudades | México | cambio | política | Gobierno" "paro | presencialidad | Larreta | Ciudad | Buenos | Aires" "aulas | garantías" "oferta | gobierno | Chubut" ...
#> $ acep_lista_lemmas :'data.frame': 58 obs. of 2 variables:
#> ..$ lemma: Factor w/ 58 levels "CGT","Chubut",..: 44 1 28 52 11 14 18 27 38 2 ...
#> ..$ n : int [1:58] 5 3 3 3 2 2 2 2 2 1 ...
#> $ acep_no_procesadas:Classes 'tokenIndex', 'data.table' and 'data.frame': 2 obs. of 3 variables:
#> ..$ doc_id : int [1:2] 8 9
#> ..$ oracion_id: int [1:2] 1 1
#> ..$ oracion : chr [1:2] "Conciliación obligatoria en el conflicto del neumático." "Hola mundo."
#> ..- attr(*, ".internal.selfref")=<externalptr>
#> ..- attr(*, "sorted")= chr [1:2] "doc_id" "oracion_id"Veamos con un poco más de detalle cada uno de los marcos de datos
creados con la función acep_svo().
Es el marco de datos inicial procesado con las funciones del paquete rsyntax.
#> Key: <doc_id, sentence, token_id>
#> doc_id paragraph_id sentence sent
#> <int> <int> <int> <char>
#> 1: 6 1 1 Un gremio aéreo levantó el paro en Tucumán.
#> 2: 6 1 1 Un gremio aéreo levantó el paro en Tucumán.
#> 3: 6 1 1 Un gremio aéreo levantó el paro en Tucumán.
#> 4: 6 1 1 Un gremio aéreo levantó el paro en Tucumán.
#> 5: 6 1 1 Un gremio aéreo levantó el paro en Tucumán.
#> 6: 6 1 1 Un gremio aéreo levantó el paro en Tucumán.
#> 7: 6 1 1 Un gremio aéreo levantó el paro en Tucumán.
#> 8: 6 1 1 Un gremio aéreo levantó el paro en Tucumán.
#> 9: 6 1 1 Un gremio aéreo levantó el paro en Tucumán.
#> start end term_id token_id token lemma pos xpos
#> <int> <int> <int> <num> <char> <char> <char> <char>
#> 1: 1 2 1 1 Un uno DET <NA>
#> 2: 4 9 2 2 gremio gremio NOUN <NA>
#> 3: 11 15 3 3 aéreo aéreo ADJ <NA>
#> 4: 17 23 4 4 levantó levantar VERB <NA>
#> 5: 25 26 5 5 el el DET <NA>
#> 6: 28 31 6 6 paro paro NOUN <NA>
#> 7: 33 34 7 7 en en ADP <NA>
#> 8: 36 42 8 8 Tucumán tucumán PROPN <NA>
#> 9: 43 43 9 9 . . PUNCT <NA>
#> morph parent relation deps
#> <char> <num> <char> <char>
#> 1: Definite=Ind|Gender=Masc|Number=Sing|PronType=Art 2 det <NA>
#> 2: Gender=Masc|Number=Sing 4 nsubj <NA>
#> 3: Gender=Masc|Number=Sing 2 amod <NA>
#> 4: Mood=Ind|Number=Sing|Person=3|Tense=Past|VerbForm=Fin NA ROOT <NA>
#> 5: Definite=Def|Gender=Masc|Number=Sing|PronType=Art 6 det <NA>
#> 6: Gender=Masc|Number=Sing 4 obj <NA>
#> 7: <NA> 8 case <NA>
#> 8: <NA> 6 nmod <NA>
#> 9: <NA> 4 punct <NA>
#> misc s_v_o s_v_o_id s_v_o_fill s_p conjugaciones
#> <char> <fctr> <fctr> <num> <char> <char>
#> 1: <NA> <NA> <NA> NA sujeto <NA>
#> 2: <NA> sujeto 6.1.4 0 sujeto <NA>
#> 3: <NA> sujeto 6.1.4 1 sujeto <NA>
#> 4: <NA> verbo 6.1.4 0 predicado pasado
#> 5: <NA> <NA> <NA> NA predicado <NA>
#> 6: <NA> objeto 6.1.4 0 predicado <NA>
#> 7: <NA> <NA> <NA> NA predicado <NA>
#> 8: SpaceAfter=No objeto 6.1.4 1 predicado <NA>
#> 9: <NA> <NA> <NA> NA predicado <NA>Este marco de datos contiene las oraciones procesables con la identificación y extracción de sujeto-verbo-objeto y contexto.
#> doc_id oracion_id eventos
#> 1 1 1 Sindicatos -> marchan -> ciudades cambio
#> 2 1 2 gremios -> convocan -> paro
#> 3 2 1 gremios -> rechazan -> aulas garantías
#> 4 3 1 estatales -> rechazaron -> oferta gobierno Chubut
#> 5 4 1 CGT -> presiona -> indemnización
#> 6 5 1 CTA -> rechazaron -> acuerdo salarios
#> 7 6 1 gremio -> levantó -> paro
#> 8 6 2 judiciales -> ratificaron -> paro
#> 9 6 3 CGT -> marchó -> críticas paro
#> 10 7 1 Ctera -> convocó -> paro país
#> sujeto_svo root objeto sujeto
#> 1 Sindicatos marchan ciudades cambio Sindicatos estudiantes
#> 2 gremios convocan paro gremios
#> 3 gremios rechazan aulas garantías gremios docentes
#> 4 estatales rechazaron oferta gobierno Chubut estatales
#> 5 CGT presiona indemnización CGT
#> 6 CTA rechazaron acuerdo salarios CTA Izquierda
#> 7 gremio levantó paro gremio aéreo
#> 8 judiciales ratificaron paro judiciales
#> 9 CGT marchó críticas paro CGT
#> 10 Ctera convocó paro país Ctera
#> predicado
#> 1 marchan principales ciudades México exigir cambio política económica Gobierno
#> 2 convocan paro docente presencialidad Larreta Ciudad Buenos Aires
#> 3 rechazan volver aulas garantías sanitarias
#> 4 rechazaron oferta salarial gobierno Chubut
#> 5 presiona que empleados cobren doble indemnización
#> 6 rechazaron acuerdo CGT rebajar salarios
#> 7 levantó paro Tucumán
#> 8 ratificaron paro
#> 9 marchó críticas economía evalúa llama paro
#> 10 convocó paro horas país
#> verbo lemma_verb aux_verbos
#> 1 marchan marchan | exigir |
#> 2 convocan convocan | NA |
#> 3 rechazan rechazan | volver |
#> 4 rechazaron rechazaron | NA |
#> 5 presiona presiona | cobren |
#> 6 rechazaron rechazaron | rebajar |
#> 7 levantó levantó | NA |
#> 8 ratificaron ratificaron | NA |
#> 9 marchó marchó | evalúa | llama |
#> 10 convocó convocó | NA |
#> entidades
#> 1 | México |
#> 2 | Larreta | Ciudad | Buenos | Aires |
#> 3 | NA |
#> 4 | Chubut |
#> 5 | CGT |
#> 6 | CTA | CGT |
#> 7 | Tucumán |
#> 8 | NA |
#> 9 | CGT |
#> 10 | Ctera |
#> sust_pred
#> 1 ciudades | México | cambio | política | Gobierno
#> 2 paro | presencialidad | Larreta | Ciudad | Buenos | Aires
#> 3 aulas | garantías
#> 4 oferta | gobierno | Chubut
#> 5 empleados | indemnización
#> 6 acuerdo | CGT | salarios
#> 7 paro | Tucumán
#> 8 paro
#> 9 críticas | economía | paro
#> 10 paro | horas | paísEste marco de datos es una versión reducida del data.frame ‘acep_pro_svo’. Solo contiene los tripletes sujeto-verbo-objeto en versión colapsada (‘gremios -> convocan -> paro’) y en versión separada (una columna para ‘sujeto’, otra para ‘verbo’ y otra para ‘objeto’).
#> doc_id oracion_id eventos
#> 1 1 1 Sindicatos -> marchan -> ciudades cambio
#> 2 1 2 gremios -> convocan -> paro
#> 3 2 1 gremios -> rechazan -> aulas garantías
#> 4 3 1 estatales -> rechazaron -> oferta gobierno Chubut
#> 5 4 1 CGT -> presiona -> indemnización
#> 6 5 1 CTA -> rechazaron -> acuerdo salarios
#> 7 6 1 gremio -> levantó -> paro
#> 8 6 2 judiciales -> ratificaron -> paro
#> 9 6 3 CGT -> marchó -> críticas paro
#> 10 7 1 Ctera -> convocó -> paro país
#> sujeto verbo objeto
#> 1 Sindicatos marchan ciudades cambio
#> 2 gremios convocan paro
#> 3 gremios rechazan aulas garantías
#> 4 estatales rechazaron oferta gobierno Chubut
#> 5 CGT presiona indemnización
#> 6 CTA rechazaron acuerdo salarios
#> 7 gremio levantó paro
#> 8 judiciales ratificaron paro
#> 9 CGT marchó críticas paro
#> 10 Ctera convocó paro paísEste marco de datos contiene los ‘sujetos’ y los ‘predicados’ identificados en cada oración y una aproximación a ‘entidades’, ‘sustantivos’ y ‘verbos auxiliares’ como contexto que ayuda a mejorar la extracción de sujetos y objetos de la acción.
#> doc_id oracion_id sujeto
#> 1 1 1 Sindicatos estudiantes
#> 2 1 2 gremios
#> 3 2 1 gremios docentes
#> 4 3 1 estatales
#> 5 4 1 CGT
#> 6 5 1 CTA Izquierda
#> 7 6 1 gremio aéreo
#> 8 6 2 judiciales
#> 9 6 3 CGT
#> 10 7 1 Ctera
#> predicado
#> 1 marchan principales ciudades México exigir cambio política económica Gobierno
#> 2 convocan paro docente presencialidad Larreta Ciudad Buenos Aires
#> 3 rechazan volver aulas garantías sanitarias
#> 4 rechazaron oferta salarial gobierno Chubut
#> 5 presiona que empleados cobren doble indemnización
#> 6 rechazaron acuerdo CGT rebajar salarios
#> 7 levantó paro Tucumán
#> 8 ratificaron paro
#> 9 marchó críticas economía evalúa llama paro
#> 10 convocó paro horas país
#> verbo lemma_verb aux_verbos
#> 1 marchan marchan | exigir |
#> 2 convocan convocan | NA |
#> 3 rechazan rechazan | volver |
#> 4 rechazaron rechazaron | NA |
#> 5 presiona presiona | cobren |
#> 6 rechazaron rechazaron | rebajar |
#> 7 levantó levantó | NA |
#> 8 ratificaron ratificaron | NA |
#> 9 marchó marchó | evalúa | llama |
#> 10 convocó convocó | NA |
#> entidades
#> 1 | México |
#> 2 | Larreta | Ciudad | Buenos | Aires |
#> 3 | NA |
#> 4 | Chubut |
#> 5 | CGT |
#> 6 | CTA | CGT |
#> 7 | Tucumán |
#> 8 | NA |
#> 9 | CGT |
#> 10 | Ctera |
#> sust_pred
#> 1 ciudades | México | cambio | política | Gobierno
#> 2 paro | presencialidad | Larreta | Ciudad | Buenos | Aires
#> 3 aulas | garantías
#> 4 oferta | gobierno | Chubut
#> 5 empleados | indemnización
#> 6 acuerdo | CGT | salarios
#> 7 paro | Tucumán
#> 8 paro
#> 9 críticas | economía | paro
#> 10 paro | horas | paísEste marco de datos es un análisis de frecuencias absolutas de lemmas presentes en el corpus procesado.
#> lemma n
#> 44 paro 5
#> 1 CGT 3
#> 28 gremio 3
#> 52 rechazar 3
#> 11 ciudad 2
#> 14 convocar 2
#> 18 docente 2
#> 27 gobierno 2
#> 38 marchar 2
#> 2 Chubut 1Este marco de datos contiene las oraciones que no pudieron ser procesadas por no ser posible identificar sujeto y predicado.
#> Key: <doc_id, oracion_id>
#> doc_id oracion_id oracion
#> <int> <int> <char>
#> 1: 8 1 Conciliación obligatoria en el conflicto del neumático.
#> 2: 9 1 Hola mundo.Los resultados obtenidos en este ejemplo son muy prometedores, pero
la realidad es que la bondad de los resultados está determinada por la
complejidad de las oraciones. Es verdad que los textos ingresados en
este ejemplo fueron tomados de portales de noticias, pero también es
verdad que no todos los títulos son igual de descriptivos y muchos son
oraciones unimembres. Sin embargo, con los cuidados del caso, los
resultados arrojados por la función acep_svo() pueden ser
muy útiles para una primera aproximación exploratoria de eventos de
protesta en un corpus extenso de notas.