Text-Analytics_Git-Hub.ipynb

{
 "cells": [
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "#!pip install nltk\n",
    "#!pip install -U pip setuptools wheel\n",
    "#!pip install -U spacy\n",
    "#!python -m spacy download es_core_news_sm\n",
    "#!pip install textblob\n",
    "#!python -m textblob.download_corpora"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 1,
   "metadata": {},
   "outputs": [
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "/home/julio/snap/jupyter/common/lib/python3.7/site-packages/joblib/_multiprocessing_helpers.py:45: UserWarning: [Errno 13] Permission denied.  joblib will operate in serial mode\n",
      "  warnings.warn('%s.  joblib will operate in serial mode' % (e,))\n",
      "[nltk_data] Downloading package punkt to\n",
      "[nltk_data]     /home/julio/snap/jupyter/6/nltk_data...\n",
      "[nltk_data]   Package punkt is already up-to-date!\n",
      "[nltk_data] Downloading package stopwords to\n",
      "[nltk_data]     /home/julio/snap/jupyter/6/nltk_data...\n",
      "[nltk_data]   Package stopwords is already up-to-date!\n",
      "[nltk_data] Downloading package wordnet to\n",
      "[nltk_data]     /home/julio/snap/jupyter/6/nltk_data...\n",
      "[nltk_data]   Package wordnet is already up-to-date!\n",
      "[nltk_data] Downloading package averaged_perceptron_tagger to\n",
      "[nltk_data]     /home/julio/snap/jupyter/6/nltk_data...\n",
      "[nltk_data]   Package averaged_perceptron_tagger is already up-to-\n",
      "[nltk_data]       date!\n"
     ]
    },
    {
     "data": {
      "text/plain": [
       "True"
      ]
     },
     "execution_count": 1,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "#Carga de las biblitecas NLTK y SSL\n",
    "#========================================================================\n",
    "import nltk\n",
    "import ssl\n",
    "\n",
    "#Segmento para evitar problemas con los certificados de seguridad al descargar los pquetes requeridos\n",
    "#========================================================================\n",
    "try:\n",
    "    _create_unverified_https_context = ssl._create_unverified_context\n",
    "except AttributeError:\n",
    "    pass\n",
    "else:\n",
    "    ssl._create_default_https_context = _create_unverified_https_context\n",
    "\n",
    "#Descargar de paquetes\n",
    "#========================================================================\n",
    "nltk.download('punkt')\n",
    "nltk.download('stopwords')\n",
    "nltk.download('wordnet')\n",
    "nltk.download('averaged_perceptron_tagger')"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 2,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "[De, algo, estoy, seguro, ,, en, estos, momentos, hay, personas, que, ya, están, detenidas, ,, yo, no, puedo, entregar, detalles, porque, no, acostumbro, a, entregar, detalles, de, las, investigaciones, ,, también, podría, entorpecer, el, normal, curso, de, éstas, ,, pero, decirles, que, vamos, a, hacer, todo, lo, humanamente, posible, y, están, todos, los, funcionarios, trabajando, en, la, Región, Metropolitana, para, poder, sacar, resultado, lo, más, rápidamente, posible]\n"
     ]
    }
   ],
   "source": [
    "#Tokenizando usando SPACY. Token separados por coma\n",
    "#========================================================================\n",
    "import spacy\n",
    "\n",
    "#Carga diccionario español\n",
    "#========================================================================\n",
    "nlp = spacy.load(\"es_core_news_sm\")\n",
    "texto = \"De algo estoy seguro, en estos momentos hay personas que ya están detenidas, yo no puedo entregar detalles porque no acostumbro a entregar detalles de las investigaciones, también podría entorpecer el normal curso de éstas, pero decirles que vamos a hacer todo lo humanamente posible y están todos los funcionarios trabajando en la Región Metropolitana para poder sacar resultado lo más rápidamente posible\"\n",
    "doc = nlp(texto)\n",
    "tokens = [token for token in doc]\n",
    "print(tokens)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 3,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "['De algo estoy seguro, en estos momentos hay personas que ya están detenidas, yo no puedo entregar detalles porque no acostumbro a entregar detalles de las investigaciones, también podría entorpecer el normal curso de éstas, pero decirles que vamos a hacer todo lo humanamente posible y están todos los funcionarios trabajando en la Región Metropolitana para poder sacar resultado lo más rápidamente posible']\n"
     ]
    }
   ],
   "source": [
    "#Tokenizando, sin separar por palabra, usando NLTK\n",
    "#=======================================================================\n",
    "from nltk.tokenize import sent_tokenize\n",
    "texto=\"De algo estoy seguro, en estos momentos hay personas que ya están detenidas, yo no puedo entregar detalles porque no acostumbro a entregar detalles de las investigaciones, también podría entorpecer el normal curso de éstas, pero decirles que vamos a hacer todo lo humanamente posible y están todos los funcionarios trabajando en la Región Metropolitana para poder sacar resultado lo más rápidamente posible\"\n",
    "tokens=sent_tokenize(texto)\n",
    "print(tokens)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 4,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "['De', 'algo', 'estoy', 'seguro', ',', 'en', 'estos', 'momentos', 'hay', 'personas', 'que', 'ya', 'están', 'detenidas', ',', 'yo', 'no', 'puedo', 'entregar', 'detalles', 'porque', 'no', 'acostumbro', 'a', 'entregar', 'detalles', 'de', 'las', 'investigaciones', ',', 'también', 'podría', 'entorpecer', 'el', 'normal', 'curso', 'de', 'éstas', ',', 'pero', 'decirles', 'que', 'vamos', 'a', 'hacer', 'todo', 'lo', 'humanamente', 'posible', 'y', 'están', 'todos', 'los', 'funcionarios', 'trabajando', 'en', 'la', 'Región', 'Metropolitana', 'para', 'poder', 'sacar', 'resultado', 'lo', 'más', 'rápidamente', 'posible']\n"
     ]
    }
   ],
   "source": [
    "#Tokenizando por palabra usando NLTK\n",
    "#=======================================================================\n",
    "from nltk.tokenize import word_tokenize\n",
    "tokens=word_tokenize(texto)\n",
    "print(tokens)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 5,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "<FreqDist with 54 samples and 67 outcomes>\n"
     ]
    }
   ],
   "source": [
    "#Distribucion de frecuencias\n",
    "#samples= palabras unicas y outcomes=total de palabras\n",
    "#========================================================================\n",
    "from nltk.probability import FreqDist\n",
    "fdist = FreqDist(tokens)\n",
    "print(fdist)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 6,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "[(',', 4), ('en', 2), ('que', 2), ('están', 2), ('no', 2)]"
      ]
     },
     "execution_count": 6,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "#Palabras mas comunes\n",
    "#\"Top Five\" de palabras\n",
    "#========================================================================\n",
    "fdist.most_common(5)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 8,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "image/png": "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\n",
      "text/plain": [
       "<Figure size 432x288 with 1 Axes>"
      ]
     },
     "metadata": {
      "needs_background": "light"
     },
     "output_type": "display_data"
    }
   ],
   "source": [
    "# Grafico de distribucion de frecuencias\n",
    "#========================================================================\n",
    "import matplotlib.pyplot as plt\n",
    "fdist.plot(30,cumulative=False)\n",
    "plt.show()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 9,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "{'el', 'nosotras', 'esté', 'eso', 'lo', 'tuyo', 'serían', 'seamos', 'estaría', 'durante', 'sería', 'hubieron', 'habíais', 'estará', 'y', 'habremos', 'una', 'los', 'ha', 'estadas', 'este', 'fuera', 'nuestros', 'hubo', 'teníamos', 'todos', 'habrán', 'fuerais', 'estarás', 'sin', 'habréis', 'tuvieron', 'habíamos', 'hayáis', 'habido', 'estuviste', 'habríamos', 'tuvieras', 'serán', 'fueses', 'esas', 'estuviéramos', 'siente', 'tendrían', 'tenías', 'la', 'hayamos', 'tuya', 'nuestra', 'nos', 'fueseis', 'tendréis', 'ni', 'vosotras', 'tuvierais', 'tienen', 'suyas', 'tengas', 'éramos', 'estamos', 'hubisteis', 'ante', 'han', 'sobre', 'míos', 'estaríais', 'estuvieses', 'hasta', 'está', 'sentido', 'tus', 'tenían', 'estaremos', 'ella', 'fuesen', 'fui', 'uno', 'estaba', 'esto', 'estaríamos', 'fuiste', 'tenida', 'somos', 'tengo', 'hubieses', 'sentid', 'les', 'habrá', 'tendrá', 'suya', 'habían', 'estuvierais', 'tenido', 'sois', 'entre', 'desde', 'habías', 'otros', 'ellas', 'estés', 'al', 'con', 'estuvieseis', 'estabas', 'a', 'muy', 'para', 'me', 'hubierais', 'tenéis', 'cual', 'vuestro', 'sea', 'tuyas', 'también', 'tuvimos', 'porque', 'eran', 'estada', 'tuviéramos', 'nuestras', 'tenidos', 'serías', 'tuviste', 'tuviese', 'estuve', 'es', 'como', 'era', 'sean', 'se', 'será', 'del', 'mi', 'sentidos', 'vosotros', 'tenía', 'esos', 'cuando', 'no', 'hubiste', 'algo', 'hay', 'os', 'fuese', 'sí', 'soy', 'muchos', 'las', 'esa', 'estaban', 'hemos', 'estarías', 'mío', 'tendríais', 'estas', 'antes', 'mía', 'fuéramos', 'habría', 'suyos', 'fuisteis', 'esta', 'vuestras', 'tienes', 'nosotros', 'que', 'algunos', 'fueran', 'seas', 'más', 'mí', 'tened', 'serás', 'tendrán', 'tuviera', 'de', 'habré', 'habrían', 'te', 'habida', 'erais', 'seáis', 'poco', 'fuésemos', 'tendrás', 'otra', 'estando', 'fueras', 'estos', 'su', 'sentida', 'tuve', 'habidas', 'estar', 'había', 'por', 'vuestros', 'quien', 'o', 'estemos', 'tenidas', 'nada', 'hube', 'otro', 'estuvieron', 'fuimos', 'hubieran', 'tuyos', 'haya', 'estuvieran', 'estabais', 'fueron', 'tuvo', 'tendrías', 'he', 'tuviesen', 'habéis', 'tú', 'mis', 'estado', 'sentidas', 'tiene', 'hubimos', 'hubiésemos', 'unos', 'son', 'hubieras', 'tendremos', 'tengáis', 'habrás', 'estéis', 'eras', 'estaréis', 'tuvieses', 'habiendo', 'suyo', 'tuvieran', 'seríais', 'habidos', 'hubieseis', 'hayan', 'nuestro', 'habríais', 'hubiesen', 'le', 'estuviésemos', 'hubiéramos', 'seremos', 'yo', 'estuviese', 'estáis', 'seréis', 'tengan', 'contra', 'qué', 'tu', 'estarán', 'ya', 'estuviera', 'vuestra', 'tanto', 'has', 'estén', 'tendríamos', 'estaré', 'estábamos', 'seré', 'tengamos', 'un', 'donde', 'hayas', 'eres', 'tendría', 'él', 'pero', 'estás', 'están', 'mucho', 'sintiendo', 'e', 'tendré', 'estoy', 'tenga', 'estuvo', 'fue', 'ese', 'hubiese', 'en', 'estad', 'teníais', 'estuvimos', 'tenemos', 'ti', 'estuvisteis', 'tuvieseis', 'teniendo', 'estarían', 'seríamos', 'estuvieras', 'estados', 'otras', 'hubiera', 'estuviesen', 'algunas', 'todo', 'tuvisteis', 'habrías', 'mías', 'sus', 'tuviésemos', 'quienes', 'ellos'}\n"
     ]
    }
   ],
   "source": [
    "# STOP WORDS\n",
    "# Palabras vacías consideradas como ruido en el texto. El texto puede contener palabras vacías como vuestro\n",
    "# muy, esto, etc.\n",
    "# NLTK elimina palabras vacías:  crear una lista de palabras vacías y filtrar lista de tokens \n",
    "# a partir de estas palabras.\n",
    "\n",
    "from nltk.corpus import stopwords\n",
    "stop_words=set(stopwords.words(\"spanish\"))\n",
    "print(stop_words)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 10,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "Texto roginal tokenizado: ['De', 'algo', 'estoy', 'seguro', ',', 'en', 'estos', 'momentos', 'hay', 'personas', 'que', 'ya', 'están', 'detenidas', ',', 'yo', 'no', 'puedo', 'entregar', 'detalles', 'porque', 'no', 'acostumbro', 'a', 'entregar', 'detalles', 'de', 'las', 'investigaciones', ',', 'también', 'podría', 'entorpecer', 'el', 'normal', 'curso', 'de', 'éstas', ',', 'pero', 'decirles', 'que', 'vamos', 'a', 'hacer', 'todo', 'lo', 'humanamente', 'posible', 'y', 'están', 'todos', 'los', 'funcionarios', 'trabajando', 'en', 'la', 'Región', 'Metropolitana', 'para', 'poder', 'sacar', 'resultado', 'lo', 'más', 'rápidamente', 'posible']\n",
      "Texto Filtrado: ['De', 'seguro', ',', 'momentos', 'personas', 'detenidas', ',', 'puedo', 'entregar', 'detalles', 'acostumbro', 'entregar', 'detalles', 'investigaciones', ',', 'podría', 'entorpecer', 'normal', 'curso', 'éstas', ',', 'decirles', 'vamos', 'hacer', 'humanamente', 'posible', 'funcionarios', 'trabajando', 'Región', 'Metropolitana', 'poder', 'sacar', 'resultado', 'rápidamente', 'posible']\n"
     ]
    }
   ],
   "source": [
    "#Filtramos el Texto Original usando las palabras vacias (Stop Words version Español)\n",
    "#===================================================================\n",
    "filtered_sent=[]\n",
    "for w in tokens:\n",
    "    if w not in stop_words:\n",
    "        filtered_sent.append(w)\n",
    "print(\"Texto roginal tokenizado:\",tokens)\n",
    "print(\"Texto Filtrado:\",filtered_sent)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 11,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "Texto Filtado: ['De', 'seguro', ',', 'momentos', 'personas', 'detenidas', ',', 'puedo', 'entregar', 'detalles', 'acostumbro', 'entregar', 'detalles', 'investigaciones', ',', 'podría', 'entorpecer', 'normal', 'curso', 'éstas', ',', 'decirles', 'vamos', 'hacer', 'humanamente', 'posible', 'funcionarios', 'trabajando', 'Región', 'Metropolitana', 'poder', 'sacar', 'resultado', 'rápidamente', 'posible']\n",
      "Texto con palabras primitivas (Derivadas): ['de', 'seguro', ',', 'momento', 'persona', 'detenida', ',', 'puedo', 'entregar', 'detal', 'acostumbro', 'entregar', 'detal', 'investigacion', ',', 'podría', 'entorpec', 'normal', 'curso', 'ésta', ',', 'decirl', 'vamo', 'hacer', 'humanament', 'posibl', 'funcionario', 'trabajando', 'región', 'metropolitana', 'poder', 'sacar', 'resultado', 'rápidament', 'posibl']\n"
     ]
    }
   ],
   "source": [
    "# Stemming\n",
    "# La derivación es un proceso de normalización lingüística, que reduce las palabras a su palabra raíz o elimina \n",
    "# los afijos derivados. Por ejemplo, conexión, conectado, palabra de conexión se reduce a una palabra \n",
    "# común \"conectar\".\n",
    "#===========================================================================================\n",
    "# Esta opcion funciona correctamente para texto en ingles, español tiene multiples problemas\n",
    "#===========================================================================================\n",
    "from nltk.stem import PorterStemmer\n",
    "from nltk.tokenize import sent_tokenize, word_tokenize\n",
    "\n",
    "ps = PorterStemmer()\n",
    "\n",
    "stemmed_words=[]\n",
    "for w in filtered_sent:\n",
    "    stemmed_words.append(ps.stem(w))\n",
    "\n",
    "print(\"Texto Filtado:\",filtered_sent)\n",
    "print(\"Texto con palabras primitivas (Derivadas):\",stemmed_words)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "#Lexicon Normalization\n",
    "#Igual que la accion anterior (Stemming)\n",
    "#La lematización reduce las palabras a su palabra base, que son lemas lingüísticamente correctos. \n",
    "#Transforma palabra raíz con el uso de vocabulario y análisis morfológico. \n",
    "#La lematización suele ser más sofisticada que la derivación. \n",
    "#Stemmer trabaja con una palabra individual sin conocimiento del contexto. \n",
    "#Por ejemplo, la palabra \"mejor\" tiene \"bueno\" como lema. \n",
    "#Esto se perderá al derivar porque requiere una búsqueda en el diccionario.\n",
    "\n",
    "#===========================================================================================\n",
    "# Esta opcion funciona correctamente para texto en ingles, español tiene multiples problemas\n",
    "#===========================================================================================\n",
    "\n",
    "from nltk.stem.wordnet import WordNetLemmatizer\n",
    "lem = WordNetLemmatizer()\n",
    "\n",
    "from nltk.stem.porter import PorterStemmer\n",
    "stem = PorterStemmer()\n",
    "\n",
    "texto = \"running\"\n",
    "print(\"Lemmatized Word:\",lem.lemmatize(texto,\"v\"))\n",
    "print(\"Stemmed Word:\",stem.stem(texto))"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 12,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "[('De', 'NNP'),\n",
       " ('seguro', 'NN'),\n",
       " (',', ','),\n",
       " ('momentos', 'FW'),\n",
       " ('personas', 'FW'),\n",
       " ('detenidas', 'NN'),\n",
       " (',', ','),\n",
       " ('puedo', 'NN'),\n",
       " ('entregar', 'NN'),\n",
       " ('detalles', 'NNS'),\n",
       " ('acostumbro', 'VBP'),\n",
       " ('entregar', 'JJ'),\n",
       " ('detalles', 'NNS'),\n",
       " ('investigaciones', 'NNS'),\n",
       " (',', ','),\n",
       " ('podría', 'JJ'),\n",
       " ('entorpecer', 'NN'),\n",
       " ('normal', 'JJ'),\n",
       " ('curso', 'NN'),\n",
       " ('éstas', 'NNS'),\n",
       " (',', ','),\n",
       " ('decirles', 'NNS'),\n",
       " ('vamos', 'VBP'),\n",
       " ('hacer', 'NN'),\n",
       " ('humanamente', 'NN'),\n",
       " ('posible', 'JJ'),\n",
       " ('funcionarios', 'NNS'),\n",
       " ('trabajando', 'VBP'),\n",
       " ('Región', 'NNP'),\n",
       " ('Metropolitana', 'NNP'),\n",
       " ('poder', 'NN'),\n",
       " ('sacar', 'NN'),\n",
       " ('resultado', 'NN'),\n",
       " ('rápidamente', 'NN'),\n",
       " ('posible', 'JJ')]"
      ]
     },
     "execution_count": 12,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "#Clasificacion de los tokens\n",
    "#===========================================================================================\n",
    "# Esta opcion funciona correctamente para texto en ingles, español tiene multiples problemas\n",
    "#===========================================================================================\n",
    "nltk.pos_tag(filtered_sent)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 13,
   "metadata": {},
   "outputs": [],
   "source": [
    "#Lista de tags:\n",
    "#CC Conjunción de coordinación\n",
    "#CD dígito cardinal\n",
    "#DT Determinador\n",
    "#EX existencial allí (como: “hay”… piensa en ello como “existe”)\n",
    "#FW palabra extranjera\n",
    "#IN preposición/junta subordinación\n",
    "#JJ  Adjetivo ‘grande’\n",
    "#JJR Adjetivo comparativo ‘más grande\n",
    "#JJS, Adjetivo  superlativo ‘más grande’.\n",
    "#LS Marcador de lista  1)\n",
    "#MD modal podría, podrá\n",
    "#NN sustantivo, singular “desk” (escritorio)\n",
    "#NNS sustantivo plural ‘escritorios\n",
    "#NNP sustantivo propio, singular “Harrison”\n",
    "#NNPS sustantivo propio, plural ‘Americanos\n",
    "#PDT Predeterminador ‘todos los niños’.\n",
    "#POS posesivo final ‘de los padres’\n",
    "#PRP pronombre personal ‘él, ella’\n",
    "#PRP$ pronombre posesivo ‘mi, suyo, de ella’\n",
    "#RB adverbio muy, silenciosamente,\n",
    "#RBR, Adverbio  comparativamente mejor\n",
    "#RBS adverbio, superlativo mejor\n",
    "#RP partículas\n",
    "#TO particula de infinitivo\n",
    "#UH interjección jajaa\n",
    "#VB verbo, ‘beber’\n",
    "#VBD verbo, tiempo pasado ‘tomó’\n",
    "#VBG verbo, gerundio/presente participio tomando\n",
    "#VBN verbo, participio pasado tomado\n",
    "#VBP verbo, cantar presente\n",
    "#VBZ verbo, tercera persona\n",
    "#WDT wh-determiner (which…)\n",
    "#WP pronombre de pregunta (quién, qué)\n",
    "#WP$ posesivo con pronombre (cuyo)\n",
    "#WRB wh-abverb (donde, cuando)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 14,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "Sentiment(polarity=-0.16666666666666666, subjectivity=0.43333333333333335)\n",
      "[('This', 'DT'), ('table', 'NN'), ('is', 'VBZ'), ('black', 'JJ')]\n",
      "Esta mesa es negra\n"
     ]
    }
   ],
   "source": [
    "#Analisis de sentimiento con exto en ingles y luego traducido al español\n",
    "#La polaridad  entre -1 y 1, donde -1 es una declaración negativa y 1 es una declaración positiva. \n",
    "#La subjetividad es la puntuación de TextBlobs. Si la declaración se considera más basada en una opinión o\n",
    "#basada en hechos. Un puntaje de subjetividad más alto significa que es menos objetivo y, por lo tanto,\n",
    "#tendría muchas opiniones.\n",
    "#===========================================================================================\n",
    "# Esta opcion funciona correctamente para texto en ingles, español tiene multiples problemas\n",
    "#===========================================================================================\n",
    "\n",
    "from textblob import TextBlob\n",
    " \n",
    "texto = TextBlob(\"This table is black\")\n",
    "\n",
    "#Realizacion del analisis de sentimiento\n",
    "print(texto.sentiment)\n",
    " \n",
    "#Categorizacion de los tokens\n",
    "print(texto.tags)\n",
    " \n",
    "#Traduccion del texto  Español\n",
    "print(texto.translate(to='es'))\n",
    " \n",
    "#Funciones disponibles para la clase analysis\n",
    "#print(dir(analysis))"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 15,
   "metadata": {},
   "outputs": [],
   "source": [
    "#Otra opcion, mas basica que la anterior,  es util para analizar texto en español\n",
    "#!pip install sentiment-analysis-spanish\n",
    "#!pip install keras tensorflow\n",
    "from sentiment_analysis_spanish import sentiment_analysis"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 16,
   "metadata": {},
   "outputs": [],
   "source": [
    "#La función sentiment(text) devuelve un número entre 0 y 1. \n",
    "#Esta es la probabilidad de que el texto de la variable sea \"positivo\". \n",
    "#Las probabilidades bajas significan que el texto es negativo (números cercanos a 0), las probabilidades altas\n",
    "#(números cercanos a 1) significan que el texto es positivo. \n",
    "#El espacio intermedio corresponde a textos neutrales."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 17,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "0.9625667149123897\n"
     ]
    },
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "/home/julio/snap/jupyter/common/lib/python3.7/site-packages/sklearn/base.py:315: UserWarning: Trying to unpickle estimator CountVectorizer from version 0.23.2 when using version 0.24.2. This might lead to breaking code or invalid results. Use at your own risk.\n",
      "  UserWarning)\n",
      "/home/julio/snap/jupyter/common/lib/python3.7/site-packages/sklearn/base.py:315: UserWarning: Trying to unpickle estimator MultinomialNB from version 0.23.2 when using version 0.24.2. This might lead to breaking code or invalid results. Use at your own risk.\n",
      "  UserWarning)\n"
     ]
    }
   ],
   "source": [
    "#Ejemplo 1\n",
    "texto1 = sentiment_analysis.SentimentAnalysisSpanish()\n",
    "print(texto1.sentiment(\"Este curso es el mejor\"))"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 18,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "0.0043090799740708886\n"
     ]
    }
   ],
   "source": [
    "#Ejemplo 2\n",
    "texto2 = sentiment_analysis.SentimentAnalysisSpanish()\n",
    "print(texto2.sentiment(\"no es bueno lo que esta sucediendo\"))"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.7.3"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 2
}