社交媒体分析的许多用途中的一些是情绪分析，我们评估特定问题的帖子是积极还是消极。我们把社交媒体分析、机器学习、预测建模等集成到文本数据挖掘中。最近我们被客户要求撰写关于推文的研究报告，包括一些图形和统计输出。

在这篇文章中，我们挖掘tweets分析它们的情绪并且可视化我们的结果。我们将看到tweets，城市和状态的空间 – 时间分布与最热门的tweets，我们还将挖掘tweets的情绪，帮助我们看到哪些评论被认为是积极的，哪些是负面的。 首先，让我们创建一个tweet的词云。 词云帮助我们可视化tweet中最常见的词：

col=brewer.pal(6,"Dark2")
wordcloud(corpus, min.freq=25, scale=c(5,2),rot.per = 0.25,
          random.color=T, max.word=45, random.order=F,colors=col)

我们从云中看到，tweet中最常用的词是’muslim’，’muslims’，’ban’。 这表明大多数推文是关于特朗普最近的想法，暂时禁止穆斯林进入美国。

下面的信息中心显示了所抓取的tweets数量的时间序列。 我们可以在小时和天之间更改时间单位。 随时间推移的推文数量有助于我们深入了解每个活动变化方式。

获取tweet的地址。 下面的地图显示了我可以绘制tweets大小与每个tweet获得的转发数量成正比。

下面的仪表板显示了tweets，大小与每个tweet被转发的次数成正比。

在以下三个可视化中，显示了邮政编码、城市和州的推文数量。 在互动地图中，我们可以通过使用每个viz中显示的滚动条来更改要显示的邮政编码、城市和州的数量。

这些可视化帮助我们按邮政编码，城市和州查看tweet的分布。

情绪分析具有很多的用途。 例如，公司可以调查客户最喜欢公司产品的哪些方面，以及客户不满意的问题是什么？ 当公司发布新产品时，产品是否会产生用户正面或负面情绪？ 客户的情绪如何随时间和空间而变化？ 在这篇文章中，我们评估唐纳德·特朗普的tweets的情绪。

下面的图显示了按地理编码分类的tweet的情绪分数。 我们看到推文在NY、NC和Tx有最高的正面情绪。

我们使用了来自包含特朗普的最近的tweets， 发现一些国家表现出强烈的积极情绪。 然而，在统计学上，为了得出可靠的结论，足够大的样本数据是非常重要的。

我们的情绪分析的准确性取决于tweets中的词语是否被包括在词典中。 此外，由于tweet可能包含俚语，行话和词典，可能不包括在词典中，情感分析需要仔细评估。