Skip to contents

Construir um corpus para análise de conteúdo

Source: R/ac_corpus.R
ac_corpus.Rd

ac_corpus() é a porta de entrada do pipeline do pacote acR. Constrói um objeto estruturado de corpus a partir de um data.frame, um vetor de caracteres, ou um corpus do quanteda, validando a entrada e preservando metadados associados aos documentos.

Usage

ac_corpus(data, text = NULL, docid = NULL, meta = NULL, lang = "pt", ...)

Arguments

data

Entrada do corpus. Pode ser:

  • um data.frame ou tibble com pelo menos uma coluna de texto;

  • um vetor character com textos (um documento por elemento);

  • um objeto corpus do pacote quanteda.

text

Nome da coluna de texto, sem aspas (usa tidyselect / non-standard evaluation). Apenas relevante quando data é um data.frame. Se NULL (padrão), a função tenta detectar automaticamente uma coluna chamada text, texto, doc, content ou conteudo.

docid

Nome da coluna de identificador único, sem aspas. Se NULL (padrão), gera IDs sequenciais no formato doc_1, doc_2, ...

meta

Colunas de metadados a preservar, via tidyselect (ex: c(partido, data, regiao) ou tidyselect::starts_with("var_")). Se NULL, preserva todas as demais colunas do data.frame.

lang

Código ISO do idioma do corpus (padrão: "pt"). Utilizado em etapas posteriores (lematização, stopwords, léxicos).

...

Argumentos reservados para extensão futura. No momento, são ignorados com aviso se nomeados de forma desconhecida.

Value

Um objeto de classe ac_corpus (que herda de tbl_df, tbl, data.frame) com as colunas:

  • doc_id (character): identificador único do documento.

  • text (character): texto do documento.

  • Demais colunas de metadados, preservadas de data. O objeto traz também o atributo lang indicando o idioma.

Details

A função realiza cinco validações obrigatórias e falha cedo em caso de problema:

  1. data deve ser de um dos tipos suportados;

  2. a coluna de texto deve existir (ou ser detectável automaticamente);

  3. a coluna de texto não pode ser inteiramente NA ou vazia;

  4. doc_id não pode ter valores duplicados;

  5. doc_id não pode conter NA.

Documentos com texto vazio ou NA geram aviso (warning) mas são mantidos no corpus com texto "" — o usuário decide se filtra depois.

Examples

# A partir de um data.frame
df <- data.frame(
  id = c("a", "b", "c"),
  texto = c("Primeiro texto.", "Segundo texto.", "Terceiro."),
  partido = c("PT", "PL", "MDB")
)
corpus <- ac_corpus(df, text = texto, docid = id, meta = partido)
corpus
#> 
#> ── Corpus acR ──────────────────────────────────────────────────────────────────
#> • Documentos: 3
#> • Metadados: 1 coluna
#> • Idioma: "pt"
#> 
#> # A tibble: 3 × 3
#>   doc_id text            partido
#>   <chr>  <chr>           <chr>  
#> 1 a      Primeiro texto. PT     
#> 2 b      Segundo texto.  PL     
#> 3 c      Terceiro.       MDB    

# A partir de um vetor character (doc_id gerado automaticamente)
ac_corpus(c("Texto um.", "Texto dois."))
#> 
#> ── Corpus acR ──────────────────────────────────────────────────────────────────
#> • Documentos: 2
#> • Metadados: 0 colunas
#> • Idioma: "pt"
#> 
#> # A tibble: 2 × 2
#>   doc_id text       
#>   <chr>  <chr>      
#> 1 doc_1  Texto um.  
#> 2 doc_2  Texto dois.

# Detecção automática da coluna de texto
df2 <- data.frame(text = c("A", "B"), autor = c("X", "Y"))
ac_corpus(df2)
#> 
#> ── Corpus acR ──────────────────────────────────────────────────────────────────
#> • Documentos: 2
#> • Metadados: 1 coluna
#> • Idioma: "pt"
#> 
#> # A tibble: 2 × 3
#>   doc_id text  autor
#>   <chr>  <chr> <chr>
#> 1 doc_1  A     X    
#> 2 doc_2  B     Y