Contexto empresarial
Un equipo de marketing necesita preparar un conjunto de datos para entrenar un modelo de análisis de sentimiento. Tienen una tabla principal con todos los comentarios de los clientes y una tabla más pequeña donde un equipo ha etiquetado manualmente el sentimiento de un subconjunto de estos comentarios. El objetivo es unir las etiquetas de sentimiento a los comentarios correspondientes para crear un conjunto de datos de entrenamiento limpio.
Sobre el conjunto : activeLearn
Aprendizaje activo para optimizar el etiquetado de datos.
Descubrir todas las acciones de activeLearn Preparación de datos
Se crean dos tablas: 'COMENTARIOS_CLIENTES' con un ID y el texto del comentario, y 'ANOTACIONES_SENTIMIENTO' con el ID y la etiqueta de sentimiento asignada. La tabla de anotaciones solo cubre una parte de los comentarios.
¡Copiado!
| 1 | DATA casuser.COMENTARIOS_CLIENTES; |
| 2 | LENGTH ComentarioID $ 10 Producto $ 20 Texto $ 200; |
| 3 | INPUT ComentarioID $ Producto $ Texto $;& |
| 4 | DATALINES; |
| 5 | C01 Laptop 'El rendimiento es increíble' |
| 6 | C02 Telefono 'La batería dura muy poco' |
| 7 | C03 Tablet 'La pantalla es muy nítida' |
| 8 | C04 Laptop 'Se calienta demasiado rápido' |
| 9 | C05 Monitor 'No tiene suficientes puertos USB' |
| 10 | ; |
| 11 | RUN; |
| 12 | |
| 13 | DATA casuser.ANOTACIONES_SENTIMIENTO; |
| 14 | LENGTH ComentarioID $ 10 Sentimiento $ 10; |
| 15 | INPUT ComentarioID $ Sentimiento $; |
| 16 | DATALINES; |
| 17 | C01 Positivo |
| 18 | C02 Negativo |
| 19 | C04 Negativo |
| 20 | ; |
| 21 | RUN; |
Étapes de réalisation
1
Cargar las tablas 'COMENTARIOS_CLIENTES' y 'ANOTACIONES_SENTIMIENTO' a la sesión de CAS.
¡Copiado!
| 1 | PROC CASUTIL; |
| 2 | load DATA=casuser.COMENTARIOS_CLIENTES outcaslib='casuser' casout='COMENTARIOS_CLIENTES' replace; |
| 3 | load DATA=casuser.ANOTACIONES_SENTIMIENTO outcaslib='casuser' casout='ANOTACIONES_SENTIMIENTO' replace; |
| 4 | RUN; |
| 5 | QUIT; |
2
Realizar una unión interna (INNER JOIN) para crear una tabla de entrenamiento que contenga únicamente los comentarios que han sido etiquetados.
¡Copiado!
| 1 | PROC CAS; |
| 2 | activeLearn.alJoin / |
| 3 | TABLE={name='COMENTARIOS_CLIENTES'}, |
| 4 | annotatedTable={name='ANOTACIONES_SENTIMIENTO'}, |
| 5 | id='ComentarioID', |
| 6 | joinType='INNER', |
| 7 | casOut={name='DATOS_ENTRENAMIENTO', replace=true}; |
| 8 | RUN; |
| 9 | QUIT; |
3
Realizar una unión izquierda (LEFT JOIN) para crear una tabla completa para análisis exploratorio, manteniendo todos los comentarios originales, etiquetados o no.
¡Copiado!
| 1 | PROC CAS; |
| 2 | activeLearn.alJoin / |
| 3 | TABLE={name='COMENTARIOS_CLIENTES'}, |
| 4 | annotatedTable={name='ANOTACIONES_SENTIMIENTO'}, |
| 5 | id='ComentarioID', |
| 6 | joinType='LEFT', |
| 7 | casOut={name='COMENTARIOS_COMPLETOS', replace=true}; |
| 8 | RUN; |
| 9 | QUIT; |
Resultado esperado
Se generan dos tablas. 'DATOS_ENTRENAMIENTO' contendrá 3 filas, solo con los comentarios que tienen una etiqueta de sentimiento. 'COMENTARIOS_COMPLETOS' contendrá las 5 filas originales; las filas C03 y C05 tendrán un valor faltante (missing) en la columna 'Sentimiento', demostrando la correcta aplicación de ambos tipos de unión.