22 Nuestros datos lucen así:

tuits

## # A tibble: 2,660 x 4
##    status_id created_at   screen_name text        
##        <dbl> <fct>        <fct>       <fct>       
##  1   7.30e17 09/05/2016 … lopezobrad… Proceso hab…
##  2   7.30e17 10/05/2016 … lopezobrad… "MORENA lle…
##  3   7.30e17 10/05/2016 … lopezobrad… Muchas feli…
##  4   7.31e17 12/05/2016 … lopezobrad… "En Chihuah…
##  5   7.31e17 13/05/2016 … lopezobrad… Están desat…
##  6   7.31e17 13/05/2016 … lopezobrad… No sé a ust…
##  7   7.32e17 15/05/2016 … lopezobrad… Luego de la…
##  8   7.32e17 16/05/2016 … lopezobrad… Hoy 15 de m…
##  9   7.32e17 17/05/2016 … lopezobrad… "El periódi…
## 10   7.33e17 18/05/2016 … lopezobrad… Sandra Ávil…
## # … with 2,650 more rows

Para este análisis de sentimiento usaremos el léxico Afinn. Este es un conjunto de palabras, puntuadas de acuerdo a qué tan positivamente o negativamente son percibidas. Las palabras que son percibidas de manera positiva tienen puntuaciones de -4 a -1; y las positivas de 1 a 4.

La versión que usaremos es una traducción automática, de inglés a español, de la versión del léxico presente en el conjunto de datos sentiments de tidytext, con algunas correcciones manuales. Por supuesto, esto quiere decir que este léxico tendrá algunos defectos, pero será suficiente para nuestro análisis.