Volume des avis

Il s’agit d’évaluer la distribution “physique”du corpus de texte défini comme l’ensemble des commentaires tripadvisor de la version française publiés à partir de juin 2015. On obtient 26467 textes. dim(comment_X)

print("nombre total de documents")

## [1] "nombre total de documents"

dim(comment_W)

## [1] 70235     8

#filtrage sur date et sur comment_Ws notés
d<- as.Date("2015-06-30", format = "%Y-%m-%d")
comment_W<-comment_W %>% filter(Date>d)  %>% filter(Note>0)
print("nombre de documents (depuis 4 ans)")

## [1] "nombre de documents (depuis 4 ans)"

dim(comment_W)

## [1] 26467     8

#on enrichit avec les données hôtels
comment_W<-left_join(comment_W, hotels_ref)

comment_W$destination[comment_W$Ile=="Avatoru"]<-"Tuamotu"
comment_W$destination[comment_W$Ile=="Bora Bora"]<-"Bora Bora"
comment_W$destination[comment_W$Ile=="Hiva hoa"]<-"Marquises"
comment_W$destination[comment_W$Ile=="Hiva Oa"]<-"Marquises"
comment_W$destination[comment_W$Ile=="Huahine"]<-"Iles vent"
comment_W$destination[comment_W$Ile=="Maupiti"]<-"Iles vent"
comment_W$destination[comment_W$Ile=="Tahaa"]<-"Iles vent"
comment_W$destination[comment_W$Ile=="Raiatea"]<-"Iles vent"
comment_W$destination[comment_W$Ile=="Moorea"]<-"Moorea"
comment_W$destination[comment_W$Ile=="Tahiti"]<-"Tahiti"
comment_W$destination[comment_W$Ile=="Tetiaroa"]<-"Tahiti"
comment_W$destination[comment_W$Ile=="Nuku Hiva"]<-"Marquises"
comment_W$destination[comment_W$Ile=="Raivavae"]<-"Australes"
comment_W$destination[comment_W$Ile=="Rangiroa"]<-"Tuamotu"
comment_W$destination[comment_W$Ile=="Rurutu"]<-"Australes"
comment_W$destination[comment_W$Ile=="Tikehau"]<-"Tuamotu"

comment_W$destination<- as.factor(comment_W$destination)
comment_W$categorie<- as.factor(comment_W$categorie)

comment_W$chambres<-as.numeric(comment_W$chambres)

comment_W$Taille_hotel[comment_W$chambres<9]<-" 1-5 chambres"
comment_W$Taille_hotel[comment_W$chambres>8 & comment_W$chambres<16]<-" 6-15 chambres"
comment_W$Taille_hotel[comment_W$chambres>15 & comment_W$chambres<51]<-"15-50 chambres"
comment_W$Taille_hotel[comment_W$chambres>50 & comment_W$chambres<121]<-"50-80 chambres"
comment_W$Taille_hotel[comment_W$chambres>120]<-"80 et plus chambres"


comment_W$prix_classe[comment_W$prix<10000]<-"<10 000"
comment_W$prix_classe[comment_W$prix>9999 & comment_W$prix<15000]<-"<15 000"
comment_W$prix_classe[comment_W$prix>14999 & comment_W$prix<25000]<-"<25 000"
comment_W$prix_classe[comment_W$prix>24999 & comment_W$prix<40000]<-"<40 000"
comment_W$prix_classe[comment_W$prix>39999 ]<-">40 000"

library(AMR)
comment_W %>% freq(Taille_hotel)  

comment_W %>% freq(prix_classe)  

comment_W %>% freq(destination)

library(FactoMineR)
AFCM<-subset(comment_W, select=c("prix_classe","Taille_hotel","categorie"))
AFCM<- na.omit(AFCM)
MCA(AFCM, ncp = 3, graph = TRUE,method = "Burt")

## **Results of the Multiple Correspondence Analysis (MCA)**
## The analysis was performed on 6168 individuals, described by 3 variables
## *The results are available in the following objects:
## 
##    name              description                       
## 1  "$eig"            "eigenvalues"                     
## 2  "$var"            "results for the variables"       
## 3  "$var$coord"      "coord. of the categories"        
## 4  "$var$cos2"       "cos2 for the categories"         
## 5  "$var$contrib"    "contributions of the categories" 
## 6  "$var$v.test"     "v-test for the categories"       
## 7  "$ind"            "results for the individuals"     
## 8  "$ind$coord"      "coord. for the individuals"      
## 9  "$ind$cos2"       "cos2 for the individuals"        
## 10 "$ind$contrib"    "contributions of the individuals"
## 11 "$call"           "intermediate results"            
## 12 "$call$marge.col" "weights of columns"              
## 13 "$call$marge.li"  "weights of rows"

Distribution du nombre d’avis entre les hôtels

On examine la répartition du nombre d’avis produit entre les hôtels. On s’aperçoit d’une distribution très inégales : une dizaine d’hôtels concentrent des milliers d’avis quand le reste se contentent de quelques dizaines. La courbe de lorenz confirme l’observation : 75% des commentaires sont produit par 12,5% des hôtels.

#on calcule le nombre d'avis par logement
comment_W$Hotel<-as.factor(comment_W$Hotel)

Avis<-comment_W %>% mutate(n=1) %>% group_by(Hotel) %>% summarise(nb_avis = sum(n))

mean<-round(mean(Avis$nb_avis),1)
median<-median(Avis$nb_avis)
max<- max(Avis$nb_avis)
g05a<-ggplot(Avis, aes(x=nb_avis))+geom_histogram(binwidth=20,fill="coral3")+theme_minimal()+xlim(0,2500)+ylim(0,25)+annotate("text", x=1000, y=20, size=3,label= paste0("moyenne=",mean,"- médiane=", median,"- max=",max))+labs(x = "nombre d'avis", y = "Fréquences (nb d'hôtels)", title = "Distribution du nombre d'avis par hôtel", caption = "")

#on analyse la concentration
library(ineq)
library(gglorenz)
gini<-round(ineq(Avis$nb_avis,type = c("Gini")),2)

g05b<-Avis %>%
    ggplot(aes(nb_avis)) +
    stat_lorenz(desc = TRUE,size=1.2,color="darkred") +
    coord_fixed() +
    geom_abline(linetype = "dashed") +
    theme_minimal() +labs(x = "Part cumulée des hôtels",
         y = "Part cumulée des avis",
         title = "Concentration des avis",
         caption = "") +
  annotate("text", x=.35, y=.6, size=3,label= paste0("indice de Gini=",gini))
grid.arrange(g05a,g05b,ncol=2)

La longueur des avis

Les avis ne sont pas de la même longueur (en nombre de caractères) et varient de 193 caractères à 13637 caractères avec une longueur médiane de 503. le volume total représente donc 18,49 millions de caractères, soit l’équivalent de 10 000 pages.

comment_W$nbcar<-nchar(comment_W$Commetaire)
mean <-round(mean(comment_W$nbcar),0)
median <-median(comment_W$nbcar)
median

## [1] 502

min<- min(comment_W$nbcar)
min

## [1] 193

max<- max(comment_W$nbcar)
max

## [1] 13637

#nombre total de caractères ( en kilo)

sum<- sum(comment_W$nbcar)/1000
sum

## [1] 18493.31

Une analyse de concentration montre que 25% des avis les plus longs représentent 50% du volume de texte avec un indice de gini de 0.39 qui indique une concentration modérée.

g00a<- comment_W  %>% ggplot(aes(x=nbcar))+geom_histogram(binwidth=50,fill="brown")+theme_minimal()+xlim(0,4000)+ylim(0,3500)+annotate("text", x=2000, y=2900, size=3,label= paste0("moy=",mean," - médiane", median," - max=",max))+labs(x = "nombre de caractéres", y = "Fréquence")

#on analyse la concentration
#library(ineq)
#library(gglorenz)
gini<-round(ineq(comment_W$nbcar,type = c("Gini")),2)

g00b<-comment_W %>%
    ggplot(aes(nbcar)) +
    stat_lorenz(desc = TRUE,size=1.2,color="darkred") +
    coord_fixed() +
    geom_abline(linetype = "dashed") +
    theme_minimal() +labs(x = "Part cumulée des commentaires",
         y = "Part cumulée du texte",
         title = "Concentration du volume de texte",
         caption = "") +
  annotate("text", x=.35, y=.6, size=3,label= paste0("indice de Gini=",gini))
grid.arrange(g00a,g00b,ncol=2)

La corrélation entre le nombre d’avis par hôtel et la taille moyenne des avis est faible <0.3 mais significative. Les grands hôtels ont aussi les commentaires les plus longs. On passe de 600 caractères à près de 800 pour les hôtels les plus commentés.

Le nombre de avis par chambre , une manière de saisir l’intensité du flux d’avis généré dans un hotel n’est pas corrélé à la taille de l’hotel, et cette corrélation était significative (de l’ordre de moins de -0,2), elle montre que les petits hotels sont plus productifs (est-ce qu’ils concentrent le plus d avis négatifs ?)

comment_W$nb_avis<-1
nb_comment_p_hotel<- aggregate(cbind(nbcar,nb_avis) ~ Hotel, data = comment_W, FUN= "sum")
nb_ch_p_hotel<- aggregate(chambres ~ Hotel, data = comment_W, FUN= "mean")

nb_comment_p_hotel<-merge(nb_comment_p_hotel,nb_ch_p_hotel)

#longueur par avis
nb_comment_p_hotel$nbcar_moy<-nb_comment_p_hotel$nbcar/nb_comment_p_hotel$nb_avis

g00c<- ggplot(nb_comment_p_hotel,aes(x=nb_avis, y=nbcar_moy))+geom_point()+theme_minimal()+scale_x_log10()+geom_smooth(method = "lm")+geom_smooth(method = "loess",color="orange2")

m <- lm(log(nbcar_moy) ~ log(nb_avis), data = nb_comment_p_hotel)
summary(m)

## 
## Call:
## lm(formula = log(nbcar_moy) ~ log(nb_avis), data = nb_comment_p_hotel)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -0.56852 -0.15628 -0.01719  0.13249  0.68930 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept)   6.27428    0.05251 119.478  < 2e-16 ***
## log(nb_avis)  0.04160    0.01235   3.368 0.000928 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.2295 on 178 degrees of freedom
## Multiple R-squared:  0.05991,    Adjusted R-squared:  0.05463 
## F-statistic: 11.34 on 1 and 178 DF,  p-value: 0.0009283

eq <- substitute(italic(y) == a + b %.% italic(nb_avis)*","~~italic(r)^2~"="~r2,
                list(        a = format(coef(m)[1], digits = 4),
                               b = format(coef(m)[2], digits = 2),
                               r2 = format(summary(m)$r.squared, digits = 3)))

dftext <- data.frame(nb_avis = 20, nbcar_moy = 1500, eq = as.character(as.expression(eq)))

g00d<-g00c+ geom_text(aes(label = eq), data = dftext, parse = TRUE)
g00d 

# avis par chambre et nombre de chambre
#nbre d'avis par chambres
nb_comment_p_hotel$avis_p_ch<-nb_comment_p_hotel$nb_avis/nb_comment_p_hotel$chambres

g00e<- ggplot(nb_comment_p_hotel,aes(x=chambres, y=avis_p_ch))+geom_point()+theme_minimal()+scale_x_log10()+geom_smooth(method = "lm")+geom_smooth(method = "loess",color="orange2")+scale_y_log10()

m <- lm(log(avis_p_ch) ~ log(chambres), data = nb_comment_p_hotel)
summary(m)

## 
## Call:
## lm(formula = log(avis_p_ch) ~ log(chambres), data = nb_comment_p_hotel)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -3.3189 -0.6143  0.1580  0.6444  2.7325 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    2.27903    0.15859  14.370   <2e-16 ***
## log(chambres) -0.16658    0.06671  -2.497   0.0134 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.016 on 178 degrees of freedom
## Multiple R-squared:  0.03384,    Adjusted R-squared:  0.02842 
## F-statistic: 6.235 on 1 and 178 DF,  p-value: 0.01343

eq <- substitute(italic(y) == a + b %.% italic(nb_avis)*","~~italic(r)^2~"="~r2,
                list(        a = format(coef(m)[1], digits = 4),
                               b = format(coef(m)[2], digits = 2),
                               r2 = format(summary(m)$r.squared, digits = 3)))

dftext <- data.frame(avis_p_ch = 50, chambres = 100, eq = as.character(as.expression(eq)))

g00f<-g00e+ geom_text(aes(label = eq), data = dftext, parse = TRUE)
g00f

density1<-lm(log(avis_p_ch)~log(chambres),data=nb_comment_p_hotel)
summary(density1)

## 
## Call:
## lm(formula = log(avis_p_ch) ~ log(chambres), data = nb_comment_p_hotel)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -3.3189 -0.6143  0.1580  0.6444  2.7325 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    2.27903    0.15859  14.370   <2e-16 ***
## log(chambres) -0.16658    0.06671  -2.497   0.0134 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.016 on 178 degrees of freedom
## Multiple R-squared:  0.03384,    Adjusted R-squared:  0.02842 
## F-statistic: 6.235 on 1 and 178 DF,  p-value: 0.01343

density2<-lm(nbcar_moy~log(chambres),data=nb_comment_p_hotel)
summary(density2)

## 
## Call:
## lm(formula = nbcar_moy ~ log(chambres), data = nb_comment_p_hotel)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -305.73  -95.00  -11.58   60.78  528.88 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    563.637     23.491  23.993  < 2e-16 ***
## log(chambres)   38.996      9.881   3.946 0.000114 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 150.6 on 178 degrees of freedom
## Multiple R-squared:  0.08045,    Adjusted R-squared:  0.07529 
## F-statistic: 15.57 on 1 and 178 DF,  p-value: 0.0001141

les contributions des hôtels

comment_W$n<-1
hotel01<-aggregate(n~nom,comment_W, FUN="sum")
hotel02<-aggregate(nbcar~nom,comment_W, FUN="sum")
hotel03<-aggregate(nbcar~nom,data=comment_W, FUN="mean") %>% mutate(nbcar_mean=nbcar) %>% dplyr::select(-nbcar)
Hotela<-merge(hotel01,hotel02)
Hotelb<-merge(Hotela, hotel03) %>% filter(n>100)

g01a<-ggplot(Hotelb,aes(x=reorder(nom,n),y=n))+geom_bar(stat="identity",fill="coral3")+coord_flip()+theme_minimal()+labs(x = "Hotels (par nombre d'avis)", y = "nombre d'avis", title = "", caption = "")+theme(axis.text=element_text(size=7))

g01b<-ggplot(Hotelb,aes(x=reorder(nom,n),y=nbcar))+geom_bar(stat="identity",fill="coral3")+coord_flip()+theme_minimal()+labs(x = "Hotels (par nombre d'avis)", y = "nombre total de caractères", title = "", caption = "")+theme(axis.text=element_text(size=7))

g01a 

g01b

Les “scripteurs”

Les auteurs d’avis, nous les dénommerons “scripteurs”, peuvent produire plus d’un avis, d’autant plus que pour la destination étudiées les séjours se déroulent souvent dans différents établissements. On s’attend qu’en plus de commentaires uniques, nous ayons des “scripteurs” répéteurs. C’est bien ce que les données confirment. Les 26000 commentaires sont produit par 11000 comptes uniques, 5000 d’entre eux n’ont produit qu’un avis, 6000 en ayant produit au moins deux. Les scripteurs occasionnels cependant représent 3,5 millions de caractère donc moins d’un quart de toute la production.

Trip advisor agrège dont moins des commentaires épars et occasionnel qu’une production répétée de quelques milliers de touristes. Sachant que la population de touriste correspondant à 60 000 francophone annuels, les contributeurs représentent 6 000/240 000 = 2,5% de la population totale des toruistes. On s’aperçoit que le nombre d’avis produit par compte est indépendant de la taille des avis.

comment_W$nb_comment<-1
nb_comment_p_user<- aggregate(cbind(nbcar,nb_comment) ~ Username, data = comment_W, FUN= "sum")
g02a<-ggplot(nb_comment_p_user,aes(x=nb_comment))+geom_histogram(fill="Orange3",binwidth = 1)+theme_minimal()
dim(nb_comment_p_user)

## [1] 11680     3

nb_comment_p_user2<-aggregate(nbcar~nb_comment,nb_comment_p_user, FUN="sum")
g02b<-ggplot(nb_comment_p_user2,aes(x=nb_comment,y=nbcar))+geom_bar(stat="identity",fill="Orange2")+theme_minimal()+labs(x="nombre de commentaires par scripteur")

grid.arrange(g02a, g02b, ncol=2)

nb_comment_p_user$taille_avis<-nb_comment_p_user$nbcar/nb_comment_p_user$nb_comment
g02c<-ggplot(nb_comment_p_user, aes(x=nb_comment,y=log(taille_avis)))+geom_point()+geom_smooth(methode="lm")+theme_minimal()+labs(x="nombre de commentaires par scripteur")
g02c

comment_W<-left_join(comment_W, nb_comment_p_user,by ="Username") %>%select(-nb_comment.x)%>%mutate(ncar_user=nbcar.y/nb_comment.y)

comment_W$redacteur[comment_W$nb_comment.y<2]<-"1 avis"
comment_W$redacteur[comment_W$nb_comment.y>1 & comment_W$nb_comment.y<4]<-"2 ou 3 avis"
comment_W$redacteur[comment_W$nb_comment.y>3 & comment_W$nb_comment.y<9]<-"4 à 8 avis"
comment_W$redacteur[comment_W$nb_comment.y>8 ]<-"9 et plus avis"

Evolution de la production

On remarquera la saisonnalité, mais aussi une chute qui doit pouvoir être attribué au politiques de detections de fake. Une étude des initiative doit être menée.

comment_W$Month_Yr<-as.POSIXct(comment_W$Date) #un format qu'aime lubridate
g<-comment_W %>% 
  ggplot(aes(Month_Yr)) + 
  geom_freqpoly(binwidth = 604800) + labs(title = "Nombre d'avis par semaine",caption = "Tripadvisor polynésie",x="temps",y="nb d'avis") +theme_minimal()
g

Volume en unités et nombre de caractères

On commence par définir nos critères de segmentation

comment_W$chambres<-as.numeric(comment_W$chambres)
ggplot(comment_W,aes(chambres))+geom_histogram(binwidth=5) +theme_minimal()

comment_W$Taille_hotel[comment_W$chambres<9]<-" 1-5 chambres"
comment_W$Taille_hotel[comment_W$chambres>8 & comment_W$chambres<16]<-" 6-15 chambres"
comment_W$Taille_hotel[comment_W$chambres>15 & comment_W$chambres<51]<-"15-50 chambres"
comment_W$Taille_hotel[comment_W$chambres>50 & comment_W$chambres<121]<-"50-80 chambres"
comment_W$Taille_hotel[comment_W$chambres>120]<-"80 et plus chambres"

comment_W$redacteur[comment_W$nb_comment.y<2]<-"1 avis"
comment_W$redacteur[comment_W$nb_comment.y>1 & comment_W$nb_comment.y<4]<-"2 ou 3 avis"
comment_W$redacteur[comment_W$nb_comment.y>3 & comment_W$nb_comment.y<9]<-"4 à 8 avis"
comment_W$redacteur[comment_W$nb_comment.y>8 ]<-"9 et plus avis"


comment_W$prix_classe[comment_W$prix<10000]<-"<10 000"
comment_W$prix_classe[comment_W$prix>9999 & comment_W$prix<15000]<-"<15 000"
comment_W$prix_classe[comment_W$prix>14999 & comment_W$prix<25000]<-"<25 000"
comment_W$prix_classe[comment_W$prix>24999 & comment_W$prix<40000]<-"<40 000"
comment_W$prix_classe[comment_W$prix>39999 ]<-">40 000"

library(AMR)
comment_W %>% freq(Taille_hotel)  

comment_W %>% freq(prix_classe)  

comment_W %>% freq(redacteur)  

comment_W %>% freq(destination)

library(FactoMineR)
AFCM<-subset(comment_W, select=c("prix_classe","Taille_hotel","categorie"))
AFCM<- na.omit(AFCM)
MCA(AFCM, ncp = 2, graph = TRUE)

## **Results of the Multiple Correspondence Analysis (MCA)**
## The analysis was performed on 6168 individuals, described by 3 variables
## *The results are available in the following objects:
## 
##    name              description                       
## 1  "$eig"            "eigenvalues"                     
## 2  "$var"            "results for the variables"       
## 3  "$var$coord"      "coord. of the categories"        
## 4  "$var$cos2"       "cos2 for the categories"         
## 5  "$var$contrib"    "contributions of the categories" 
## 6  "$var$v.test"     "v-test for the categories"       
## 7  "$ind"            "results for the individuals"     
## 8  "$ind$coord"      "coord. for the individuals"      
## 9  "$ind$cos2"       "cos2 for the individuals"        
## 10 "$ind$contrib"    "contributions of the individuals"
## 11 "$call"           "intermediate results"            
## 12 "$call$marge.col" "weights of columns"              
## 13 "$call$marge.li"  "weights of rows"

Notes et longueur des commentaires

Une relation spectaculaire se manifeste : les avis les moins bien noté sont plus longs de plus de 40% que les avis bien notés. L’insatisfaction rend logorique.

g04b<-ggplot(comment_W,aes(x=Note))+geom_histogram(fill="Orange4",binwidth = 1)+theme_minimal()+labs(x="Note",y = "Fréquence",title = "Distribution des notes")
comment_W$note_avis<-as.factor(comment_W$Note)
foo<- aggregate(cbind(nbcar.x)~note_avis,data=comment_W,FUN="median")
foo<-melt(foo)
g04c<-ggplot(foo, aes(x=note_avis, y=value,group=variable))+geom_line(aes(color=variable),size=2)+theme_minimal()+scale_color_manual(values=wes_palette(n=4, name="Zissou1"))+labs(x="Note",y = "Longueur de l'avis (en carac.)",title = "Longueur médiane des avis", caption = "")+theme(legend.position = "none")+ylim(300,800)
grid.arrange(g04b,g04c, ncol=2)

On peut chercher à modéliser la taille des avis. Un modèle à composantes d’erreur pour prendre en compte

g04a<- comment_W %>% ggplot(aes(x=Note,y=nbcar.x ))+geom_point(position ="jitter")+theme_minimal()+geom_smooth(method='lm')+geom_smooth(method='loess')+scale_y_log10()
g04a

library(lme4)
reg00<-lmer(nbcar.x~Note+(1 | Hotel), data=comment_W)
reg01<-lmer(nbcar.x~Note+log(prix)+nb_comment.y+Taille_hotel+(1 | Hotel), data=comment_W)
reg02<-lmer(nbcar.x~Note+log(prix)+nb_comment.y+Taille_hotel+destination+(1 | Hotel), data=comment_W)

library(stargazer)
stargazer(reg00,reg01,reg02, type="text")

## 
## ======================================================================
##                                          Dependent variable:          
##                                 --------------------------------------
##                                                nbcar.x                
##                                     (1)          (2)          (3)     
## ----------------------------------------------------------------------
## Note                            -116.843***  -117.473***  -117.503*** 
##                                   (4.391)      (4.405)      (4.412)   
##                                                                       
## log(prix)                                     144.624***   139.381*** 
##                                                (15.298)     (16.847)  
##                                                                       
## nb_comment.y                                  -5.272***    -5.181***  
##                                                (1.453)      (1.455)   
##                                                                       
## Taille_hotel 6-15 chambres                     -31.670      -35.586   
##                                                (27.726)     (28.850)  
##                                                                       
## Taille_hotel15-50 chambres                    -91.388***   -84.928*** 
##                                                (28.197)     (30.250)  
##                                                                       
## Taille_hotel50-80 chambres                     -35.579      -51.024   
##                                                (34.555)     (38.600)  
##                                                                       
## Taille_hotel80 et plus chambres                -14.737      -13.611   
##                                                (48.857)     (55.297)  
##                                                                       
## destinationBora Bora                                         56.674   
##                                                             (80.375)  
##                                                                       
## destinationIles vent                                         9.596    
##                                                             (75.643)  
##                                                                       
## destinationMarquises                                         -7.630   
##                                                             (84.184)  
##                                                                       
## destinationMoorea                                            3.729    
##                                                             (77.456)  
##                                                                       
## destinationTahiti                                            17.975   
##                                                             (78.356)  
##                                                                       
## destinationTuamotu                                           5.582    
##                                                             (76.917)  
##                                                                       
## Constant                        1,156.411***   -238.797     -199.519  
##                                   (22.343)    (147.968)    (177.876)  
##                                                                       
## ----------------------------------------------------------------------
## Observations                       26,467       25,947       25,947   
## Log Likelihood                  -207,974.100 -203,636.200 -203,607.900
## Akaike Inf. Crit.               415,956.200  407,292.400  407,247.800 
## Bayesian Inf. Crit.             415,988.900  407,374.000  407,378.400 
## ======================================================================
## Note:                                      *p<0.1; **p<0.05; ***p<0.01

Lisibilité

La lisibilité est une vieille question L. A. Sherman found that the English sentence was getting shorter. In Elizabethan times, the average sentence was 50 words long. In his own time, it was 23 words long. Sherman’s work established that: Literature is a subject for statistical analysis, Shorter sentences and concrete terms help people to make sense of what is written. Over time, text becomes easier if it is more like speech.

Dans une étude de Marc hug d’une centaine article du monde, le nombre de syllabes moyen est de 3,5 syllabes (phonémes) et de 19 mots par phrase. Ici les moyennes sont beaucoups plus faible avec 15 mots et 1,5 syllabes indiquant un niveau de language bien inférieur au journal le Monde. Reste à apprecier l’importance de l’écart.

In 1943, Rudolf Flesch published his PhD dissertation, Marks of a Readable Style, which included a readability formula to predict the difficulty of adult reading material.

Flesch-Kincaid Readability Score (Flesch and Kincaid 1975).0.39 * ASL + 11.8 * (NSy /Nw) - 15.59 https://en.wikipedia.org/wiki/Readability https://rdrr.io/cran/quanteda/man/textstat_readability.html

On le garde comme historique et on ajoute le ARI et le coleman.Liau Grade qui donne le niveau d’âge à partir duquel le contenu peu être lu.

#library(quanteda)
Corpus<-corpus(comment_W,text_field="Commetaire") #corpus de base qui sera filtré

read<- textstat_readability(Corpus, measure = c("ARI","Flesch.Kincaid", "Coleman.Liau.ECP","Coleman.Liau.grade", "meanSentenceLength", "meanWordSyllables"),  remove_hyphens = TRUE,  min_sentence_length =  000, max_sentence_length = 10000,  intermediate = FALSE)

comment_W<-cbind(comment_W,read) 

g06a<-ggplot(data = comment_W, aes(x=Coleman.Liau.grade))+geom_histogram(fill="grey")+theme_minimal()
g06b<-ggplot(data = comment_W, aes(x=ARI))+geom_histogram(fill="grey")+theme_minimal()+xlim(-10,50)
g06c<-ggplot(data = comment_W, aes(x=meanWordSyllables))+geom_histogram(fill="grey")+theme_minimal()+xlim(0,3)
g06d<-ggplot(data = comment_W, aes(x=meanSentenceLength))+geom_histogram(fill="grey")+theme_minimal()+xlim(0,50)
grid.arrange(g06a,g06b,g06c,g06d,nrow=2) #utilise gridextra

Si on examine les correlations on s’apercoit 1) que la longueur des phrase determine largement le ari et le FK 2) en revanche le nombre de syllabes est mieux lié au CLG 3) les mesures sont insensibles à la longueur des avis. Court ou long ils sont autant lisibles. Par conséquent les commentaires négatifs, plus long ne sont pas moins lisibles que les avis laudateurs. 4) l’ARI et FK sont redondant , on ne garde que le ARI qui semble est plus dépendante à la complexité grammaticale (longueur des phrases) 5) le CLG est assez lié aux deux autres mais garde une indépendance, il mesure plus la simplicité/complexité du vocabulaire.

Diversité lexicale

TTR le plus simple mais sensible mais la longueur, le CTTR corrige, le maas aussi plus moderne avec herdan corrige en principe mieux ( ref :).

#library(quanteda)
toks <- tokens(Corpus, what="word",remove_punct = TRUE,remove_numbers = TRUE,
  remove_symbols = TRUE, remove_separators = TRUE,
  remove_twitter = TRUE, remove_hyphens = TRUE, remove_url = TRUE,
  ngrams = 1, skip = 0L, concatenator = "_") 
toks<- tokens_remove(toks, stopwords('french'), valuetype = 'fixed', padding = TRUE)

#dfmlex<-dfm(toks, tolower = TRUE,stem=TRUE)
lexdiv <- textstat_lexdiv(toks,measure = c("TTR","C","Maas"), MATTR_window = 20L) 

comment_X<-comment_W %>% select(Hotel,Username,Titre,Commetaire,Note,note_avis,prix,chambres,Taille_hotel,prix_classe,destination,redacteur,nb_comment.y,nbcar.x, ARI,Coleman.Liau.grade,meanSentenceLength,meanWordSyllables) 

comment_X<-cbind(comment_X,lexdiv)

L’analyse des corrélation montre que 1) la longueur des avis est lié négativement au TTR et au maas, ce qui correspond à la critique de ces indices qui ne peuvent rendre comparables des textes de longueur très différentes. 2) on note que le TTR est aussi fortement lié au nombre de syllabes par mots, ce qui est logique dans la mesure où les mots les plus longs sont aussi les plus rares ( les plus fréquents et répétés sont les déterminant (ce), les coordination ( où, ou, et)). 3) le C est lié au mass, independant de la longueur du texte, sensible à la longueur des mots. Il semble être l’indicateur le plus appropriés.

La lisibilité est lié positivement à la diversité lexicale. L’usage de terme précis contribue sans doute à rendre le texte plus clairs, un texte simple favorise l’usage de terme précis.

Sentiment

library(syuzhet)             #analyse du sentimeent

#paramétres
method <- "nrc"
lang <- "french"
phrase<-as.character(paste0(comment_W$Titre,". ",comment_W$Commetaire))
#extraction
my_text_values_french<- get_sentiment(phrase, method=method, language=lang)

#ajout de la colonne sentiment au tableau de données des contributions:
sent<-as.data.frame(my_text_values_french)
sent$sentiment<-as.numeric(sent$my_text_values_french)

comment_X<-cbind(comment_X,sent)
#statistiques 
s_mean<-round(mean(comment_X$sentiment),2)
s_std<-round(sd(comment_X$sentiment),2)
#histogram
comment_X$quintile<-cut(comment_X$sentiment, breaks=c(-15,0,25))
ggplot(comment_X, aes(x=sentiment))+geom_histogram(binwidth=1,aes(fill=quintile))+theme_minimal()+xlim(-15,+30) +scale_fill_manual(values=Zissou)+ ggplot2::annotate("text", x=150, y=4.5, label= paste0("moyenne=",s_mean,"ecart type",s_std))

## 
## ===================================================================
##                                         Dependent variable:        
##                                 -----------------------------------
##                                             sent_score             
##                                     (1)         (2)         (3)    
## -------------------------------------------------------------------
## Note                             1.498***    1.503***    1.509***  
##                                   (0.034)     (0.034)     (0.034)  
##                                                                    
## nbcar.x                          -0.002***   -0.002***   -0.002*** 
##                                  (0.00005)   (0.00005)   (0.00005) 
##                                                                    
## log(prix)                                      0.059      -0.011   
##                                               (0.123)     (0.132)  
##                                                                    
## nb_comment.y                                  -0.008      -0.009   
##                                               (0.011)     (0.011)  
##                                                                    
## Taille_hotel 6-15 chambres                     0.173       0.233   
##                                               (0.224)     (0.226)  
##                                                                    
## Taille_hotel15-50 chambres                   1.281***    1.309***  
##                                               (0.229)     (0.237)  
##                                                                    
## Taille_hotel50-80 chambres                    0.576**     0.634**  
##                                               (0.282)     (0.303)  
##                                                                    
## Taille_hotel80 et plus chambres               0.853**     1.048**  
##                                               (0.403)     (0.435)  
##                                                                    
## Year2016                                                  -0.109   
##                                                           (0.087)  
##                                                                    
## Year2017                                                  -0.144   
##                                                           (0.092)  
##                                                                    
## Year2018                                                  0.222**  
##                                                           (0.104)  
##                                                                    
## Year2019                                                   0.050   
##                                                           (0.130)  
##                                                                    
## destinationBora Bora                                       0.054   
##                                                           (0.622)  
##                                                                    
## destinationIles vent                                       0.018   
##                                                           (0.585)  
##                                                                    
## destinationMarquises                                       0.035   
##                                                           (0.652)  
##                                                                    
## destinationMoorea                                          0.153   
##                                                           (0.599)  
##                                                                    
## destinationTahiti                                         -0.343   
##                                                           (0.606)  
##                                                                    
## destinationTuamotu                                        -0.585   
##                                                           (0.595)  
##                                                                    
## Constant                         -0.859***    -1.716      -0.937   
##                                   (0.172)     (1.192)     (1.386)  
##                                                                    
## -------------------------------------------------------------------
## Observations                      26,467      25,947      25,947   
## Log Likelihood                  -78,735.830 -77,184.480 -77,177.450
## Akaike Inf. Crit.               157,481.700 154,390.900 154,396.900
## Bayesian Inf. Crit.             157,522.600 154,480.800 154,568.300
## ===================================================================
## Note:                                   *p<0.1; **p<0.05; ***p<0.01

emotions <- get_nrc_sentiment(phrase,language = "french")

polarity<-subset(emotions,select=c(positive, negative))
comment_X<-cbind(comment_X,polarity)
sum(comment_X$positive)

## [1] 238331

sum(comment_X$negative)

## [1] 104722

G1<-ggplot(comment_X, aes(x=positive))+geom_histogram(binwidth = 1, fill="darkred")+xlim(-1,40)+ylim(0,3000)+theme_minimal()+ ggplot2::annotate("text", x=0, y=350, size=2.5,label= paste0("n=",sum(comment_X$positive)))
G2<-ggplot(comment_X, aes(x=negative))+geom_histogram(binwidth = 1,fill="blue4")+xlim(-1,40)+ylim(0,3000)+theme_minimal()+ ggplot2::annotate("text", x=0, y=350, size=2.5,label= paste0("n=",sum(comment_X$negative)))
grid.arrange(G1,G2,ncol=2)

rp<-round(cor(comment_X$nbcar.x, comment_X$positive),2)
rn<-round(cor(comment_X$nbcar.x, comment_X$negative),2)


G09a<-ggplot(comment_X, aes(x=nbcar.x,y=positive ))+geom_point(color="grey")+geom_smooth(method = "gam", formula = y ~ s(x, bs = "cs"))+xlim(0,5000)+theme_minimal()+ylim(0,30)+ ggplot2::annotate("text", x=0, y=30, size=2.5,label= paste0("n=",rp))
G09b<-ggplot(comment_X, aes(x=nbcar.x,y=negative ))+geom_point(color="grey")+geom_smooth(method = "gam", formula = y ~ s(x, bs = "cs"))+xlim(0,5000)+theme_minimal() +ylim(0,30)+ ggplot2::annotate("text", x=0, y=30, size=2.5,label= paste0("n=",rn))
grid.arrange(G09a,G09b,ncol=2)

comment_X$positivity<-(comment_X$positive*500)/(comment_X$nbcar.x)
comment_X$negativity<-(comment_X$negative*500)/(comment_X$nbcar.x)
comment_X$valence<-comment_X$positivity-comment_X$negativity
comment_X$expressivity<-comment_X$positivity+comment_X$negativity

G11<-ggplot(comment_X, aes(x=valence,y=expressivity ))+geom_point(color="grey")+geom_smooth(method = "gam", formula = y ~ s(x, bs = "cs"))+theme_minimal()
G12<-ggplot(comment_X, aes(x=negativity,y=positivity ))+geom_point(color="grey")+geom_smooth(method = "gam", formula = y ~ s(x, bs = "cs"))+theme_minimal()
G13<-ggplot(comment_X, aes(x=negativity,y= expressivity))+geom_point(color="grey")+geom_smooth(method = "gam", formula = y ~ s(x, bs = "cs"))+theme_minimal()
G14<-ggplot(comment_X, aes(x=positivity,y= expressivity))+geom_point(color="grey")+geom_smooth(method = "gam", formula = y ~ s(x, bs = "cs"))+theme_minimal()
grid.arrange(G11,G12,G13,G14,ncol=2)

Mesure de l’expérience

le LIWC permet d’obtenir d’autres indicateurs du sentiment, une partie des 80 indicateurs proposés est relatif à des dimensions topicales dont trois groupes vont retenir notre attention dans la mesure où ils décrivent une partie de l’expérience relatée dans les commentaires. * La sensorialité ( voir, entendre, sentir) * L’orientation temporelle ( passé, présent, futur) * les émotions négatives (tristesse, colére, )

La procédure pour extraire ces notions est fort simple :

# the devtools package needs to be installed for this to work
#devtools::install_github("kbenoit/quanteda.dictionaries")

library("quanteda.dictionaries")
dict_liwc_french <- dictionary(file = "FrenchLIWCDictionary.dic",
                             format = "LIWC")
test<-liwcalike(comment_X$Commetaire,dictionary = dict_liwc_french)
comment_X<-cbind(comment_X,test)

G15a<-ggplot(comment_X, aes(x=negativity,y=émonég ))+geom_point(color="grey")+geom_smooth(method = "gam", formula = y ~ s(x, bs = "cs"))+theme_minimal()
G15b<-ggplot(comment_X, aes(x=positivity,y=émopos ))+geom_point(color="grey")+geom_smooth(method = "gam", formula = y ~ s(x, bs = "cs"))+theme_minimal()
grid.arrange(G15a,G15b,ncol=2)

Annotations

text<-paste0(comment_X$Titre,". ",comment_X$Commetaire)
cnlp_init_udpipe(model_name = "french")
#obj <- cnlp_annotate(text, as_strings = TRUE)
#saveRDS(obj,"obj2018.rds")
obj<-readRDS(file="obj2018.rds")

Vocab1<-subset(Vocab, upos=="NOUN")
Table <- with(Vocab1, table(lemma))
ling<-as.data.frame(Table) %>% filter(Freq>3000)
g2<-ggplot(ling,aes(x=reorder(lemma,Freq),y=Freq))+geom_bar(stat="identity",fill="brown1")+coord_flip()+theme_minimal()+theme_minimal()+ theme(axis.title.x=element_blank())+ theme(axis.title.y=element_blank())+labs(title = "Noms communs",x="Noms commun",y="nombre d'avis")

Vocab2<-subset(Vocab, upos=="ADJ" | upos=="ADV")
Table <- with(Vocab2, table(lemma))
ling<-as.data.frame(Table) %>% filter(Freq>3000)
g3<-ggplot(ling,aes(x=reorder(lemma,Freq),y=Freq))+geom_bar(stat="identity",fill="brown2")+coord_flip()+theme_minimal()+theme(text = element_text(size=3))+theme_minimal()+ theme(axis.title.y=element_blank())+labs(title = "Adjectif ",x="Adverbe et adjectifs",y="nombre d'avis")

Vocab3<-subset(Vocab, upos=="ADV")
Table <- with(Vocab3, table(lemma))
ling<-as.data.frame(Table) %>% filter(Freq>1000)
g4<-ggplot(ling,aes(x=reorder(lemma,Freq),y=Freq))+geom_bar(stat="identity",fill="brown4")+coord_flip()+theme_minimal()+theme(text = element_text(size=9), label = NULL)+theme_minimal()+ theme(axis.title.y=element_blank(),axis.text=element_text(size=9))+labs(title = " Verbes",x="verbes",y="nombre d'avis")
grid.arrange(g2,g3,g4,ncol=3)

LDA

Note that the echo = FALSE parameter was added to the code chunk to prevent printing of the R code that generated the plot.

tf <- cnlp_get_token(obj) %>%
  filter(upos %in% c("ADJ", "NOUN","VERB")) %>%
  cnlp_utils_tfidf(min_df = 0.05, max_df = 0.95, type = "tf", tf_weight = "raw")

lda_model = LDA$new(n_topics = 8, doc_topic_prior = 0.1, topic_word_prior = 0.01)
set.seed(67)
doc_topic_distr = 
  lda_model$fit_transform(x = tf, n_iter = 1000, 
                          convergence_tol = 0.001, n_check_convergence = 25, 
                          progressbar = FALSE)

## INFO [2019-10-09 19:31:01] iter 25 loglikelihood = -3240004.542
## INFO [2019-10-09 19:31:02] iter 50 loglikelihood = -3166531.752
## INFO [2019-10-09 19:31:03] iter 75 loglikelihood = -3128457.471
## INFO [2019-10-09 19:31:04] iter 100 loglikelihood = -3107996.870
## INFO [2019-10-09 19:31:05] iter 125 loglikelihood = -3093352.427
## INFO [2019-10-09 19:31:06] iter 150 loglikelihood = -3084199.739
## INFO [2019-10-09 19:31:07] iter 175 loglikelihood = -3077449.440
## INFO [2019-10-09 19:31:07] iter 200 loglikelihood = -3071756.293
## INFO [2019-10-09 19:31:08] iter 225 loglikelihood = -3068214.496
## INFO [2019-10-09 19:31:09] iter 250 loglikelihood = -3066153.144
## INFO [2019-10-09 19:31:09] early stopping at 250 iteration

#description des topic en fonction d'un degré de pertinence de lamba ( lambda =1 probabilités)
lda_res<-as.data.frame(lda_model$get_top_words(n = 15, lambda = 0.30))
lda_res$rank<-as.numeric(row.names(lda_res))
lda_res<-melt(lda_res,id.vars = c("rank"))
ggplot(lda_res, aes(x=variable, y= rank, group =  value , label = value)) + scale_y_reverse() + geom_text(aes(color=variable,size=sqrt(26-rank)))+theme_minimal()+scale_color_hue()+guides(color=FALSE,size=FALSE)+labs(x="topics", y="par ordre de pertinence")

#library(LDAvis)
lda_model$plot()
topic<- as.data.frame(doc_topic_distr)
comment_X<-cbind(comment_X,topic)

comment_X$dithyrambe<-comment_X$V1
comment_X$Chaleurrelation<-comment_X$V2
comment_X$rapportqltepx<-comment_X$V3
comment_X$transit<-comment_X$V4
comment_X$interactionclient<-comment_X$V5
comment_X$motulife<-comment_X$V6
comment_X$cartepostale<-comment_X$V7
comment_X$potentialite<-comment_X$V8

Production verbale

#nombre de phrases : Sentence per doc
comment_X$SPD<-comment_X$WC/comment_X$WPS
foo1<- aggregate(cbind(nbcar.x,WC,SPD)~Taille_hotel ,data=comment_X,FUN="mean")
foo1<-melt(foo1)
g15a<-ggplot(foo1, aes(x=Taille_hotel, y=value,group=variable))+geom_line(size=2,size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+labs(title = "Production textuelle : l'effet de taille", x="taille des hôtels", y="moyenne",caption = "")+ theme(legend.position ="none")+scale_color_manual(values=wes_palette(n=5,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))

foo2<- aggregate(cbind(nbcar.x,WC,SPD)~prix_classe ,data=comment_X,FUN="mean")
foo2<-melt(foo2)
g15b<-ggplot(foo2, aes(x=prix_classe, y=value,group=variable))+geom_line(size=2,size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+labs(title = "Production textuelle : l'effet du prix", x="Gamme de prix", y="moyenne",caption = "")+ theme(legend.position="none")+scale_color_manual(values=wes_palette(n=5,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))

foo3<- aggregate(cbind(nbcar.x,WC,SPD)~Year ,data=comment_X,FUN="mean")
foo3<-melt(foo3)
g15c<-ggplot(foo3, aes(x=Year, y=value,group=variable))+geom_line(size=2,size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+labs(title = "Production textuelle : effet du temps", x="Gamme de prix", y="moyenne",caption = "")+ theme(legend.position="none")+scale_color_manual(values=wes_palette(n=5,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))

foo4<- aggregate(cbind(nbcar.x,WC,SPD)~destination ,data=comment_X,FUN="mean")
foo4<-melt(foo4)
g15d<-ggplot(foo4, aes(x=destination, y=value,group=variable))+geom_line(size=2,size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+labs(title = "Production textuelle : l'effet des Iles", x="Iles", y="moyenne",caption = "")+ theme(legend.position="none")+scale_color_manual(values=wes_palette(n=5,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))

foo5<- aggregate(cbind(nbcar.x,WC,SPD)~redacteur ,data=comment_X,FUN="mean")
foo5<-melt(foo5)
g15e<-ggplot(foo5, aes(x=redacteur, y=value,group=variable))+geom_line(size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+labs(title = "Production textuelle : l'effet de l'expérience critiques", x="Nb d'avis écrits", y="moyenne",caption = "")+ theme(legend.position="none")+scale_color_manual(values=wes_palette(n=5,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))

foo6<- aggregate(cbind(nbcar.x,WC,SPD)~note_avis ,data=comment_X,FUN="mean")
foo6<-melt(foo6)
g15f<-ggplot(foo6, aes(x=note_avis, y=value,group=variable))+geom_line(size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+labs(title = "Production textuelle : l'effet du jugement", x="Note", y="moyenne",caption = "")+ theme(legend.position="none")+scale_color_manual(values=wes_palette(n=5,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))

grid.arrange(g15a, g15b, ncol=2)

grid.arrange(g15c, g15d, ncol=2)

grid.arrange(g15e, g15f, ncol=2)

anova_divlex01<- lm(nbcar.x ~ destination+Year+Taille_hotel+prix_classe+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "df", "statistic", "p.value","cohens.f","power"))
myft<- add_header_lines(myft, values =c("Nombre de caractères") )
myft

anova_divlex01<- lm(WC ~ destination+Year+Taille_hotel+prix_classe+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "df", "statistic", "p.value","cohens.f","power"))
myft<- add_header_lines(myft, values =c("nombre de mots") )
myft

anova_divlex01<- lm(SPD ~ destination+Year+Taille_hotel+prix_classe+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "statistic", "df", "p.value","cohens.f","power")) 
myft<- add_header_lines(myft, values =c("Expressivité") )
myft

foo1<- aggregate(cbind(sent_score,nbcar.x,WC,SPD)~destination ,data=comment_X,FUN="mean") %>% mutate(categorie=destination)%>% dplyr::select(-destination)
foo2<- aggregate(cbind(sent_score,nbcar.x,WC,SPD)~Year ,data=comment_X,FUN="mean") %>% mutate(categorie=Year)%>% dplyr::select(-Year)
foo3<- aggregate(cbind(sent_score,nbcar.x,WC,SPD)~Taille_hotel ,data=comment_X,FUN="mean") %>% mutate(categorie=Taille_hotel)%>% dplyr::select(-Taille_hotel)
foo4<- aggregate(cbind(sent_score,nbcar.x,WC,SPD)~prix_classe ,data=comment_X,FUN="mean") %>% mutate(categorie=prix_classe)%>% dplyr::select(-prix_classe)
foo5<- aggregate(cbind(sent_score,nbcar.x,WC,SPD)~redacteur ,data=comment_X,FUN="mean") %>% mutate(categorie=redacteur)%>% dplyr::select(-redacteur)
foo6<- aggregate(cbind(sent_score,nbcar.x,WC,SPD)~note_avis ,data=comment_X,FUN="mean") %>% mutate(categorie=note_avis)%>% dplyr::select(-note_avis)

foo<-rbind(foo1,foo2,foo3,foo4,foo5,foo6)
myft01 <- flextable(foo, col_keys = c("categorie","nbcar.x", "WC", "SPD"))
myft01

Comparaison des sentiments

on reprend les comparaisons par catégories :

foo1<- aggregate(cbind(positivity,émopos,negativity,émonég,expressivity)~Taille_hotel ,data=comment_X,FUN="mean")
foo1<-melt(foo1)
g15a<-ggplot(foo1, aes(x=Taille_hotel, y=value,group=variable))+geom_line(size=2,size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+labs(title = "Sentiment : l'effet de taille", x="taille des hôtels", y="moyenne",caption = "")+ theme(legend.position ="none")+scale_color_manual(values=wes_palette(n=5,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))

foo2<- aggregate(cbind(positivity,émopos,negativity,émonég,expressivity)~prix_classe ,data=comment_X,FUN="mean")
foo2<-melt(foo2)
g15b<-ggplot(foo2, aes(x=prix_classe, y=value,group=variable))+geom_line(size=2,size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+labs(title = "Sentiment : l'effet du prix", x="Gamme de prix", y="moyenne",caption = "")+ theme(legend.position="none")+scale_color_manual(values=wes_palette(n=5,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))

foo3<- aggregate(cbind(positivity,émopos,negativity,émonég,expressivity)~Year ,data=comment_X,FUN="mean")
foo3<-melt(foo3)
g15c<-ggplot(foo3, aes(x=Year, y=value,group=variable))+geom_line(size=2,size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+labs(title = "Sentiment : effet du temps", x="Gamme de prix", y="moyenne",caption = "")+ theme(legend.position="none")+scale_color_manual(values=wes_palette(n=5,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))

foo4<- aggregate(cbind(positivity,émopos,negativity,émonég,expressivity)~destination ,data=comment_X,FUN="mean")
foo4<-melt(foo4)
g15d<-ggplot(foo4, aes(x=destination, y=value,group=variable))+geom_line(size=2,size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+labs(title = "Sentiment : l'effet des Iles", x="Iles", y="moyenne",caption = "")+ theme(legend.position="none")+scale_color_manual(values=wes_palette(n=5,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))

foo5<- aggregate(cbind(positivity,émopos,negativity,émonég,expressivity)~redacteur ,data=comment_X,FUN="mean")
foo5<-melt(foo5)
g15e<-ggplot(foo5, aes(x=redacteur, y=value,group=variable))+geom_line(size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+labs(title = "Sentiment : l'effet de l'expérience critiques", x="Nb d'avis écrits", y="moyenne",caption = "")+ theme(legend.position="none")+scale_color_manual(values=wes_palette(n=5,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))

foo6<- aggregate(cbind(positivity,émopos,negativity,émonég,expressivity)~note_avis ,data=comment_X,FUN="mean")
foo6<-melt(foo6)
g15f<-ggplot(foo6, aes(x=note_avis, y=value,group=variable))+geom_line(size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+labs(title = "Sentiment : l'effet du jugement", x="Note", y="moyenne",caption = "")+ theme(legend.position="none")+scale_color_manual(values=wes_palette(n=5,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))

grid.arrange(g15a, g15b, ncol=2)

grid.arrange(g15c, g15d, ncol=2)

grid.arrange(g15e, g15f, ncol=2)

#library(sjstats)
#library(kableExtra)
anova_divlex01<- lm(sent_score ~ destination+Year+Taille_hotel+prix_classe+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "df", "statistic", "p.value","cohens.f","power"))
myft<- add_header_lines(myft, values =c("Sentiment général, FEEL") )
myft

anova_divlex01<- lm(positivity ~ destination+Year+Taille_hotel+prix_classe+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "df", "statistic", "p.value","cohens.f","power"))
myft<- add_header_lines(myft, values =c("Positivité FEEL") )
myft

anova_divlex01<- lm(émopos ~ destination+Year+Taille_hotel+prix_classe+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "statistic", "df", "p.value","cohens.f","power")) 
myft<- add_header_lines(myft, values =c("Emotions positives LIWC") )
myft

anova_divlex01<- lm(negativity ~ destination+Year+Taille_hotel+prix_classe+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "df", "statistic", "p.value","cohens.f","power"))
myft<- add_header_lines(myft, values =c("négativité") )
myft

anova_divlex01<- lm(émonég ~ destination+Year+Taille_hotel+prix_classe+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "statistic", "df", "p.value","cohens.f","power")) 
myft<- add_header_lines(myft, values =c("Emotion négative") )
myft

anova_divlex01<- lm(expressivity ~ destination+Year+Taille_hotel+prix_classe+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "statistic", "df", "p.value","cohens.f","power")) 
myft<- add_header_lines(myft, values =c("Expressivité") )
myft

foo1<- aggregate(cbind(sent_score,positivity,émopos,negativity,émonég,expressivity)~destination ,data=comment_X,FUN="mean") %>% mutate(categorie=destination)%>%  dplyr::select(-destination)
foo2<- aggregate(cbind(sent_score,positivity,émopos,negativity,émonég,expressivity)~Year ,data=comment_X,FUN="mean") %>% mutate(categorie=Year)%>%  dplyr::select(-Year)
foo3<- aggregate(cbind(sent_score,positivity,émopos,negativity,émonég,expressivity)~Taille_hotel ,data=comment_X,FUN="mean") %>% mutate(categorie=Taille_hotel)%>%  dplyr::select(-Taille_hotel)
foo4<- aggregate(cbind(sent_score,positivity,émopos,negativity,émonég,expressivity)~prix_classe ,data=comment_X,FUN="mean") %>% mutate(categorie=prix_classe)%>%  dplyr::select(-prix_classe)
foo5<- aggregate(cbind(sent_score,positivity,émopos,negativity,émonég,expressivity)~redacteur ,data=comment_X,FUN="mean") %>% mutate(categorie=redacteur)%>%  dplyr::select(-redacteur)
foo6<- aggregate(cbind(sent_score,positivity,émopos,negativity,émonég,expressivity)~note_avis ,data=comment_X,FUN="mean") %>% mutate(categorie=note_avis)%>%  dplyr::select(-note_avis)

foo<-rbind(foo1,foo2,foo3,foo4,foo5,foo6)
myft01 <- flextable(foo, col_keys = c("categorie", "sent_score", "positivity","émopos", "negativity","émonég","expressivity"))
myft01

comparaison lisibilité

foo<- aggregate(cbind(ARI,Coleman.Liau.grade)~destination,data=comment_X,FUN="mean")
foo<-melt(foo)
g07d<-ggplot(foo, aes(x=destination, y=value,group=variable))+geom_line(size=2,size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+theme(legend.position="none")+theme(legend.position ="none")+scale_color_manual(values=wes_palette(n=4,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))+labs(title = "Lisibilité : l'effet de destination", x="destination", y="moyenne",caption = "")

foo<- aggregate(cbind(ARI,Coleman.Liau.grade)~Year,data=comment_X,FUN="mean")
foo<-melt(foo)
g07c<-ggplot(foo, aes(x=Year, y=value,group=variable))+geom_line(size=2,size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+theme(legend.position="none")+theme(legend.position ="none")+scale_color_manual(values=wes_palette(n=4,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))+labs(title = "Lisibilité : l'effet de la note", x="Nombre d'avis par scripteur", y="moyenne",caption = "")

foo<- aggregate(cbind(ARI,Coleman.Liau.grade)~Taille_hotel,data=comment_X,FUN="mean")
foo<-melt(foo)
g07a<-ggplot(foo, aes(x=Taille_hotel, y=value,group=variable))+geom_line(size=2,size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+theme(legend.position="none")+labs(title = "Lisibilité : l'effet de taille", x="taille des hôtels", y="moyenne",caption = "")+ theme(legend.position ="none")+scale_color_manual(values=wes_palette(n=4,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))

foo<- aggregate(cbind(ARI,Coleman.Liau.grade)~prix_classe,data=comment_X,FUN="mean")
foo<-melt(foo)
g07b<-ggplot(foo, aes(x=prix_classe, y=value,group=variable))+geom_line(size=2,size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+theme(legend.position="none")+theme(legend.position ="none")+scale_color_manual(values=wes_palette(n=4,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))+labs(title = "Lisibilité : l'effet du prix", x="Gamme de prix", y="moyenne",caption = "")

foo<- aggregate(cbind(ARI,Coleman.Liau.grade)~redacteur,data=comment_X,FUN="mean")
foo<-melt(foo)
g07e<-ggplot(foo, aes(x=redacteur, y=value,group=variable))+geom_line(size=2,size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+theme(legend.position="none")+theme(legend.position ="none")+scale_color_manual(values=wes_palette(n=4,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))+labs(title = "Lisibilité : l'effet du scripteur", x="Nombre d'avis par scripteur", y="moyenne",caption = "")

foo<- aggregate(cbind(Coleman.Liau.grade)~note_avis,data=comment_X,FUN="mean")
foo<-melt(foo)
g07f<-ggplot(foo, aes(x=note_avis, y=value,group=variable))+geom_line(size=2,size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+theme(legend.position="none")+theme(legend.position ="none")+scale_color_manual(values=wes_palette(n=4,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))+labs(title = "Lisibilité : l'effet de notation", x="destination", y="moyenne",caption = "")
g07f

grid.arrange(g07a,g07b,ncol=2)

grid.arrange(g07c,g07d,ncol=2)

grid.arrange(g07e,g07f,ncol=2)

foo1<- aggregate(cbind(ARI,Coleman.Liau.grade)~destination ,data=comment_X,FUN="mean") %>% mutate(categorie=destination)%>% dplyr::select(-destination)
foo2<- aggregate(cbind(ARI,Coleman.Liau.grade)~Year ,data=comment_X,FUN="mean") %>% mutate(categorie=Year) %>%  dplyr::select(-Year)
foo3<- aggregate(cbind(ARI,Coleman.Liau.grade)~Taille_hotel ,data=comment_X,FUN="mean") %>% mutate(categorie=Taille_hotel)%>% dplyr::select(-Taille_hotel)
foo4<- aggregate(cbind(ARI,Coleman.Liau.grade)~prix_classe ,data=comment_X,FUN="mean") %>% mutate(categorie=prix_classe)%>% dplyr::select(-prix_classe)
foo5<- aggregate(cbind(ARI,Coleman.Liau.grade)~redacteur ,data=comment_X,FUN="mean") %>% mutate(categorie=redacteur)%>% dplyr::select(-redacteur)
foo6<- aggregate(cbind(ARI,Coleman.Liau.grade)~note_avis ,data=comment_X,FUN="mean") %>% mutate(categorie=note_avis)%>% dplyr::select(-note_avis)

foo<-rbind(foo1,foo2,foo3,foo4,foo5,foo6)
myft02 <- flextable(foo, col_keys = c("categorie","ARI", "Coleman.Liau.grade"))
myft02

anova_01<- lm(Coleman.Liau.grade ~ Taille_hotel+prix_classe+destination+Year+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "df", "statistic", "p.value","cohens.f","power"))
myft<- add_header_lines(myft, values =c("Coleman liau grade") )
myft

anova_01<- lm(ARI ~ Taille_hotel+prix_classe+destination+Year+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "df", "statistic", "p.value","cohens.f","power"))
myft<- add_header_lines(myft, values =c("ARI") )
myft

foo<- aggregate(cbind(TTR,C,Maas)~Taille_hotel ,data=comment_X,FUN="mean")
foo<-melt(foo)
g08a<-ggplot(foo, aes(x=Taille_hotel, y=value,group=variable))+geom_line(size=2,size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+theme(legend.position="none")+scale_color_manual(values=wes_palette(n=3,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))+labs(title = "Diversité comment_Xicale : l'effet de taille", x="destination", y="moyenne",caption = "")
             
foo<- aggregate(cbind(TTR,C,Maas)~prix_classe,data=comment_X,FUN="mean")
foo<-melt(foo)
g08b<-ggplot(foo, aes(x=prix_classe, y=value,group=variable))+geom_line(size=2,size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+theme(legend.position="none")+scale_color_manual(values=wes_palette(n=3,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))+labs(title = "Diversité lexicale : l'effet de prix", x="destination", y="moyenne",caption = "")


foo<- aggregate(cbind(TTR,C,Maas)~destination ,data=comment_X,FUN="mean")
foo<-melt(foo)
g08c<-ggplot(foo, aes(x=destination, y=value,group=variable))+geom_line(size=2,size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+theme(legend.position="none")+scale_color_manual(values=wes_palette(n=3,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))+labs(title = "Diversité lexicale : l'effet de destination", x="destination", y="moyenne",caption = "")

foo<- aggregate(cbind(TTR,C,Maas)~Year ,data=comment_X,FUN="mean")
foo<-melt(foo)
g08d<-ggplot(foo, aes(x=Year, y=value,group=variable))+geom_line(size=2,size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+theme(legend.position="none")+scale_color_manual(values=wes_palette(n=3,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))+labs(title = "Diversité lexicale : l'effet du temps", x="destination", y="moyenne",caption = "")

foo<- aggregate(cbind(TTR,C,Maas)~redacteur,data=comment_X,FUN="mean")
foo<-melt(foo)
g08e<-ggplot(foo, aes(x=redacteur, y=value,group=variable))+geom_line(size=2,size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+theme(legend.position="none")+scale_color_manual(values=wes_palette(n=4,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))+labs(title = "Lisibilité : l'effet de scripteur", x="destination", y="moyenne",caption = "")

foo<- aggregate(cbind(TTR,C,Maas)~note_avis,data=comment_X,FUN="mean")
foo<-melt(foo)
g08f<-ggplot(foo, aes(x=note_avis, y=value,group=variable))+geom_line(size=2,size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+theme(legend.position="none")+scale_color_manual(values=wes_palette(n=4,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))+labs(title = "Lisibilité : l'effet de notation", x="destination", y="moyenne",caption = "")

grid.arrange(g08a, g08b, ncol=2)

grid.arrange(g08c, g08d,ncol=2)

grid.arrange(g08e, g08f,ncol=2)

foo<- aggregate(cbind(TTR,C,Maas)~note_avis ,data=comment_X,FUN="mean")
foo<-melt(foo)
g08g<-ggplot(foo, aes(x=destination, y=value,group=variable))+geom_line(size=2,size=2,aes(color=variable))+facet_grid(variable~.,scale="free")+theme_minimal()+theme(legend.position="none")+scale_color_manual(values=wes_palette(n=3,name="Zissou1"))+theme(axis.text.x = element_text(angle = 45))+labs(title = "Diversité lexicale : l'effet de destination", x="destination", y="moyenne",caption = "")

foo1<- aggregate(cbind(TTR,C,Maas)~destination ,data=comment_X,FUN="mean") %>% mutate(categorie=destination)%>%  dplyr::select(-destination)
foo2<- aggregate(cbind(TTR,C,Maas)~Year ,data=comment_X,FUN="mean") %>% mutate(categorie=Year)%>%  dplyr::select(-Year)
foo3<- aggregate(cbind(TTR,C,Maas)~Taille_hotel ,data=comment_X,FUN="mean") %>% mutate(categorie=Taille_hotel)%>%  dplyr::select(-Taille_hotel)
foo4<- aggregate(cbind(TTR,C,Maas)~prix_classe ,data=comment_X,FUN="mean") %>% mutate(categorie=prix_classe)%>%  dplyr::select(-prix_classe)
foo5<- aggregate(cbind(TTR,C,Maas)~redacteur ,data=comment_X,FUN="mean") %>% mutate(categorie=redacteur)%>%  dplyr::select(-redacteur)
foo6<- aggregate(cbind(TTR,C,Maas)~note_avis ,data=comment_X,FUN="mean") %>% mutate(categorie=note_avis)%>%  dplyr::select(-note_avis)

foo<-rbind(foo1,foo2,foo3,foo4,foo5,foo6)
myft03 <- flextable(foo, col_keys = c("categorie","C", "Maas"))
myft03

anova_divlex02<- lm(C ~Taille_hotel+prix_classe+destination+year+redacteur+note_avis,data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex02, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "df", "statistic", "p.value","cohens.f","power"))
myft<- add_header_lines(myft, values =c("C") )
myft

anova_divlex01<- lm(Maas ~ Taille_hotel+prix_classe+destination+year+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "df", "statistic", "p.value","cohens.f","power"))
myft<- add_header_lines(myft, values =c("Maas") )
myft

On s’intéresse d’abord à l’expérience sensorielle

foo1<- aggregate(cbind(sentir,voir,entendre)~destination,data=comment_X,FUN="mean")
foo1<-melt(foo1)
g20a<-ggplot(foo1, aes(x=destination, y=value,group=variable))+geom_line(aes(color=variable),size=2)+theme_minimal()+scale_color_manual(values=wes_palette(n=3, name="Zissou1"))+coord_flip()
foo2<- aggregate(cbind(verbepassé,verbefutur,verbeprésent)~destination,data=comment_X,FUN="mean")
foo2<-melt(foo2)
g20b<-ggplot(foo2, aes(x=destination, y=value,group=variable))+geom_line(aes(color=variable),size=2)+theme_minimal()+scale_color_manual(values=wes_palette(n=3, name="Zissou1"))+labs(y = "densité", caption = "") +coord_flip()
foo<- aggregate(cbind(anxiété,colère,tristesse)~destination,data=comment_X,FUN="mean")
foo<-melt(foo)
g20c<-ggplot(foo, aes(x=destination, y=value,group=variable))+geom_line(aes(color=variable),size=2)+theme_minimal()+scale_color_manual(values=wes_palette(n=4, name="Zissou1"))+coord_flip()
grid.arrange(g20a,g20b,g20c, nrow=3)

foo1<- aggregate(cbind(sentir,voir,entendre)~Year,data=comment_X,FUN="mean")
foo1<-melt(foo1)
g21a<-ggplot(foo1, aes(x=Year, y=value,group=variable))+geom_line(aes(color=variable),size=2)+theme_minimal()+scale_color_manual(values=wes_palette(n=3, name="Zissou1"))+coord_flip()
foo2<- aggregate(cbind(verbepassé,verbefutur,verbeprésent)~Year,data=comment_X,FUN="mean")
foo2<-melt(foo2)
g21b<-ggplot(foo2, aes(x=Year, y=value,group=variable))+geom_line(aes(color=variable),size=2)+theme_minimal()+scale_color_manual(values=wes_palette(n=3, name="Zissou1"))+labs(y = "densité", caption = "") +coord_flip()
foo<- aggregate(cbind(anxiété,colère,tristesse)~Year,data=comment_X,FUN="mean")
foo<-melt(foo)
g21c<-ggplot(foo, aes(x=Year, y=value,group=variable))+geom_line(aes(color=variable),size=2)+theme_minimal()+scale_color_manual(values=wes_palette(n=4, name="Zissou1"))+coord_flip()
grid.arrange(g21a,g21b,g21c, nrow=3)

foo1<- aggregate(cbind(sentir,voir,entendre)~Taille_hotel,data=comment_X,FUN="mean")
foo1<-melt(foo1)
g22a<-ggplot(foo1, aes(x=Taille_hotel, y=value,group=variable))+geom_line(aes(color=variable),size=2)+theme_minimal()+scale_color_manual(values=wes_palette(n=3, name="Zissou1"))+coord_flip()
foo2<- aggregate(cbind(verbepassé,verbefutur,verbeprésent)~Taille_hotel,data=comment_X,FUN="mean")
foo2<-melt(foo2)
g22b<-ggplot(foo2, aes(x=Taille_hotel, y=value,group=variable))+geom_line(aes(color=variable),size=2)+theme_minimal()+scale_color_manual(values=wes_palette(n=3, name="Zissou1"))+labs(y = "densité", caption = "") +coord_flip()
foo<- aggregate(cbind(anxiété,colère,tristesse)~Taille_hotel,data=comment_X,FUN="mean")
foo<-melt(foo)
g22c<-ggplot(foo, aes(x=Taille_hotel, y=value,group=variable))+geom_line(aes(color=variable),size=2)+theme_minimal()+scale_color_manual(values=wes_palette(n=4, name="Zissou1"))+coord_flip()
grid.arrange(g22a,g22b,g22c, nrow=3)

foo1<- aggregate(cbind(sentir,voir,entendre)~prix_classe,data=comment_X,FUN="mean")
foo1<-melt(foo1)
g23a<-ggplot(foo1, aes(x=prix_classe, y=value,group=variable))+geom_line(aes(color=variable),size=2)+theme_minimal()+scale_color_manual(values=wes_palette(n=3, name="Zissou1"))+coord_flip()
foo2<- aggregate(cbind(verbepassé,verbefutur,verbeprésent)~prix_classe,data=comment_X,FUN="mean")
foo2<-melt(foo2)
g23b<-ggplot(foo2, aes(x=prix_classe, y=value,group=variable))+geom_line(aes(color=variable),size=2)+theme_minimal()+scale_color_manual(values=wes_palette(n=3, name="Zissou1"))+labs(y = "densité", caption = "") +coord_flip()
foo<- aggregate(cbind(anxiété,colère,tristesse)~prix_classe,data=comment_X,FUN="mean")
foo<-melt(foo)
g23c<-ggplot(foo, aes(x=prix_classe, y=value,group=variable))+geom_line(aes(color=variable),size=2)+theme_minimal()+scale_color_manual(values=wes_palette(n=4, name="Zissou1"))+coord_flip()
grid.arrange(g23a,g23b,g23c, nrow=3)

foo1<- aggregate(cbind(sentir,voir,entendre)~redacteur,data=comment_X,FUN="mean")
foo1<-melt(foo1)
g24a<-ggplot(foo1, aes(x=redacteur, y=value,group=variable))+geom_line(aes(color=variable),size=2)+theme_minimal()+scale_color_manual(values=wes_palette(n=3, name="Zissou1"))+coord_flip()
foo2<- aggregate(cbind(verbepassé,verbefutur,verbeprésent)~redacteur,data=comment_X,FUN="mean")
foo2<-melt(foo2)
g24b<-ggplot(foo2, aes(x=redacteur, y=value,group=variable))+geom_line(aes(color=variable),size=2)+theme_minimal()+scale_color_manual(values=wes_palette(n=3, name="Zissou1"))+labs(y = "densité", caption = "") +coord_flip()

foo<- aggregate(cbind(anxiété,colère,tristesse)~redacteur,data=comment_X,FUN="mean")
foo<-melt(foo)
g24c<-ggplot(foo, aes(x=redacteur, y=value,group=variable))+geom_line(aes(color=variable),size=2)+theme_minimal()+scale_color_manual(values=wes_palette(n=4, name="Zissou1"))+coord_flip()

grid.arrange(g24a,g24b,g24c, nrow=3)

foo1<- aggregate(cbind(sentir,voir,entendre)~note_avis,data=comment_X,FUN="mean")
foo1<-melt(foo1)
g25a<-ggplot(foo1, aes(x=note_avis, y=value,group=variable))+geom_line(aes(color=variable),size=2)+theme_minimal()+scale_color_manual(values=wes_palette(n=3, name="Zissou1"))+coord_flip()


foo2<- aggregate(cbind(verbepassé,verbefutur,verbeprésent)~note_avis,data=comment_X,FUN="mean")
foo2<-melt(foo2)
g25b<-ggplot(foo2, aes(x=note_avis, y=value,group=variable))+geom_line(aes(color=variable),size=2)+theme_minimal()+scale_color_manual(values=wes_palette(n=3, name="Zissou1"))+labs(y = "densité", caption = "") +coord_flip()

foo<- aggregate(cbind(anxiété,colère,tristesse)~note_avis,data=comment_X,FUN="mean")
foo<-melt(foo)
g25c<-ggplot(foo, aes(x=note_avis, y=value,group=variable))+geom_line(aes(color=variable),size=2)+theme_minimal()+scale_color_manual(values=wes_palette(n=4, name="Zissou1"))+coord_flip()
grid.arrange(g25a,g25b,g25c, nrow=3)

anova_divlex01<- lm(sentir ~ destination+Year+Taille_hotel+prix_classe+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "df", "statistic", "p.value","cohens.f","power"))
myft<- add_header_lines(myft, values =c("sentir") )
myft

anova_divlex01<- lm(voir ~ destination+Year+Taille_hotel+prix_classe+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "df", "statistic", "p.value","cohens.f","power"))
myft<- add_header_lines(myft, values =c("voir") )
myft

anova_divlex01<- lm(entendre ~ destination+Year+Taille_hotel+prix_classe+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "df", "statistic", "p.value","cohens.f","power"))
myft<- add_header_lines(myft, values =c("entendre") )
myft

anova_divlex01<- lm(verbepassé ~ destination+Year+Taille_hotel+prix_classe+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "df", "statistic", "p.value","cohens.f","power"))
myft<- add_header_lines(myft, values =c("verbepassé") )
myft

anova_divlex01<- lm(verbefutur ~ destination+Year+Taille_hotel+prix_classe+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "df", "statistic", "p.value","cohens.f","power"))
myft<- add_header_lines(myft, values =c("verbefutur") )
myft

anova_divlex01<- lm(verbeprésent ~ destination+Year+Taille_hotel+prix_classe+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "df", "statistic", "p.value","cohens.f","power"))
myft<- add_header_lines(myft, values =c("verbeprésent") )
myft

anova_divlex01<- lm(anxiété ~ destination+Year+Taille_hotel+prix_classe+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "df", "statistic", "p.value","cohens.f","power"))
myft<- add_header_lines(myft, values =c("Anxiété") )
myft

anova_divlex01<- lm(colère ~ destination+Year+Taille_hotel+prix_classe+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "df", "statistic", "p.value","cohens.f","power"))
myft<- add_header_lines(myft, values =c("colère") )
myft

anova_divlex01<- lm(tristesse ~ destination+Year+Taille_hotel+prix_classe+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "df", "statistic", "p.value","cohens.f","power"))
myft<- add_header_lines(myft, values =c("tristesse") )
myft

foo1<- aggregate(cbind(sentir,voir,entendre,verbepassé,verbefutur,verbeprésent,anxiété,colère,tristesse)~destination,data=comment_X,FUN="mean") %>% mutate(categorie=destination) %>% dplyr::select(-destination)
foo2<- aggregate(cbind(sentir,voir,entendre,verbepassé,verbefutur,verbeprésent,anxiété,colère,tristesse)~Year ,data=comment_X,FUN="mean") %>% mutate(categorie=Year)%>% dplyr::select(-Year)
foo3<- aggregate(cbind(sentir,voir,entendre,verbepassé,verbefutur,verbeprésent,anxiété,colère,tristesse)~Taille_hotel ,data=comment_X,FUN="mean") %>% mutate(categorie=Taille_hotel)%>% dplyr::select(-Taille_hotel)
foo4<- aggregate(cbind(sentir,voir,entendre,verbepassé,verbefutur,verbeprésent,anxiété,colère,tristesse)~prix_classe ,data=comment_X,FUN="mean") %>% mutate(categorie=prix_classe)%>% dplyr::select(-prix_classe)
foo5<- aggregate(cbind(sentir,voir,entendre,verbepassé,verbefutur,verbeprésent,anxiété,colère,tristesse)~redacteur ,data=comment_X,FUN="mean") %>% mutate(categorie=redacteur)%>% dplyr::select(-redacteur)
foo6<- aggregate(cbind(sentir,voir,entendre,verbepassé,verbefutur,verbeprésent,anxiété,colère,tristesse)~note_avis ,data=comment_X,FUN="mean") %>% mutate(categorie=note_avis)%>% dplyr::select(-note_avis)

foo<-rbind(foo1,foo2,foo3,foo4,foo5,foo6)
myft04 <- flextable(foo, col_keys =c("categorie","sentir","voir","entendre","verbepassé","verbefutur","verbeprésent","anxiété","colère","tristesse"))
myft04

Tableau de synthése topics

foo<- aggregate(cbind(dithyrambe,Chaleurrelation,rapportqltepx,transit,interactionclient,motulife,cartepostale,potentialite)~destination ,data=comment_X,FUN="mean")
foo<-melt(foo)
g17e<-ggplot(foo, aes(x=destination, y=value,group=variable))+geom_bar(stat="identity",aes(fill=variable))+theme_minimal()+theme_minimal()
g17e

foo<- aggregate(cbind(dithyrambe,Chaleurrelation,rapportqltepx,transit,interactionclient,motulife,cartepostale,potentialite)~Year ,data=comment_X,FUN="mean")
foo<-melt(foo)
g17e<-ggplot(foo, aes(x=Year, y=value,group=variable))+geom_bar(stat="identity",aes(fill=variable))+theme_minimal()+theme_minimal()
g17e

foo<- aggregate(cbind(dithyrambe,Chaleurrelation,rapportqltepx,transit,interactionclient,motulife,cartepostale,potentialite)~Taille_hotel ,data=comment_X,FUN="mean")
foo<-melt(foo)
g17a<-ggplot(foo, aes(x=Taille_hotel, y=value,group=variable))+geom_bar(stat="identity",aes(fill=variable))+theme_minimal()+theme_minimal()
g17a

foo<- aggregate(cbind(dithyrambe,Chaleurrelation,rapportqltepx,transit,interactionclient,motulife,cartepostale,potentialite)~prix_classe
                  ,data=comment_X,FUN="mean")
foo<-melt(foo)
g17b<-ggplot(foo, aes(x=prix_classe, y=value,group=variable))+geom_bar(stat="identity",aes(fill=variable))+theme_minimal()+theme_minimal()
g17b

foo<- aggregate(cbind(dithyrambe,Chaleurrelation,rapportqltepx,transit,interactionclient,motulife,cartepostale,potentialite)~redacteur
                  ,data=comment_X,FUN="mean")
foo<-melt(foo)
g17c<-ggplot(foo, aes(x=redacteur, y=value,group=variable))+geom_bar(stat="identity",aes(fill=variable))+theme_minimal()+theme_minimal()
g17c

foo<- aggregate(cbind(dithyrambe,Chaleurrelation,rapportqltepx,transit,interactionclient,motulife,cartepostale,potentialite)~note_avis,data=comment_X,FUN="mean")
foo<-melt(foo)
g17d<-ggplot(foo, aes(x=note_avis, y=value,group=variable))+geom_bar(stat="identity",aes(fill=variable))+theme_minimal()+theme_minimal()
g17d

anova_divlex01<- lm(dithyrambe ~ destination+Year+Taille_hotel+prix_classe+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "df", "statistic", "p.value","cohens.f","power"))
myft<- add_header_lines(myft, values =c("dithyrambe") )
myft

anova_divlex01<- lm(Chaleurrelation ~ destination+Year+Taille_hotel+prix_classe+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "df", "statistic", "p.value","cohens.f","power"))
myft<- add_header_lines(myft, values =c("Chaleurrelation") )
myft

anova_divlex01<- lm(rapportqltepx ~ destination+Year+Taille_hotel+prix_classe+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "df", "statistic", "p.value","cohens.f","power"))
myft<- add_header_lines(myft, values =c("rapportqltepx") )
myft

anova_divlex01<- lm(transit ~ destination+Year+Taille_hotel+prix_classe+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "df", "statistic", "p.value","cohens.f","power"))
myft<- add_header_lines(myft, values =c("transit") )
myft

anova_divlex01<- lm(interactionclient ~ destination+Year+Taille_hotel+prix_classe+redacteur+note_avis, data=comment_X)
sstable<-anova_stats(car::Anova(anova_divlex01, type = 3)) 
myft <- flextable(sstable, col_keys = c("term", "df", "statistic", "p.value","cohens.f","power"))
myft<- add_header_lines(myft, values =c("interactionclient") )
myft