Análisis de Reviews de Apps

Este repositorio contiene un Jupyter Notebook para analizar reviews de apps extraídas de Google Play y App Store (utilizando el RSS de iTunes). El objetivo del proyecto es:

• Obtener reviews de múltiples apps utilizando el scraper de Google Play y feedparser para iTunes.

• Analizar el sentimiento de las reviews empleando el modelo BETO a través de Transformers.

• Clasificar las reviews en bugs y feature requests combinando embeddings y análisis de sentimiento.

• Extraer tópicos recurrentes de las reviews mediante Latent Dirichlet Allocation (LDA).

• Visualizar resultados: distribución de sentimientos, evolución semanal, comparación entre rating y sentimiento, y WordClouds por sentimiento.

• Guardar resultados en archivos CSV.

Requerimientos

El proyecto fue desarrollado con Python 3.9.6 y utiliza las siguientes librerías:

• google-play-scraper

• sentence-transformers

• matplotlib

• seaborn

• pandas

• feedparser

• transformers

• nltk

• scikit-learn

• wordcloud

Puedes instalar todas las dependencias ejecutando:

pip install google-play-scraper sentence-transformers matplotlib seaborn pandas feedparser transformers nltk scikit-learn wordcloud

Uso

1. Clona o descarga el repositorio y abre el notebook app_reviews_analysis.ipynb en Jupyter Notebook.

2. Ejecuta las celdas en orden. El notebook se organiza en secciones:

   • Instalación y configuración: se instalan los requerimientos y se importan las librerías.

   • Obtención de Reviews: funciones para extraer reviews de Google Play y App Store para las apps definidas en un diccionario.

   • Análisis de Sentimiento: se utiliza el modelo BETO para asignar un sentimiento a cada review.

   • Clasificación de Reviews: se combinan embeddings y análisis de sentimiento para clasificar las reviews en bugs y feature requests.

   • Extracción de Tópicos: se aplica LDA para identificar los temas más recurrentes, segmentados por sentimiento.

   • Visualizaciones: se generan gráficos y word clouds para explorar los datos.

   • Exportación de Resultados: se guardan los resultados en archivos CSV.

Estructura del Notebook

• Instalación de Requerimientos y Configuración Inicial:

Instala las dependencias y configura el entorno.

• Obtención de Reviews:

Funciones get_playstore_reviews y get_itunes_reviews para extraer y consolidar reviews de ambas tiendas.

• Análisis de Sentimiento:

Uso de Transformers con el modelo BETO para determinar el sentimiento (POS, NEG, NEU) de cada review.

• Clasificación de Reviews:

Función classify_keywords_with_sentiment que utiliza embeddings para comparar cada review con frases clave y asignar etiquetas de bug o feature según el sentimiento.

• Extracción de Tópicos:

Uso de LDA para extraer los temas más recurrentes de las reviews y segmentarlos por sentimiento.

• Visualizaciones:

Gráficos de barras, líneas, boxplots, scatterplots y word clouds para visualizar la distribución y evolución de los datos.

• Exportación de Resultados:

Guardado de los DataFrames finales en archivos CSV para análisis posterior.

Personalización

• Modificar Apps a Analizar:

Edita el diccionario apps en el notebook para agregar o quitar apps según necesites.

• Ajustar Parámetros:

Puedes ajustar umbrales de similitud, parámetros de LDA y otros valores para afinar el análisis.