Jeffrey Breen 提到的一种解决方案是使用Lu and Hiu 的 lexicon。他还在 Twitter 上提供了一个很酷的情感挖掘教程。

几种选择

1）监督学习：理想情况下，您希望在数据中包含文本和标签，其中标签是指您感兴趣的类别。为此，您需要手动标记数据。然后，您可以训练统计/机器学习算法，以便对您标记的类别进行分类。为此，R 中的一个简单方法是使用text2vecandglmnet包。

2）无监督学习：如果您不愿意标记数据，则可以使用统计模型来查找主题，这称为潜在狄利克雷分配。它也受 支持text2vec，还有其他软件包，例如topicmodels.

3)迁移学习：最后，另一种选择是迁移学习。这个想法是您从另一个问题中获取标记数据，训练分类器并使用模型对数据进行预测。问题是查找同一域的数据...

4）使用字典（hack）：以下是我写的原始答案，它使用正负单词“字典”的查找表。我现在要说这个选项是最后一个资源，它有点像黑客，因为它太宽泛了。我认为现在有一些包可以实现这一点。

编辑

下面是我之前的回答。

我使用Jeffrey 的函数通过“查找”方法计算分数。

我制作了阿根廷政客的腐败指数。所以说他们腐败的人越多，得分就越高。

对于我拥有的数据，因为推文是西班牙语，我只是写了一个更符合问题需求的小字典。我想这取决于您要分析的内容。

除了这种方法，还有更复杂的方法。我认为有一个关于 NLP 的 coursera 课程。

这是另一个资源： https ://sites.google.com/site/miningtwitter/basics/text-mining 它说由于 twitter API 的变化而被弃用，但是 twitteR 包的作者将该包适应了新的 API。所以你需要首先安装更新的包，也许是它的源版本。这是作者的网页。_http://geoffjentry.hexdump.org/ 需要后者以便在拨打超过 100 条推文时不会得到重复的推文。

杰弗里的功能：

score.sentiment = function(sentences, pos.words, neg.words, .progress='none')
{
    require(plyr)
    require(stringr)

    # we got a vector of sentences. plyr will handle a list
    # or a vector as an "l" for us
    # we want a simple array ("a") of scores back, so we use 
    # "l" + "a" + "ply" = "laply":
    scores = laply(sentences, function(sentence, pos.words, neg.words) {

        # clean up sentences with R's regex-driven global substitute, gsub():
        sentence = gsub('[[:punct:]]', '', sentence)
        sentence = gsub('[[:cntrl:]]', '', sentence)
        sentence = gsub('\\d+', '', sentence)
        # and convert to lower case:
        sentence = tolower(sentence)

        # split into words. str_split is in the stringr package
        word.list = str_split(sentence, '\\s+')
        # sometimes a list() is one level of hierarchy too much
        words = unlist(word.list)

        # compare our words to the dictionaries of positive & negative terms
        pos.matches = match(words, pos.words)
        neg.matches = match(words, neg.words)

        # match() returns the position of the matched term or NA
        # we just want a TRUE/FALSE:
        pos.matches = !is.na(pos.matches)
        neg.matches = !is.na(neg.matches)

        # and conveniently enough, TRUE/FALSE will be treated as 1/0 by sum():
        score = sum(pos.matches) - sum(neg.matches)

        return(score)
    }, pos.words, neg.words, .progress=.progress )

    scores.df = data.frame(score=scores, text=sentences)
    return(scores.df)
}