代写FIT1043 Assignment 3: Specification代做留学生R程序

日期：2025-01-09 05:22

FIT1043 Assignment 3: Specification

Due date: Friday 18th October 2024 - 11:55 pm

Aim

Assignment 1 & 2 walked you through what you have learnt in Lectures 1 to 7 and also the Collection, Wrangling, Analyse and Present phases of our Standard Value Chain. It provides you an introduction to the data science lifecycle. This assignment is related to the latter part of this unit, where we used BASH shell and R programming language to work with large datasets. It will test your ability to:

● Read a reasonably large dataset,

●   Process the dataset using BASH Shell Scripts,

●   Conduct aggregation of the dataset content,

● Read data from a file in R, and

●   Generate appropriate visualisations in R and output to files.

Data

The dataset for this assignment is available on Moodle. It is a compressed file that contains pre-processed twitter content sourced from Sentiment140 Dataset on Kaggle. The original source contained 1.6 million tweets, extracted using the Twitter API and they have been labelled as negative (0), neutral (2), or positive (4). The data on Moodle for this assignment is a subset of the original dataset. The columns are the same, and are as follows:

●   target: the polarity of the tweet (e.g., 0 = negative, 2 = neutral, 4 = positive)

● ids: The id of the tweet (e.g., 2087)

●   date: the date of the tweet (e.g., Sat May 16 23:58:44 UTC 2009)

●   flag: The query. If there is no query, then this value is NO_QUERY.

●    user: the user that tweeted (e.g., robotickilldozr)

● text: the text of the tweet (e.g., Lyx is cool)

Note: You will need to use either a Linux machine, a Mac terminal or Cygwin on a Windows machine for this purpose.

For those who are more curious, the paper describing the dataset is as follows:

●   Go,  A.,  Bhayani,  R.,  &  Huang, L. (2009). Twitter sentiment classification

using distant supervision. CS224N project report, Stanford, 1(12), 2009.

Hand-in Requirements

Please hand in a single PDF file only and a video file (refer to Task B). PDF file should consist of:

1.  Answers to the questions.  In order to justify your answers to all the questions, make sure to

a.  Include screenshots/images of the graphs or outputs you generate (You will need to use screen-capture functionality to create appropriate images.)

b.  Explain what each part of the command does for all your answers.

For instance, if the code you use is ‘unzip tutorial_data.zip‘, you need to explain that the code is used to uncompress the zip file.

c.  Copy and paste your Unix code from Bash Shell and the R code (Do Not include screenshots of your code).

d.  Kindly Do  Not copy  the  questions,  else  you  might  have  high  Turnitin

similarity due to all submissions referring to the same set of questions.

Assignment Tasks:

In this assignment you will work with a large data set (in this case, just more than a million lines of data) and will use shell scripts to process and aggregate data. In the whole exercise, you must NOT uncompress the data and store it. Once the data is aggregated  and  properly  formatted,  you will then  read the data  in  R to conduct further  analysis.  In this assignment you will only use R to read some data and provide visualisations for the latter tasks.

Note, for this assignment you are required to write shell commands to answer all questions in Task A unless the instructions specify using R code.

Task A:

Download  the file  FIT1043_Dataset.gz from Moodle.  Use the BASH shell to manipulate the file and answer the following questions. Show the BASH shell command you used and also the displayed output where appropriate.

A1. Inspecting the data (3 marks)

1.  State the size (in Bytes or MegaBytes) of the FIT1043_Dataset.gz file and provide the shell command that you used to determine the size.

2.  What  delimiter  is  used  to  separate  the  columns  in  the  file?  Do illustrate how you deduced this.

3.  How many lines are there in the dataset? Again, provide a single line code on how you obtained it.

A2. Information from Data (5 marks)

1.  How many unique users are there in the dataset? Provide a single line of code that uses the “awk” and “uniq” commands. You are also required to read the “man” pages of the “uniq” command to figure out if it is sufficient to answer the question. Explain the code you provided.

2.  What is the date range for the Twitter posts in this file? (Assume that the data is ordered by date in chronological order)

3.  For each of the sub-questions below, provide a single line code (one each) and briefly explain your code.

a.  How   many   tweets   mentioned   the   word   “France”   in   any combination of uppercase or lowercase letters .

b.  How many of those are not spelt exactly “france” or “France” but in other  combinations  of  uppercase  and  lowercase  (e.g.,  FRance  or francE).

c.  Output the lines of A2.3 (b) into a file called myText.txt (not the number of lines but the specific lines that are returned).

A3. Data aggregation (4.5 marks)

1.  Find  the  total   number  of   negative,  neutral,  and  positive  tweets  that mentioned the word “USA” (ignore case). Then find the total number of negative, neutral, and positive tweets that mentioned the word  “Canada” (ignore case).

2.  Store  the  data  from  A3.1  in  files  named   sentiment-USA.csv and sentiment-canada.csv respectively, using the following output format (Note, you can manually create the csv files using output numbers from the shell commands):

Negative, 99 Neutral, 99  Positive, 99

3. [R Code] Use the files sentiment-USA.csv and sentiment-canada.csv from A3.2 and read both files using R.

4. [R code] Using the data from both countries, plot two separate bar charts: one for the USA and one for Canada. Then copy the bar charts and paste them in your PDF report. You will get a bonus mark if you plot a side by side bar chart instead of two separate bar charts.

5.  In your report, analyse and discuss the differences observed between the two bar charts, considering aspects such as overall sentiment distribution.

A4. Small Challenge (3.5 marks)

Let’s assume that we want to consider tweets that contain the word “Australia” from the data provided.

1.  To answer this question, you will need to first extract the timestamps of the tweets  (date  column)  referring  to  “Australia”  (ignore  case)  using  the  BASH Shell, and save the timestamps into a file named aus_time.txt.

2. [R  code] You will then  need to  read aus_time.txt  in  R.  Note that  R will  not recognise the strings as timestamps automatically, and for this task you are to convert them from text values using the strptime()function. Instructions on how to  use  the  function  are availablehere. You will need to write a format string, e.g., starting with “ %a %b” to tell the function how to parse the particular date/time format in your file. Explain this in your answer.

3. [R code] Using the data processed in A4.1 and A4.2, calculate the number of tweets for each day. After performing this aggregation, create a histogram to visualise  the  daily  tweet  counts.  Discuss  the  distribution  of  tweets  in  your histogram, noting any patterns you observe.

Task B: Video Preparation (4 marks)

Presentation is one of the important steps in a data science process. In this task you will need to prepare an up to 3 minutes video of yourself (you can share your code on screen) and describe your approach on the above task (Task A4).

●   Please make sure to keep your camera on (show yourself) during recording.

Clarifications

Do  use  the  Ed  Forum  so  that  other  students  can  participate  and  contribute.  For postings  on  the  forum,  do  use it as though you are asking others (instead of your lecturer or tutors only) for their opinions or interpretation. Just note that you are not to post answers directly.

Congratulations!

You have completed all FIT1043 assignments and you will have only the final exam left. I do hope that you have been well introduced to the world of Data Science, which still requires  significant  effort  and  there  is  lots  more  to  learn.  Hopefully those skills will contribute to your lifelong learning!