R语言做文本挖掘
tm包是R语言中为文本挖掘提供综合性处理的package,进行操作前载入tm包,vignette命令可以让你得到相关的文档说明。本文从数据导入、语料库处理、预处理、元数据管理、创建term-document矩阵这几个方面讲述tm包括的使用。
??? >library(tm)??????? //使用默认安装的R平台是不带tm? package的,必须要到http://www.r-project.org/网站下载package. 值得注意的是:tm package很多函数也要依赖于其它的一些package,所以在运行library(tm)之前,需要把rJava,SnowballC,zoo,XML,slam,Rz,RWeka,matlab这些package都安装了,这里面。其中标红的两个包是与原文章不同的地方,可能是R版本的问题。 ????>vignette("tm")?? //会打开一个tm.pdf的英文文件,讲述tm?? package的使用及相关函数 1、Data-import: ??? >??txt <- system.file("texts","txt",package = "tm")????????? //是为将目录C:Program FilesRR-2.15.1librarytmtextstxt 记入txt变量 ????> (ovid <- Corpus(DirSource(txt),readerControl = list(language = "lat")))? //即将txt目录下的5个文件Corpus到Ovid去,language = "lat"表示the directory txt containing Latin (lat) texts(如果没有安装上面的附属包,这里会报错,找不到“Corpus”) ????? 此外,VectorSource is quite useful,as it can create a corpus from character vectors,e.g.: ??? >?docs <- c("This is a text.","This another one.") ??? > Corpus(VectorSource(docs))????? //A corpus with 2 text documents ??? 在本部分中,我们Finally create a corpus for some Reuters documents as example for later use ??? >?reut21578 <- system.file("texts","crude",package = "tm") ??? > reuters <- Corpus(DirSource(reut21578),readerControl = list(reader = readReut21578XML))? // 在这一部分中,将目录C:Program FilesRR-2.15.1librarytmtextscrude下的20个XML文件Corpus成reuters,要用到XML package(前面已经下载了). ????> inspect(ovid[1:2])????? //会出现以下的显示,当然identical(ovid[[2]],ovid[["ovid_2.txt"]])==true,所以inspet(ovid["ovid_1.txt","ovid[ovid_2.txt]"])效果一样: ? ? ? ? ? ?? 2、Transmation: ?? >?reuters <- tm_map(reuters,as.PlainTextDocument)??? //This can be done by converting the documents to plain text documents.即去除标签 ?? >?reuters <- tm_map(reuters,stripWhitespace)?? ? ? ? ? ?? //去除空格 ? // remove stopwords ??? 注:在这里需要注意的是,如果使用中文分词法,由于词之间无有像英文一样的空隔,好在有Java已经解决了这样的问题,我们只需要在R-console里加载rJava与rmmseg4j两个工具包即可。如 ??? >mmseg4j("中国人民从此站起来了")(这个地方只能使用32位的R和32位的Java,并且环境变量要配置能32位Java的地址,否则会出错) ? ? ? [1] 中国? 人民? 从此? 站? 起来 3、Filters: ?? >?query <- "id == '237' & heading == 'INDONESIA SEEN AT CROSSROADS OVER ECONOMIC CHANGE'"???? //query其实是一个字符串,设定了一些文件的条件,如 ??????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????? //id==237,标题为:indonesia seen at c......... ?? >?tm_filter(reuters,FUN = sFilter,query)?????? //? A corpus with 1 text document,这个从数据中就可以看得出来。 4、Meta data management ??? >?DublinCore(reuters[[1]],"Creator") <- "Ano Nymous"????? //本来第一个XML文件中是不带作者的,此语句可以改变一些属性的值,类比其它。 ??? >?meta(reuters[[1]])?(这里原作者的给的是crude,是错误的,这里已经改正问正确的reuters) ? ?? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? //显示第一个文件的元素信息数据得到下图 ? ? ? ? ? ? ? ?? ???? >?meta(reuters,tag = "test",type = "corpus") <- "test meta"
????????????
5、Creating Term-Document Matrices ????? >? dtm <- DocumentTermMatrix(reuters) ????? > inspect(dtm[1:5,100:105])????????? //显示如下: ?????????????????????? A document-term matrix (5 documents,6 terms) ?????????????????????? Non-/sparse entries: 1/29 ?????????????????????? Sparsity : 97% ?????????????????????? Maximal term length: 10 ?????????????????????? Weighting : term frequency (tf) ?????????????????????? Terms ?????????????????????? Docs abdul-aziz ability able abroad,abu accept ?????????????????????? 127 0 0 0 0 0 0 ?????????????????????? 144 0 2 0 0 0 0 ?????????????????????? 191 0 0 0 0 0 0 ?????????????????????? 194 0 0 0 0 0 0 ??????????????????????? 211 0 0 0 0 0 0
6、对Term-document矩阵的进一步操作举例 ????? >?findFreqTerms(dtm,5)????//nd those terms that occur at least 5 times in these 20 files??? 显示如下: ? ? ? ? ? ???? [1] "15.8" "accord" "agency" "ali" ????? >?findAssocs(dtm,"opec",0.8)??????????? // Find associations (i.e.,terms which correlate) with at least 0:8 correlation for the term opec ???????????? opec ? ? ? ?? prices.???????????? 15.8 ????????????? 1.00????????? 0.81????????????????? 0.80 ???? 如果需要考察多个文档中特有词汇的出现频率,可以手工生成字典,并将它作为生成矩阵的参数 ?????? > data.scale <- scale(data) ?????? >plot(fit)??? //图形见下: (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |