作者abcggg (小雞逼逼)
看板R_Language
標題[問題] 關於文字探勘
時間Tue Aug 18 22:40:55 2015
[問題類型]:
程式諮詢
[軟體熟悉度]:
入門(寫過其他程式，只是對語法不熟悉)
[問題敘述]:
大家好，最近剛接觸文字探勘
參考了陳嘉葳大大的文章：用R進行中文 text Mining
(
http://goo.gl/3mTrDg)
我也照做了一番，有些地方因為有更新所以有自己修改。
問題1：
在輸出TermDocumentMatrix時，出現了以下的樣子
不知道怎麼把\n弄掉，原本的文章也沒有長這樣。
Docs
Terms 1 2 3 4 5
一生\n志願 0 0 0 0 0
一生\n味道 0 0 0 0 0
一家\n嘴\n罐子 1 0 0 0 0
一連串 0 0 0 0 0
人\n 0 0 0 0 0
人\n人\n人\n強者\n同學 0 0 0 0 0
人\n人\n小學 0 0 0 0 0
人\n人\n事\n課\n精神 0 0 0 0 0
人\n人\n東西 0 0 0 0 0
人\n山\n雙手 0 0 0 0 0
問題2：
輸出的文字雲長這樣
http://i.imgur.com/W6Bo2Tk.png
明明程式碼一樣，不知為何我的卻是方的，而且沒有很密集。
想知道問題出在哪。
問題3：
由於原文章只鎖定名詞
d.corpus <- tm_map(d.corpus[1:100], segmentCN, nature = TRUE)
d.corpus <- tm_map(d.corpus, function(sentence) {
noun <- lapply(sentence, function(w) {
w[names(w) == "n"]
})
unlist(noun)
})
若所有詞性都想要，該怎麼做呢？
我有試做看看，卻在輸出tdm時得到error
Error in `[.simple_triplet_matrix`(tdm, 1:10, 1:5) :
subscript out of bounds
[程式範例]:
大概的程式碼如下：
d.corpus0 <- Corpus(DirSource('doc'), list(language = NA)) #語料庫
d.corpus_clean <- tm_map(d.corpus0, removePunctuation)
d.corpus_clean <- tm_map(d.corpus_clean, removeNumbers)
d.corpus_clean <- tm_map(d.corpus_clean, function(word) {
gsub("[A-Za-z0-9]", "", word)
})
d.corpus_seg <- tm_map(d.corpus_clean[1:100], segmentCN, nature = TRUE)
d.corpus_seg2 <- tm_map(d.corpus_seg, function(sentence) {
noun <- lapply(sentence, function(w) {
w[names(w) == "n"]
})
unlist(noun)
})
#d.corpus_vec <- Corpus(VectorSource(d.corpus_seg)) #無法run
d.corpus_stop <- tm_map(d.corpus_seg2, removeWords, myStopWords)
#建立TermDocumentMatrix(自己修改過)
corpus_clean <- tm_map(d.corpus_stop, PlainTextDocument)
d.corpus_vec <- Corpus(VectorSource(corpus_clean))
tdm <- TermDocumentMatrix(d.corpus_vec, control = list(wordLengths = c(2,
Inf)))
#文字雲
m1 <- as.matrix(tdm)
v <- sort(rowSums(m1), decreasing = TRUE)
d <- data.frame(word = names(v), freq = v)
wordcloud(d$word, d$freq, min.freq = 2, random.order = F, ordered.colors = F,
colors = rainbow(length(row.names(m1))))
這個問題已經困擾我好幾天，想了很久也找很多資料還是無解，才想說上來請各位高手解
答
小妹第一次在本版發文，若有任何不妥請多多包涵:)
[關鍵字]:
文字探勘，text mining
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 1.34.144.35
※ 文章網址: https://webptt.com/m.aspx?n=bbs/R_Language/M.1439908857.A.A29.html
真的耶！ 不好意思，我也回去試試看舊版本好了…
只是還想知道有沒有人也有這個問題然後有解決的～
※ 編輯: abcggg (1.34.144.23), 08/19/2015 02:17:14