基于R语言的文本挖掘tm和Rwordseg包的说明资料分享

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

资料如下

本帖隐藏的内容

extensions.pdf (153.94 KB)

2015-1-23 11:05:18 上传

tm.pdf (168.46 KB)

2015-1-23 11:05:14 上传

Rwordseg_Vignette_CN.pdf (315.88 KB)

2015-1-23 11:04:54 上传

代码诸如：

本帖隐藏的内容

1. ### R code from vignette source 'tm.Rnw'
   
2. ### Encoding: UTF-8
   
3. 
   
4. ###################################################
   
5. ### code chunk number 1: Init
   
6. ###################################################
   
7. library("tm")
   
8. data("crude")
   
9. 
   
10. 
    
11. ###################################################
    
12. ### code chunk number 2: Ovid
    
13. ###################################################
    
14. txt <- system.file("texts", "txt", package = "tm")
    
15. (ovid <- Corpus(DirSource(txt, encoding = "UTF-8"),
    
16.                 readerControl = list(language = "lat")))
    
17. 
    
18. 
    
19. ###################################################
    
20. ### code chunk number 3: VectorSource
    
21. ###################################################
    
22. docs <- c("This is a text.", "This another one.")
    
23. Corpus(VectorSource(docs))
    
24. 
    
25. 
    
26. ###################################################
    
27. ### code chunk number 4: Reuters
    
28. ###################################################
    
29. reut21578 <- system.file("texts", "crude", package = "tm")
    
30. reuters <- Corpus(DirSource(reut21578),
    
31.                   readerControl = list(reader = readReut21578XML))
    
32. 
    
33. 
    
34. ###################################################
    
35. ### code chunk number 5: tm.Rnw:120-121 (eval = FALSE)
    
36. ###################################################
    
37. ## writeCorpus(ovid)
    
38. 
    
39. 
    
40. ###################################################
    
41. ### code chunk number 6: tm.Rnw:132-133
    
42. ###################################################
    
43. inspect(ovid[1:2])
    
44. 
    
45. 
    
46. ###################################################
    
47. ### code chunk number 7: tm.Rnw:137-138
    
48. ###################################################
    
49. identical(ovid[[2]], ovid[["ovid_2.txt"]])
    
50. 
    
51. 
    
52. ###################################################
    
53. ### code chunk number 8: tm.Rnw:156-157
    
54. ###################################################
    
55. reuters <- tm_map(reuters, as.PlainTextDocument)
    
56. 
    
57. 
    
58. ###################################################
    
59. ### code chunk number 9: tm.Rnw:165-166
    
60. ###################################################
    
61. reuters <- tm_map(reuters, stripWhitespace)
    
62. 
    
63. 
    
64. ###################################################
    
65. ### code chunk number 10: tm.Rnw:171-172
    
66. ###################################################
    
67. reuters <- tm_map(reuters, tolower)
    
68. 
    
69. 
    
70. ###################################################
    
71. ### code chunk number 11: Stopwords
    
72. ###################################################
    
73. reuters <- tm_map(reuters, removeWords, stopwords("english"))
    
74. 
    
75. 
    
76. ###################################################
    
77. ### code chunk number 12: Stemming
    
78. ###################################################
    
79. tm_map(reuters, stemDocument)
    
80. 
    
81. 
    
82. ###################################################
    
83. ### code chunk number 13: tm.Rnw:204-206
    
84. ###################################################
    
85. query <- "id == '237' & heading == 'INDONESIA SEEN AT CROSSROADS OVER ECONOMIC CHANGE'"
    
86. tm_filter(reuters, FUN = sFilter, query)
    
87. 
    
88. 
    
89. ###################################################
    
90. ### code chunk number 14: DublinCore
    
91. ###################################################
    
92. DublinCore(crude[[1]], "Creator") <- "Ano Nymous"
    
93. meta(crude[[1]])
    
94. 
    
95. 
    
96. ###################################################
    
97. ### code chunk number 15: tm.Rnw:237-241
    
98. ###################################################
    
99. meta(crude, tag = "test", type = "corpus") <- "test meta"
    
100. meta(crude, type = "corpus")
     
101. meta(crude, "foo") <- letters[1:20]
     
102. meta(crude)
     
103. 
     
104. 
     
105. ###################################################
     
106. ### code chunk number 16: tm.Rnw:258-260
     
107. ###################################################
     
108. dtm <- DocumentTermMatrix(reuters)
     
109. inspect(dtm[1:5,100:105])
     
110. 
     
111. 
     
112. ###################################################
     
113. ### code chunk number 17: tm.Rnw:269-270
     
114. ###################################################
     
115. findFreqTerms(dtm, 5)
     
116. 
     
117. 
     
118. ###################################################
     
119. ### code chunk number 18: tm.Rnw:275-276
     
120. ###################################################
     
121. findAssocs(dtm, "opec", 0.8)
     
122. 
     
123. 
     
124. ###################################################
     
125. ### code chunk number 19: tm.Rnw:288-289
     
126. ###################################################
     
127. inspect(removeSparseTerms(dtm, 0.4))
     
128. 
     
129. 
     
130. ###################################################
     
131. ### code chunk number 20: tm.Rnw:303-305
     
132. ###################################################
     
133. inspect(DocumentTermMatrix(reuters,
     
134.                            list(dictionary = c("prices", "crude", "oil"))))

复制代码

1. ### R code from vignette source 'extensions.Rnw'
   
2. 
   
3. ###################################################
   
4. ### code chunk number 1: Init
   
5. ###################################################
   
6. library("tm")
   
7. library("XML")
   
8. 
   
9. 
   
10. ###################################################
    
11. ### code chunk number 2: extensions.Rnw:71-76
    
12. ###################################################
    
13. VecSource <- function(x) {
    
14.     s <- Source(length = length(x), names = names(x), class = "VectorSource")
    
15.     s$Content <- as.character(x)
    
16.     s
    
17. }
    
18. 
    
19. 
    
20. ###################################################
    
21. ### code chunk number 3: extensions.Rnw:85-89
    
22. ###################################################
    
23. getElem.VectorSource <-
    
24. function(x) list(content = x$Content[x$Position], uri = NA)
    
25. pGetElem.VectorSource <-
    
26. function(x) lapply(x$Content, function(y) list(content = y, uri = NA))
    
27. 
    
28. 
    
29. ###################################################
    
30. ### code chunk number 4: extensions.Rnw:114-117
    
31. ###################################################
    
32. readPlain <-
    
33. function(elem, language, id)
    
34.     PlainTextDocument(elem$content, id = id, language = language)
    
35. 
    
36. 
    
37. ###################################################
    
38. ### code chunk number 5: extensions.Rnw:145-150
    
39. ###################################################
    
40. df <- data.frame(contents = c("content 1", "content 2", "content 3"),
    
41.                  title    = c("title 1"  , "title 2"  , "title 3"  ),
    
42.                  authors  = c("author 1" , "author 2" , "author 3" ),
    
43.                  topics   = c("topic 1"  , "topic 2"  , "topic 3"  ),
    
44.                  stringsAsFactors = FALSE)
    
45. 
    
46. 
    
47. ###################################################
    
48. ### code chunk number 6: extensions.Rnw:156-157
    
49. ###################################################
    
50. names(attributes(PlainTextDocument()))
    
51. 
    
52. 
    
53. ###################################################
    
54. ### code chunk number 7: Mapping
    
55. ###################################################
    
56. m <- list(Content = "contents", Heading = "title",
    
57.           Author = "authors", Topic = "topics")
    
58. 
    
59. 
    
60. ###################################################
    
61. ### code chunk number 8: myReader
    
62. ###################################################
    
63. myReader <- readTabular(mapping = m)
    
64. 
    
65. 
    
66. ###################################################
    
67. ### code chunk number 9: extensions.Rnw:180-181
    
68. ###################################################
    
69. (corpus <- Corpus(DataframeSource(df), readerControl = list(reader = myReader)))
    
70. 
    
71. 
    
72. ###################################################
    
73. ### code chunk number 10: extensions.Rnw:186-188
    
74. ###################################################
    
75. corpus[[1]]
    
76. meta(corpus[[1]])
    
77. 
    
78. 
    
79. ###################################################
    
80. ### code chunk number 11: CustomXMLFile
    
81. ###################################################
    
82. custom.xml <- system.file("texts", "custom.xml", package = "tm")
    
83. print(readLines(custom.xml), quote = FALSE)
    
84. 
    
85. 
    
86. ###################################################
    
87. ### code chunk number 12: mySource
    
88. ###################################################
    
89. mySource <- function(x, encoding = "UTF-8")
    
90.     XMLSource(x, function(tree) XML::xmlChildren(XML::xmlRoot(tree)), myXMLReader, encoding)
    
91. 
    
92. 
    
93. ###################################################
    
94. ### code chunk number 13: myXMLReader
    
95. ###################################################
    
96. myXMLReader <- readXML(
    
97.     spec = list(Author = list("node", "/document/writer"),
    
98.                 Content = list("node", "/document/description"),
    
99.                 DateTimeStamp = list("function",
    
100.                                      function(x) as.POSIXlt(Sys.time(), tz = "GMT")),
     
101.                 Description = list("attribute", "/document/@short"),
     
102.                 Heading = list("node", "/document/caption"),
     
103.                 ID = list("function", function(x) tempfile()),
     
104.                 Origin = list("unevaluated", "My private bibliography"),
     
105.                 Type = list("node", "/document/type")),
     
106.     doc = PlainTextDocument())
     
107. 
     
108. 
     
109. ###################################################
     
110. ### code chunk number 14: extensions.Rnw:301-302
     
111. ###################################################
     
112. corpus <- Corpus(mySource(custom.xml))
     
113. 
     
114. 
     
115. ###################################################
     
116. ### code chunk number 15: extensions.Rnw:306-308
     
117. ###################################################
     
118. corpus[[1]]
     
119. meta(corpus[[1]])

复制代码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

关键词：words 资料分享 文本挖掘 word R语言 资料

先自己顶一个

学习一下

R语言确实强大

kankan

支持!!!!

文本挖掘技术哪家强？

R语言还是Python