RQDA(Qualitative Data Analysis)和文挖掘框架包tm结合进行文本挖掘

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

应用定性数据分析包RQDA(Qualitative Data Analysis)和文挖掘框架包tm结合进行文本挖掘。
    在对访谈内容或剧本、小说部分内容进行文本挖掘时，如果用不断的剪粘保存的方法非常繁琐而且容易漏掉一些内容。好在黄荣贵开发的RQDA包可以进行文档管理和内容编码及提取，大大方便了利用tm包进行文本挖掘，既提高了效率又提高了准确性，下面举一个小例子：
1、安装RQDA包、tm包和中文分词软件（分词软件见下面链接）；
http://www.pinggu.org/bbs/thread-853290-1-1.html
2、装载RQDA包并建立一个新的工程项目；



3、输入相关文本文件；



4、进行编码和作标记；
5、双击想要提取的编码即可提取相关文本；



6、运行下面下载的程序进行文本提取、转换、分词、文本挖掘工作。
> gg <- RQDA2tm("记者" ,mf = FALSE)
>
>
> gg
A corpus with 55 text documents
>
-----------------------------------------------
> ###  去掉多余空格  ####
> reuters <- tm_map(gg, stripWhitespace)
> reuters[[1]]
这个也是临时改的？这儿应该放一个那样的桌子。
>
------------------------------------------------
> ##  全文搜索   ##
> searchFullText(gg[[1]], "是临[时]?改")
[1] TRUE
>
-------------------------------------------------
> ###  查找以某字开头、结尾等的词条  ###
> stemCompletion(gg, c("财", "政", "部"))
                      财                       政                       部
"财政部就是替**花钱的"                       ""                       ""
----------------------------------------------------
> ###  元数据管理  ###
> DublinCore(reuters[[2]], "title") <- "建国60周年"
> meta(reuters[[2]])
Available meta data pairs are:
  Author       :
  DateTimeStamp: 2010-07-15 02:06:27
  Description  :
  Heading      : 建国60周年
  ID           : 2
  Language     : eng
  Origin       :
>
-------------------------------------------------------
> ###  创建词条-文件矩阵
>
> dtm <- DocumentTermMatrix(reuters,control = list(minWordLength=2))##最短词两个字
> inspect(dtm[1:2, 3:6])
A document-term matrix (2 documents, 4 terms)
Non-/sparse entries: 0/8
Sparsity           : 100%
Maximal term length: 5
Weighting          : term frequency (tf)
    Terms
Docs 10000 12 120 1966
   1     0  0   0    0
   2     0  0   0    0
----------------------------------------------------------------------
> ##  操作词条-文件矩阵  ##
> ##  1、找出最少出现过3次的词条  ##
> findFreqTerms(dtm, 3)
[1] "政策"
----------------------------------------------------------------
> ##  2、找出与"应该"相关度到少达0.6的词条  ###
> findAssocs(dtm, "应该", 0.6)
0.11 应该 桌子 临时
1.0  1.0  1.0  0.7
>
其他看上面的链接中的内容，其实生成词条-文件矩阵后还有许多工作可以做，比如用支持向量机进行文件分类、话题分类、根据话题用词频率分析作者所熟悉的行业等等……

结合RQDA和tm包进行文本挖掘.rar (22.96 KB, 需要: 50 个论坛币) 本附件包括：

• 结合RQDA和tm包进行文本挖掘.R
• RQDA(Qualitative Data Analysis)和文挖掘框架包tm结合进行文本挖掘.txt
• ftl.rqda

2010-7-15 10:25:28 上传

需要: 50 个论坛币  [购买]

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

分享0 收藏10 回帖

关键词：Qualitative Analysis Analysi Analys alysis Analysis Data 文本 Qualitative RQDA

对人民网·人民建言·对部委领导说·部委回应·公安部2010年1月至7月的回应分析：

人民网 >> 时政 >> 时政专题 >> 网友进言

http://politics.people.com.cn/GB/8198/138817/index.html

  MetaID                                                         fname fid
1      0                 公安部答复本网网友关于轻微交通违法处罚等4问题   1
2      0 公安部答复本网网友关于驾龄计算、异地购车上牌、老人驾车等8问题   2
3      0                 公安部答复本网网友关于如何转回农业户口等3问题   3
4      0                 公安部回复本网网友关于驾驶证年检被注销等3问题   4
5      0                 公安部回复人民网网友关于异地缴交通罚款等4问题   5
6      0                 公安部回复人民网网友关于身份证重号错号等4问题   6

一、出现5次以上的词条
----------------------------------------------------------------------------
1、根据编码“网友”分析：
gg <- RQDA2tm("网友" ,mf = TRUE)
> findFreqTerms(dtm, 5)
[1] "驾驶"   "身份证" "问题"  

------------------------------------------
2、根据编码“公安部回应”分析：
gg <- RQDA2tm("公安部回应" ,mf = TRUE)
> findFreqTerms(dtm, 5)
[1] "办理"   "部门"   "公安"   "管理"   "规定"   "机动车" "机关"   "交通"  
[9] "安全"   "不得"   "车辆"   "道路"   "驾驶"   "驾驶证" "汽车"   "实施"  
[17] "使用"   "小型"   "营运"   "载货"   "载客"   "证明"   "工作"   "法律"  
[25] "公民"   "居民"   "社会"   "身份"   "身份证" "条件"   "相关"   "行为"  
[33] "证件"   "措施"   "违法"   "应当"   "公安部" "信息"  

**************************************************************
二、找出与“驾驶”相关达70%以上的词条
---------------------------------------------
1、根据编码“网友”分析：
> findAssocs(dtm, "驾驶", 0.7)
  驾驶 公安部   能否   规定   驾照   汽车
  1.00   0.87   0.80   0.79   0.78   0.72
-----------------------------------------------------------
2、根据编码“公安部回应”分析：

> findAssocs(dtm, "驾驶", 0.7)
  驾驶   需要   期限   证明   小型   法律   使用   中型 驾驶证   依法   检查
  1.00   0.95   0.90   0.86   0.84   0.83   0.80   0.79   0.77   0.77   0.75
  有效   超过
  0.75   0.72
******************************************************
  MetaID                                                         fname fid
1      0                 公安部答复本网网友关于轻微交通违法处罚等4问题   1
2      0 公安部答复本网网友关于驾龄计算、异地购车上牌、老人驾车等8问题   2
3      0                 公安部答复本网网友关于如何转回农业户口等3问题   3
4      0                 公安部回复本网网友关于驾驶证年检被注销等3问题   4
5      0                 公安部回复人民网网友关于异地缴交通罚款等4问题   5
6      0                 公安部回复人民网网友关于身份证重号错号等4问题   6

对上面的数据改为将每条回应为研究对象进行文档聚类分析，结果如下：




综合上面两种聚类分析可以判断：公安部负责对人民网网民进行回应的工作人员有两名，因为每个人的写作用词习惯是比较固定的。

Cool intro, thanks.

对三位房地产大佬在搜房网博客近期文章的分析：

搜房网博客链接：
潘石屹
http://blog.soufun.com/blog_132261.htm
王石
http://blog.soufun.com/blog_1525150.htm
任志强
http://blog.soufun.com/blog_1796106.htm

标题：
> txt
  MetaID                          fname fid ID
1      0  穿越“鬼门关”登山者视界4(王)   3  1
2      0       美丽的建筑网友交流42(王)   7  2
3      0 如何了解日本民族网上交流43(王)   8  3
> txt
  MetaID                            fname fid ID
1      0   从发改委的文件看政策的变化(任)   4  1
2      0                   该不该降价(任)   6  2
3      0                 听老柳侃管理(任)  11  3
4      0 稳定、明确的政策预期更为重要(任)  12  4
5      0   先拆还是先建，这是一门艺术(任)  13  5
6      0   幸福指数——再次写给八零后(任)  16  6
> txt
   MetaID                                                 fname fid ID
1       0                      IPAD现象预示了社会结构的变化(潘)   1  1
2       0                              SOHO中国进驻上海外滩(潘)   2  2
3       0                        房地产业要做受人尊重的行业(潘)   5  3
4       0                商业地产与住房是两个完全不同的市场(潘)   9  4
5       0                              世界正经历分娩之阵痛(潘)  10  5
6       0                现在中国房地产市场上“尖叫”声一片(潘)  14  6
7       0                                信仰改变了我的生命(潘)  15  7
8       0               银河SOHO和光华路SOHO2通过LEED预认证(潘)  17  8
9       0                     银河SOHO开盘三天销售46.75亿元(潘)  18  9
10      0 致《酥油》作者： 你的爱和我们的感受构成世界的力量(潘)  19 10
>

结果：
> ##  任志强最喜欢的用词：
> inspect(dtm_rzq[,j])
A document-term matrix (6 documents, 10 terms)
Non-/sparse entries: 41/19
Sparsity           : 32%
Maximal term length: 2
Weighting          : term frequency (tf)
    Terms
Docs 价格 企业 租赁 发展 改革 没有 社会 一代 知道 中国
   1    0    1    5    4    7    0    3    0    0    6
   2   31    2    0    3    1    7    4    0    4   15
   3    0   42    0    4    0    5    4    0    0    2
   4    9    1    0    0    0    7    4    0    3    4
   5    1    0   25    3    0    6    4    0    2    4
   6    1    5    0   25   48   30   55   41   35   51

> ##  潘石屹最喜欢的用词：
> inspect(dtm_psy[,j])
A document-term matrix (10 documents, 9 terms)
Non-/sparse entries: 49/41
Sparsity           : 46%
Maximal term length: 4
Weighting          : term frequency (tf)
    Terms
Docs 一个 商业 上海 外滩 项目 房地产 市场 土地 soho
  1    17   12    0    0    0      4    4    1    1
  2     6   17   15   27   21      1    2    2    6
  3     8    0    0    0    2     11    2   10    0
  4     6   16    0    0    2      0    5    0   13
  5    10    2    0    0    6      0    0    0    9
  6     5    4    3    0    1     17   37   15    0
  7     5    0    0    0    1      0    1    0    0
  8     1    0    0    0    8      0    0    0    7
  9     1   15    0    0    4      0    9    0   18
  10    7    0    0    0    0      0    0    1    0
> ##  王石最喜欢的用词
> inspect(dtm_ws[,j])
A document-term matrix (3 documents, 16 terms)
Non-/sparse entries: 17/31
Sparsity           : 65%
Maximal term length: 2
Weighting          : term frequency (tf)
    Terms
Docs 冰川 穿越 攀登 融化 珠峰 处理 东京 焚烧 垃圾 等级 了解 日本 喜欢 相扑
   1   18    6    4    8    4    0    0    0    0    0    0    0    0    0
   2    0    0    0    0    0    4    4    8   11    0    0    1    0    0
   3    0    0    0    0    0    0    0    0    0    4    4    7    4   10
    Terms
Docs 运动 秩序
   1    0    0
   2    0    0
   3    4    6


由此看来王石仍然在到处玩儿，怪不得从万科A到万科B，再到万科债券08G1、08G2都跌的一塌糊涂。
任志强的兴趣仍在研究国家政策，忧国忧民啊！
老潘的工作重点已经转到上海的商业地产了。

好吧，现在再用支持向量机的方法对上面的数据建模，看是否能分辨出某些话是谁说的：

> library(e1071)
> ##  生成训练用的数据   ##

………………
> tt <- rbind(tt,tt1)
>
> tt[is.na(tt)]<-0
> tt[,"作者"] <- factor(tt[,"作者"])
> model <- svm(作者 ~ ., data = tt[c(1:4,7:14,17:18),], kernel = "sigmoid")
> summary(model)
Call:
svm(formula = 作者 ~ ., data = tt[c(1:4, 7:14, 17:18), ], kernel = "sigmoid")

Parameters:
   SVM-Type:  C-classification
SVM-Kernel:  sigmoid
       cost:  1
      gamma:  0.01666667
     coef.0:  0
Number of Support Vectors:  10
( 4 4 2 )

Number of Classes:  3
Levels:
潘石屹 任志强 王石
> ##   模型拟合测试  ##
> ##  训练集（样本内）拟合     ##
> pred <- predict(model, tt[c(1:4,7:14,17:18),1:length(hh)])
> table(pred, tt[c(1:4,7:14,17:18),"作者"])
        
pred     潘石屹 任志强 王石
  潘石屹      7      0    0
  任志强      1      4    0
  王石        0      0    2
> ##  测试集（样本外）预测     ##
> pred <- predict(model, tt[c(5:6,15:16,19),1:length(hh)])
> table(pred, tt[c(5:6,15:16,19),"作者"])
        
pred     潘石屹 任志强 王石
  潘石屹      2      0    0
  任志强      0      2    0
  王石        0      0    1

训练集中有一个错的，但预测集中全中。
*******************************************************
哪么随机找两段他们的话看能判断出吗？
>
> test <- c("昨天休息了一天，驻地村子现在很大，二年前很小，自首位成功登上珠穆朗玛峰的探险家埃德蒙.希拉里组织义工建立学校医疗诊所，当地条件开始显著改善，目前这里三分之一的当地人已经移民国外，境外一些人士建立了一些家庭小旅馆，卫生条件不错，新西兰狮子会建立了一家小卫生所，以改善当地的医疗条件。这些让我体会到登山这项运动对当地生活条件改善的有益影响。")
>
………………
> tt1[,c(test_h)] <- test_tt[,c(test_h)]
> tt1[is.na(tt1)]<-0
> predict(model, tt1)
   1
王石
Levels: 潘石屹 任志强 王石
>
对了，是《珠峰零公里口述之四 (2010-4-9 16:06:22)》中的一段话。
++++++++++++++++++++++++++++++++++++++++
> test <- c("2007年出台的“第二套住房的信贷”新政，让中国的房地产市场调头直下，在“两防”的政策推力和美国的金融危机双重作用之下，让中国的宏观经济也随之调头直下，GDP快速下降到6.3%，从而让中国**不得不用四万亿元投资、放量的货币信贷和解封“第二套住房信贷”改为0.7倍信贷降息和对改善性住房（实际的第二套）信贷给以支持，才让中国的房地产和宏观经济从谷底翻转恢复到保八之上。
+ ")
……………………
> tt1[,c(test_h)] <- test_tt[,c(test_h)]
> tt1[is.na(tt1)]<-0
> predict(model, tt1)
     1
任志强
Levels: 潘石屹 任志强 王石
>
也对了，是《何需分清几套房 (2010-4-29 9:38:52) 》中的一段话

哈哈哈哈哈哈
：）

那么下面这段文字是谁写的呢？

test <- c("经常有人问我第一桶金怎么来的，从哪里得到的，有多少。其实每次有人问我这个问题时，我都想说，人的第一桶金是自信。即使你没钱也不要怕，自信就是你的资本。也有人在自信前面加了一个不好的修饰语，叫盲目自信，我不太爱听。我说过很多次自我的害处，但我认为与自我有点关系的不多的好东西之一，就是自信。自信当然有自我意识，还有信，相信的信。相信，是正面的、健康的。要相信自己。一个相信自己的人才会相信他人，相信未来。")

> predict(model, tt1)
     1
潘石屹
Levels: 潘石屹 任志强 王石

太神奇了！潘石屹——《自信是人生第一桶金》的一段。见下面的链接：

http://www.pinggu.org/bbs/thread-863705-1-1.html

再根据他们所用的词频看看他们三人之间关系谁更近一点：
(因为有共同语言的人用词会相近一些)
> dist(tt_s)
         潘石屹   任志强
任志强 243.6945         
王石   161.1552 204.2890

bensonwu 发表于 2010-7-28 12:12
再根据他们所用的词频看看他们三人之间关系谁更近一点：
(因为有共同语言的人用词会相近一些)
> dist(tt_s)
         潘石屹   任志强
任志强 243.6945         
王石   161.1552 204.2890

这个好玩儿!