web-dev-qa-db-ja.com

R TMパッケージを使用して2および3の語句を見つける

私は、Rテキストマイニングパッケージで最も頻繁に使用される2つおよび3つのWordフレーズを見つけるために実際に機能するコードを見つけようとしています（おそらく、私が知らない別のパッケージがある）。トークナイザーを使用しようとしていますが、運が悪いようです。

過去に同様の状況で作業した場合、テストされて実際に機能するコードを投稿できますか？どうもありがとうございます！

rdata-miningtext-mining
24
appletree

カスタムのトークン化関数をtmのDocumentTermMatrix関数に渡すことができるため、パッケージtauがインストールされている場合は、かなり簡単です。

library(tm); library(tau);

tokenize_ngrams <- function(x, n=3) return(rownames(as.data.frame(unclass(textcnt(x,method="string",n=n)))))

texts <- c("This is the first document.", "This is the second file.", "This is the third text.")
corpus <- Corpus(VectorSource(texts))
matrix <- DocumentTermMatrix(corpus,control=list(tokenize=tokenize_ngrams))

ここで、nはtokenize_ngrams関数は、フレーズあたりの単語数です。この機能はパッケージRTextToolsにも実装され、物事をさらに簡素化します。

library(RTextTools)
texts <- c("This is the first document.", "This is the second file.", "This is the third text.")
matrix <- create_matrix(texts,ngramLength=3)

これは、パッケージDocumentTermMatrixで使用するtmのクラスを返します。

11
Timothy P. Jurka

これは tm パッケージの [〜＃〜] faq [〜＃〜] のパート5です。

5。用語文書マトリックスで単一トークンの代わりにバイグラムを使用できますか？

はい。 RWekaは、任意のn-gramのトークナイザーを提供します。これは、用語ドキュメントマトリックスコンストラクターに直接渡すことができます。例えば。：

  library("RWeka")
  library("tm")

  data("crude")

  BigramTokenizer <- function(x) NGramTokenizer(x, Weka_control(min = 2, max = 2))
  tdm <- TermDocumentMatrix(crude, control = list(tokenize = BigramTokenizer))

  inspect(tdm[340:345,1:10])
8
Ben

これはさまざまな目的のための私自身の作り上げの作成ですが、私はあなたのニーズにも適用できると思います：

#User Defined Functions
Trim <- function (x) gsub("^\\s+|\\s+$", "", x)

breaker <- function(x) unlist(strsplit(x, "[[:space:]]|(?=[.!?*-])", Perl=TRUE))

strip <- function(x, digit.remove = TRUE, apostrophe.remove = FALSE){
    strp <- function(x, digit.remove, apostrophe.remove){
        x2 <- Trim(tolower(gsub(".*?($|'|[^[:punct:]]).*?", "\\1", as.character(x))))
        x2 <- if(apostrophe.remove) gsub("'", "", x2) else x2
        ifelse(digit.remove==TRUE, gsub("[[:digit:]]", "", x2), x2)
    }
unlist(lapply(x, function(x) Trim(strp(x =x, digit.remove = digit.remove, 
    apostrophe.remove = apostrophe.remove)) ))
}

unblanker <- function(x)subset(x, nchar(x)>0)

#Fake Text Data
x <- "I like green eggs and ham.  They are delicious.  They taste so yummy.  I'm talking about ham and eggs of course"

#The code using Base R to Do what you want
breaker(x)
strip(x)
words <- unblanker(breaker(strip(x)))
textDF <- as.data.frame(table(words))
textDF$characters <- sapply(as.character(textDF$words), nchar)
textDF2 <- textDF[order(-textDF$characters, textDF$Freq), ]
rownames(textDF2) <- 1:nrow(textDF2)
textDF2
subset(textDF2, characters%in%2:3)
4
Tyler Rinker

corpusライブラリにはterm_statsという関数があり、必要な処理を実行します。

library(corpus)
corpus <- gutenberg_corpus(55) # Project Gutenberg #55, _The Wizard of Oz_
text_filter(corpus)$drop_punct <- TRUE # ignore punctuation
term_stats(corpus, ngrams = 2:3)
##    term             count support
## 1  of the             336       1
## 2  the scarecrow      208       1
## 3  to the             185       1
## 4  and the            166       1
## 5  said the           152       1
## 6  in the             147       1
## 7  the lion           141       1
## 8  the tin            123       1
## 9  the tin woodman    114       1
## 10 tin woodman        114       1
## 11 i am                84       1
## 12 it was              69       1
## 13 in a                64       1
## 14 the great           63       1
## 15 the wicked          61       1
## 16 wicked witch        60       1
## 17 at the              59       1
## 18 the little          59       1
## 19 the wicked witch    58       1
## 20 back to             57       1
## ⋮  (52511 rows total)

ここで、countは出現回数、supportはその用語を含むドキュメントの数です。

2
Patrick Perry

tmおよびngramパッケージを使用して、同様の問題を追加します。 mclapplyをデバッグした後、次のエラーで2ワード未満のドキュメントに問題があることを確認しました

   input 'x' has nwords=1 and n=2; must have nwords >= n

そこで、Wordカウント数の少ないドキュメントを削除するフィルターを追加しました。

    myCorpus.3 <- tm_filter(myCorpus.2, function (x) {
      length(unlist(strsplit(stringr::str_trim(x$content), '[[:blank:]]+'))) > 1
    })

次に、私のtokenize関数は次のようになります。

bigramTokenizer <- function(x) {
  x <- as.character(x)

  # Find words
  one.list <- c()
  tryCatch({
    one.gram <- ngram::ngram(x, n = 1)
    one.list <- ngram::get.ngrams(one.gram)
  }, 
  error = function(cond) { warning(cond) })

  # Find 2-grams
  two.list <- c()
  tryCatch({
    two.gram <- ngram::ngram(x, n = 2)
    two.list <- ngram::get.ngrams(two.gram)
  },
  error = function(cond) { warning(cond) })

  res <- unlist(c(one.list, two.list))
  res[res != '']
}

次に、次のコマンドで関数をテストできます。

dtmTest <- lapply(myCorpus.3, bigramTokenizer)

そして最後に：

dtm <- DocumentTermMatrix(myCorpus.3, control = list(tokenize = bigramTokenizer))
1
Géraud

Tidytextパッケージを試す

library(dplyr)
library(tidytext)
library(janeaustenr)
library(tidyr

）

コメント列を含むデータフレームCommentDataがあり、2つの単語の出現を一緒に検索したいとします。次に試してください

bigram_filtered <- CommentData %>%
  unnest_tokens(bigram, Comment, token= "ngrams", n=2) %>%
  separate(bigram, c("Word1","Word2"), sep=" ") %>%
  filter(!Word1 %in% stop_words$Word,
         !Word2 %in% stop_words$Word) %>%
  count(Word1, Word2, sort=TRUE)

上記のコードはトークンを作成し、分析に役立たないストップワード（the、an、toなど）を削除します。次に、これらの単語の出現をカウントします。次に、結合関数を使用して個々の単語を組み合わせ、それらの出現を記録します。

bigrams_united <- bigram_filtered %>%
  unite(bigram, Word1, Word2, sep=" ")
bigrams_united
1
Monika Singh

このコードを試してください。

library(tm)
library(SnowballC)
library(class)
library(wordcloud)

keywords <- read.csv(file.choose(), header = TRUE, na.strings=c("NA","-","?"))
keywords_doc <- Corpus(VectorSource(keywords$"use your column that you need"))
keywords_doc <- tm_map(keywords_doc, removeNumbers)
keywords_doc <- tm_map(keywords_doc, tolower)
keywords_doc <- tm_map(keywords_doc, stripWhitespace)
keywords_doc <- tm_map(keywords_doc, removePunctuation)
keywords_doc <- tm_map(keywords_doc, PlainTextDocument)
keywords_doc <- tm_map(keywords_doc, stemDocument)

これは、使用できるバイグラムまたはトリグラムのセクションです

BigramTokenizer <-  function(x)
unlist(lapply(ngrams(words(x), 2), paste, collapse = " "), use.names = FALSE)
# creating of document matrix
keywords_matrix <- TermDocumentMatrix(keywords_doc, control = list(tokenize = BigramTokenizer))

# remove sparse terms 
keywords_naremoval <- removeSparseTerms(keywords_matrix, 0.95)

# Frequency of the words appearing
keyword.freq <- rowSums(as.matrix(keywords_naremoval))
subsetkeyword.freq <-subset(keyword.freq, keyword.freq >=20)
frequentKeywordSubsetDF <- data.frame(term = names(subsetkeyword.freq), freq = subsetkeyword.freq) 

# Sorting of the words
frequentKeywordDF <- data.frame(term = names(keyword.freq), freq = keyword.freq)
frequentKeywordSubsetDF <- frequentKeywordSubsetDF[with(frequentKeywordSubsetDF, order(-frequentKeywordSubsetDF$freq)), ]
frequentKeywordDF <- frequentKeywordDF[with(frequentKeywordDF, order(-frequentKeywordDF$freq)), ]

# Printing of the words
wordcloud(frequentKeywordDF$term, freq=frequentKeywordDF$freq, random.order = FALSE, rot.per=0.35, scale=c(5,0.5), min.freq = 30, colors = brewer.pal(8,"Dark2"))

お役に立てれば。これは、使用できるコード全体です。

0
Renato Lyke