R语言tm工具包进行文本挖掘实验

来源：互联网发布：非洲的社交网络编辑：程序博客网时间：2024/04/28 02:51

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,所以在这个网站，应该把rJava,Snowball,zoo,XML,slam,Rz,Rweka,matlab这些win32 package一并下载，并解压到默认的library中去。

>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 Files\R\R-2.15.1\library\tm\texts\txt 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

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 Files\R\R-2.15.1\library\tm\texts\crude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

> reuters <- tm_map(reuters, tolower) //将内容转换成小写

> reuters <- tm_map(reuters, removeWords, stopwords("english")) // 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")

[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(crude[[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(crude[[1]]) //显示第一个文件的元素信息数据得到下图

> meta(crude, tag = "test", type = "corpus") <- "test meta"
> meta(crude, type = "corpus") 改变元素后显示如下

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"
               [5] "analysts" "arab" "arabia" "barrel."
               [9] "barrels" "bpd" "commitment" "crude"
               [13] "daily" "dlrs" "economic" "emergency"
               [17] "energy" "exchange" "exports" "feb"
               [21] "futures" "government" "gulf" "help"
               [25] "hold" "international" "january" "kuwait"
               [29] "march" "market"

> 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

     > d <- Dictionary(c("prices", "crude", "oil")))
     > inspect(DocumentTermMatrix(reuters, list(dictionary = d)))

      因为生成的term-document矩阵dtm是一个稀疏矩阵，再进行降维处理，之后转为标准数据框格式

      > dtm2 <- removeSparseTerms(dtm, sparse=0.95)          //parse值越少，最后保留的term数量就越少
      > data <- as.data.frame(inspect(dtm2))                               //最后将term-document矩阵生成数据框就可以进行聚类等操作了见下部分

7、再之后就可以利用R语言中任何工具加以研究了，下面用层次聚类试试看

       > data.scale <- scale(data)
       > d <- dist(data.scale, method = "euclidean")
       > fit <- hclust(d, method="ward")

>plot(fit) //图形见下：