基于R文本分析的拼写错误识别词干提取

我是R中TM软件包的新手。我正在尝试执行词频分析，但我知道源文件中存在几个拼写问题，我想知道如何在执行词频分析之前修复这些拼写错误

我已经读了另一篇文章（），但我对其中提出的解决方案有一个问题：在创建TermDocumentMatrix和词频分析之前，是否可以使用字典（例如数据框）在我的语料库中进行几个/所有替换

我有一个带有字典的数据框，其结构如下：

sept   -> september  
sep    -> september  
acct -> account  
serv  -> service  
servic     -> service  
adj    ->   adjustment  
ajuste   -> adjustment  

我知道我可以开发一个函数来对我的语料库执行转换，但我真的不知道如何自动化这个任务，如何对数据帧上的每条记录执行循环或类似的操作

---

如果您有任何帮助，我们将不胜感激。

关于从标准英语词典自动构造词干分析器的基本内容，已经显示了您的需求

---

您只需添加代码，以合成可能的拼写错误，或使用Levenshtein distance（请参见

adist

）等单词距离度量在语料库中匹配（常见）拼写错误，从而在词典中找到最接近的匹配项。

这完全取决于您的语料库是什么-什么语言，什么首字母缩写，哪些领域特定的术语等，但如果您只想从标准英语（或任何语言）词典自动构造词干分析器，那么请显示您想要的。您只需添加代码来合成可能的拼写错误，或者使用Levenshtein distance（请参见

adist

）等单词距离度量来查找字典中最接近的匹配项。实际上，语料库是西班牙语的。你知道在哪里可以找到关于如何构建西班牙语词干分析器的指南吗？只需使用MrFlick的答案和

tm\u地图（语料库，stemDocument，language=“西班牙语”）

tm:：stemDocument（…language='lang'）

calls

SnowballC:：wordStem（）

它为

Snowball中的所有语言都内置了词干分析器c:：getStemLanguages（）

即“丹麦语”“荷兰语”“英语”“芬兰语”“法语”“德语”“匈牙利语”“意大利语”“挪威语”“波特语”“葡萄牙语”“罗马尼亚语”“俄语”“西班牙语”“瑞典语”“土耳其语”。请参阅

tm

和

SnowballC

软件包的文档。