使用csv文件中的两列创建术语频率矩阵，单位为R？

我是R的新手。我正在挖掘csv文件中的数据——一列中的报告摘要，另一列中的报告日期，第三列中的报告机构。我需要调查与“欺诈”相关的术语是如何随着时间的推移而变化的，或者是如何随着机构的不同而变化的。我已经过滤了包含“欺诈”一词的行，并创建了一个新的csv文件

如何创建一个以年为行、以术语为列的术语频率矩阵，以便查找顶级频率术语并进行聚类

基本上，我需要创建一个术语频率矩阵，根据年份确定术语频率

Input data: (csv)
**Year**    **Summary** (around 300 words each)    
1945             <text>
1985             <text>
2011             <text>

Desired 0utput : (Term frequency matrix)

       term1     term2    term3  term4 .......
1945     3         5        7       8 .....
1985     1         2        0       7  .....
2011      .            .   .    

Any help would be greatly appreciated.

输入数据：（csv）
******年摘要**（约300字）
1945
1985
2011
期望输出：（术语频率矩阵）
第1条第2条第3条第4条。。。。。。。
1945     3         5        7       8 .....
1985     1         2        0       7  .....
2011      .            .   .    
任何帮助都将不胜感激。

以后请提供一个最简单的工作示例。

这并不完全是使用tm，而是qdap，因为它更适合您的数据类型：

library(qdap)
#create a fake data set (please do this in the future yourself) 
dat <- data.frame(year=1945:(1945+10), summary=DATA$state) 

##    year                               summary
## 1  1945         Computer is fun. Not too fun.
## 2  1946               No it's not, it's dumb.
## 3  1947                    What should we do?
## 4  1948                  You liar, it stinks!
## 5  1949               I am telling the truth!
## 6  1950                How can we be certain?
## 7  1951                      There is no way.
## 8  1952                       I distrust you.
## 9  1953           What are you talking about?
## 10 1954         Shall we move on?  Good then.
## 11 1955 I'm hungry.  Let's eat.  You already?

或者，您可以创建tru DocumentTerm矩阵，如下所示：

---

以后请提供一个最简单的工作示例。

这并不完全是使用tm，而是qdap，因为它更适合您的数据类型：

library(qdap)
#create a fake data set (please do this in the future yourself) 
dat <- data.frame(year=1945:(1945+10), summary=DATA$state) 

##    year                               summary
## 1  1945         Computer is fun. Not too fun.
## 2  1946               No it's not, it's dumb.
## 3  1947                    What should we do?
## 4  1948                  You liar, it stinks!
## 5  1949               I am telling the truth!
## 6  1950                How can we be certain?
## 7  1951                      There is no way.
## 8  1952                       I distrust you.
## 9  1953           What are you talking about?
## 10 1954         Shall we move on?  Good then.
## 11 1955 I'm hungry.  Let's eat.  You already?

或者，您可以创建tru DocumentTerm矩阵，如下所示：

---

---

这个老问题因为不清楚而结束了。对不起，我是新来的。添加了额外的数据。为了将来参考，closed并不意味着“死亡”。封闭式问题旨在作为“暂停”，直到问题可以通过编辑得到改进。（如果无法改进，通常会在一段时间后删除。）“封闭”术语在这方面有点误导（目前正在进行一些修订）。无论如何，你的问题不太符合我们在这里拍摄的标准。例如，通过谷歌搜索“r中的术语频率矩阵”，我很快就能找到tm软件包。您应该首先研究一些类似的工具，进行一些尝试，然后在某些特定代码不起作用时寻求帮助。谢谢您的回复。我知道tm软件包，在这里发布之前我已经尝试了很久。但期望的输出并不是通过tm软件包获得的——它基本上接收了一个文本语料库，并根据术语所在的文档创建了TDM。在这里，我的要求是不同的。如果我错了，请纠正我，并提出解决方案。提前谢谢。旧问题已结束，因为它不清楚。对不起，我是新来的。添加了额外的数据。为了将来参考，closed并不意味着“死亡”。封闭式问题旨在作为“暂停”，直到问题可以通过编辑得到改进。（如果无法改进，通常会在一段时间后删除。）“封闭”术语在这方面有点误导（目前正在进行一些修订）。无论如何，你的问题不太符合我们在这里拍摄的标准。例如，通过谷歌搜索“r中的术语频率矩阵”，我很快就能找到tm软件包。您应该首先研究一些类似的工具，进行一些尝试，然后在某些特定代码不起作用时寻求帮助。谢谢您的回复。我知道tm软件包，在这里发布之前我已经尝试了很久。但期望的输出并不是通过tm软件包获得的——它基本上接收了一个文本语料库，并根据术语所在的文档创建了TDM。在这里，我的要求是不同的。如果我错了，请纠正我，并提出解决方案。提前谢谢。多方便的功能啊！您的

wfm

比使用

tm

软件包中的

DataframeSource

容易得多。对于这种类型的数据更容易，但是对于语料库数据（tm是为其设计的）则容易得多。漂亮！非常感谢泰勒。将尝试此代码。我的csv文件有98000行。你会建议对整个语料库使用相同的代码吗？此外，如何调查与“欺诈”相关的术语是如何随着时间的推移而变化的，或者是如何因机构而异的？我们能做聚类吗？这些问题我不知道答案。您可能想使用对应分析，但这超出了我的专业知识范围。另外，在结尾使用

t

是不必要的，并且可能会无缘无故地花费大量的时间。qdap可以很容易地完成您想要做的事情，但当您甚至还没有阅读该函数的文档时，很难花时间来帮助您。如果你看一下wfm，你会发现有一个简单的方法来处理stopwords。如果你愿意学习，请在pdf中搜索stem（或查看函数列表），我愿意提供帮助，但我不愿意为人们编写代码。多么方便的函数啊！您的

wfm

比使用

tm

软件包中的

DataframeSource

容易得多。对于这种类型的数据更容易，但是对于语料库数据（tm是为其设计的）则容易得多。漂亮！非常感谢泰勒。将尝试此代码。我的csv文件有98000行。你会建议对整个语料库使用相同的代码吗？此外，如何调查与“欺诈”相关的术语是如何随着时间的推移而变化的，或者是如何因机构而异的？我们能做聚类吗？这些问题我不知道答案。您可能想使用对应分析，但这超出了我的专业知识范围。另外，在结尾使用

t

是不必要的，并且可能会无缘无故地花费大量的时间。qdap可以很容易地完成您想要做的事情，但当您甚至还没有阅读该函数的文档时，很难花时间来帮助您。如果你看一下wfm，你会发现有一个简单的方法来处理stopwords。如果你愿意学习，请在pdf中搜索stem（或查看函数列表），我愿意提供帮助，但我不愿意为人们编写代码。

with(dat, dtm(summary, year))

## > with(dat, dtm(summary, year))
## A document-term matrix (11 documents, 41 terms)
## 
## Non-/sparse entries: 51/400
## Sparsity           : 89%
## Maximal term length: 8 
## Weighting          : term frequency (tf)