在R中从语料库中搜索已删除的文档
我想在分析文本之前对其进行预处理 mydat 代码在R中从语料库中搜索已删除的文档,r,dataframe,tm,corpus,R,Dataframe,Tm,Corpus,我想在分析文本之前对其进行预处理 mydat 代码 mydat=read.csv("C:/kr_csv.csv", sep=";",dec=",") tw.corpus <- Corpus(VectorSource(mydat$descr)) tw.corpus <- tm_map(tw.corpus, removePunctuation) tw.corpus <- tm_map(tw.corpus, removeNumbers) tw.corpus = t
mydat=read.csv("C:/kr_csv.csv", sep=";",dec=",")
tw.corpus <- Corpus(VectorSource(mydat$descr))
tw.corpus <- tm_map(tw.corpus, removePunctuation)
tw.corpus <- tm_map(tw.corpus, removeNumbers)
tw.corpus = tm_map(tw.corpus, content_transformer(tolower))
tw.corpus = tm_map(tw.corpus, stemDocument)
#deleting emptu documents
doc.m <- DocumentTermMatrix(tw.corpus)
rowTotals <- apply(doc.m , 1, sum) #Find the sum of words in each Document
doc.m.new <- doc.m[rowTotals> 0, ]
mydat=read.csv(“C:/kr_csv.csv”,sep=“;”,dec=“,”)
tw.corpus在对语料库进行预处理和词干分析后,您将计算每个文档中剩余的单词数。当然,没有文字的“文件”计数为零。此外,只有字母和标点符号的文档也是空的,因为您删除了这些字符串
在数据中,有许多“文档”是空行。总体而言,语料库中有28个“文档”,但其中一半以上是空行(即它们包含零个单词)
您可以在行总数中计算每个文档的字数。如果您检查行总数
中的哪些条目等于零,您将获得随后从doc.m
中删除的文档编号:
rowTotals
# 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
# 3 5 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 10 2 8 8 2 0 0 0 7
您可以看到文档4、5、6、7、8、9、10、11、12、13等都包含零个单词,因此不在doc.m
中。您可以使用which()
自动获取这些号码:
rowTotals
# 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
# 3 5 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 10 2 8 8 2 0 0 0 7
which( rowTotals == 0)
# [1] 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 25 26 27