6

(申し訳ありませんが、この投稿の最適なタイトルが何であるかはわかりませんでした。自由に編集してください)。

単語とそのタイプ (つまり、辞書) の間に次の関係構造があるとします。

dictionary <- data.frame(level1=c(rep("Positive", 3), rep("Negative", 3)), level2 = c("happy", "fantastic", "great", "sad", "rubbish", "awful"))

#     level1    level2
# 1 Positive     happy
# 2 Positive fantastic
# 3 Positive     great
# 4 Negative       sad
# 5 Negative   rubbish
# 6 Negative     awful

そして、それらの出現を 7 つのドキュメント (つまり、用語とドキュメントのマトリックス) にわたってカウントしました。

set.seed(42)
range = 0:3
df <- data.frame(row.names = c("happy", "fantastic", "great", "sad", "rubbish", "awful"), doc1 = sample(x=range, size=6, replace=TRUE), doc2 = sample(x=range, size=6, replace=TRUE), doc3 = sample(x=range, size=6, replace=TRUE), doc4 = sample(x=range, size=6, replace=TRUE), doc5 = sample(x=range, size=6, replace=TRUE), doc6 = sample(x=range, size=6, replace=TRUE), doc7 = sample(x=range, size=6, replace=TRUE))

#           doc1 doc2 doc3 doc4 doc5 doc6 doc7
# happy        3    2    3    1    0    2    0
# fantastic    3    0    1    2    2    3    0
# great        1    2    1    3    1    1    3
# sad          3    2    3    0    3    2    2
# rubbish      2    1    3    3    1    0    1
# awful        2    2    0    3    3    3    1

次に、2 つの単語が同じドキュメントに出現する頻度を簡単に計算できます (つまり、共起行列または隣接行列)。

# binary to indicate a co-occurrence
df[df > 0] <- 1
# sum co-occurrences
m <- as.matrix(df) %*% t(as.matrix(df))

#           happy fantastic great sad rubbish awful
# happy         5         4     5   4       4     4
# fantastic     4         5     5   4       4     4
# great         5         5     7   6       6     6
# sad           4         4     6   6       5     5
# rubbish       4         4     6   5       6     5
# awful         4         4     6   5       5     6

質問:単語自体 (レベル 2) だけでなく、辞書内の単語の種類 (レベル 1) を見るように、共起マトリックスを再構築するにはどうすればよいですか?

つまり、私はしたいです：

data.frame(row.names = c("Positive", "Negative"), Positive = c(5+4+5+4+5+5+5+5+7, 4+4+6+4+4+6+4+4+6), Negative = c(4+4+4+4+4+4+6+6+6, 6+5+5+5+6+5+5+5+6))

#          Positive Negative
# Positive       45       42
# Negative       42       48

これまでに行ったこと:以前は、この質問からプロセスを推測できることを望んでいました 名前の種類に基づいて data.frame の列を合計します

ただし、行を減らすことはできますが：

require(data.table)
dt <- data.table(m)
dt[, level1:=c(rep("Positive", 3), rep("Negative", 3))]
dt[, lapply(.SD, sum), by = "level1"]

#      level1 happy fantastic great sad rubbish awful
# 1: Positive    14        14    17  14      14    14
# 2: Negative    12        12    18  16      16    16

必要に応じて列を減らす方法がわかりません。

4

4 に答える 4

6

から続くdf[df > 0] <- 1

library(reshape)
library(reshape2)
library(data.table)

# incorporating @RicardoSaporta's suggestion of using data.table(keep.rownames = TRUE)
dt <- data.table(as.matrix(df) %*% t(as.matrix(df)), keep.rownames = TRUE)

#reducing matrix format to plain data format, look at dt to see the change
dt <- melt(dt, "rn")

#getting positive/negative for word1 and word2
dt <- merge(dt,dictionary, all.x = TRUE, by.y = "level2", by.x = "rn")
dt <- merge(dt,dictionary, all.x = TRUE, by.y = "level2", by.x = "variable", suffixes = c("_1","_2"))


#getting counts for each positive/negative - positive/negative combination
dt <- data.table(dt)
dt[,list(value = sum(value)), by = c("level1_1","level1_2")]

#structuring
cast(dt,level1_1~level1_2, fun.aggregate=sum)

出力

> cast(dt,level1_1~level1_2, fun.aggregate=sum)
  level1_1 Negative Positive
1 Negative       48       42
2 Positive       42       45
于 2013-10-18T15:30:34.707 に答える
3

aggregateマトリックスを2 回m使用できます。byfirstを使用して、レベル 2 の単語をレベル 1 の単語に変換するだけmatchです。1回の呼び出しでこれを実行できると確信していますが、それを完全に理解することはできません. 2 回の呼び出しはそれほど悪くありません。

#  Match Positive and Negative to words
colnames(m) <- dictionary$level1[ match( colnames( m ) ,  dictionary$level2 ) ]
rownames(m) <- dictionary$level1[ match( rownames( m ) ,  dictionary$level2 ) ]


#  Aggregate down to desired result
tmp <- do.call( cbind , by( m , INDICES = colnames(m) , FUN=colSums ) )
do.call(cbind , by( tmp , INDICES = rownames(m) , FUN=colSums ) )
#         Negative Positive
#Negative       48       42
#Positive       42       45
于 2013-10-18T16:09:26.667 に答える