2

コードを提供しなかったため、以前にこの質問をしたところ、否定的なフィードバックがありました。私は一日中試行錯誤して過ごしましたが、今は問題が発生しています。

このコードは、Stackoverflow "Tyler Rincker" のユーザーによって取得されました <- 彼に感謝します!

コードは次のとおりです。

strip <- function(x, digit.remove = TRUE, apostrophe.remove = FALSE){
          strp <- function(x, digit.remove, apostrophe.remove){
            x2 <- Trim(tolower(gsub(".*?($|'|[^[:punct:]]).*?", "\\1", as.character(x))))
            x2 <- if(apostrophe.remove) gsub("'", "", x2) else x2
            ifelse(digit.remove==TRUE, gsub("[[:digit:]]", "", x2), x2)
          }
          unlist(lapply(x, function(x) Trim(strp(x =x, digit.remove = digit.remove, 
                              apostrophe.remove = apostrophe.remove)) ))

corpus2 <- "In Westerman's disruptive article, Quantitative research as 
        an interpretive enterprise: The mostly 
        unacknowledged role of interpretation in research efforts."

    corpus2 <- gsub("\\s+", " ", gsub("\n|\t", " ", corpus2))
    corpus2.wrds <- as.vector(unlist(strsplit(strip(corpus2), " ")))

    corpus2.Freq <- data.frame(table(corpus2.wrds))
    corpus2.Freq$corpus2.wrds  <- as.character(corpus2.Freq$corpus2.wrds)
    corpus2.Freq <- corpus2.Freq[order(-corpus2.Freq$Freq), ]
    rownames(corpus2.Freq) <- 1:nrow(corpus2.Freq)

    key.terms <- c("research as")

私の問題は、コーパスでバイグラムまたはトリグラム (2 または 3 語) を検索したいということです。

このコード行を実行すると:

corpus2.Freq[corpus2.Freq$corpus2.wrds %in%key.terms, ]

「1」の頻度を示すこの結果が得られます。

[1] corpus2.wrds Freq        
<0 rows> (or 0-length row.names)

ただし、キータームが 1 単語のみの場合:

key.terms <- c("research")
    corpus2.Freq[corpus2.Freq$corpus2.wrds %in%key.terms, ]

コードは正常に機能しており、次の結果が得られます。

corpus2.wrds Freq
research    2

どうもありがとう！うまくいけば、誰かが助けてくれるでしょう。

4

1 に答える 1

1

バイグラムを作成していないため、バイグラムを見つけることができません。strsplit(strip(corpus2), " ")ユニグラムのみを作成する関数を使用します。

tmまた、独自の関数ではなく、パッケージから入手できる前処理関数を使用することをお勧めしますstrip()。

ユニグラムに対して次のようなことを試すことができます：

library(tm)

# create corpora
corp = VCorpus(VectorSource(corpus2)) 

# this should replace your strip() function
ctrl = list(tokenize = function(x) unlist(strsplit(as.character(x), "[[:space:]]+")),
        removePunctuation = TRUE,
        removeNubers = TRUE,
        tolower = TRUE)

tdm = TermDocumentMatrix(corp, control = ctrl)
inspect(tdm)
inspect(tdm[c("research"),])

または、ユニグラムとバイグラムの両方の同様のコード:

ctrl2 = list(tokenize = function(x) unlist(lapply(ngrams(words(x), 1:2), paste, collapse = " "), use.names = FALSE),
        removePunctuation = TRUE,
        removeNubers = TRUE,
        tolower = TRUE)

tdm_bigrams = TermDocumentMatrix(corp, control = ctrl2)
inspect(tdm_bigrams)
inspect(tdm_bigrams[c("research"),])
inspect(tdm_bigrams[c("research as"),])
于 2016-05-05T09:15:06.843 に答える