問題タブ [tm]

私は dtm を用語 - 用語マトリックスに変換することを考えています。以下は正しくありません:

どのようにすればよいでしょうか？

Rでステミングをしようとしていますが、個々のドキュメントでしか機能しないようです。私の最終的な目標は、ドキュメント内の各用語の頻度を示す用語ドキュメント マトリックスです。

次に例を示します。

この方法は、ステミング部分では機能しますが、用語ドキュメント マトリックス部分では機能しません。

代わりに、最初に用語ドキュメント マトリックスを作成しようとしましたが、今回は単語が語幹処理されません。

ここでは、単語は明らかにステミングされていません。

助言がありますか？

R で tm パッケージを使用して、テキスト分析を実行しようとしています。次のエラーを受け取りました。

ディレクトリを手動で変更しました

このエラーを理解できません。どこで間違いを犯しているのか教えてください。

csv ファイルの内容をデータフレームソースに読み込みたいのですが、コーパスを作成しようとすると、常に次のように表示されます

コードは

dsはデータフレームソースmであり、コンテンツ、トピックなどをデータフレームのフィールドに割り当てるリストです。

30k レコード (会社名およびその他の属性) の data.frame があります。dba_nm最長要素が 60 文字未満の会社名フィールドです。

R セッションのメモリ使用量が 100MB から 3GB に増加し、次のコードを試すとハングします?tm::VectorSource。

したがって、私の問題は、多くのフォーラム投稿を個別のtxtファイルに抽出して、現在ハードドライブにあることです。各ファイルには抽出したい情報が含まれており、そのうちのいくつかは既に抽出方法を把握しています。抽出する必要がある情報は次の形式です。

同じ「html ブロッ​​ク」内

1: このスレッドの (x) 件のメッセージ
2: メッセージは (いくつかの html コード) A HREF="link" (いくつかの html コード =

タスク 1 では、単に x を抽出する
必要があります。タスク 2 では、メッセージの返信先のリンクを抽出する必要があります。

さまざまな tm および XML パッケージを調べましたが、実際に何を使用するかを見つけることができませんでした。アドバイスをいただければ幸いです。

これは、txtファイルの1つがどのように見えるかです

R 2.15.1 で tm および wordcloud パッケージを使用しています。DTM からワード クラウドを作成しようとしています。コードは次のとおりです。

最後のコマンドから次のエラーが発生します。

別の DTM で同じコードを使用したところ、問題なく動作し、ワード クラウドが表示されました。誰かがエラーの修正を教えてもらえますか?

ラヴィ

R で CRAN の TM パッケージを使用しています。コーパスに基づいて DocumentTermMatrix を作成する際に問題があります。問題は、UTF-8 コーパスに基づいて TermDocumentMatrix を作成すると、一部の単語が Unicode シンボルに変わることです。

戻り値：

コーパスを手動で検査すると、正しい出力が表示されます。

戻り値：

正しい条件で TermDocumentMatrix を取得する方法を知っている人はいますか? または、これらのユニコード記号を「読み取り可能な」出力に再度変換する方法はありますか?

注: print(Terms(tdm)) には print(corpus[[1]]) の単語は含まれません

次の2つのDTMがあります。

これを実装すると、2つの等しいDTMが表示され、を開くとdtmImproved、3つの記号が付いた単語が表示されます。minWordLengthパラメータが機能しないのはなぜですか？ありがとうございました！

関数strptime()を使用して、文字列からstruct tm. しかし、フィールドを確認すると、入力されていないフィールドがいくつかあります。だから私はマニュアルページをチェックしましたが、正しいことをしているように見えるので、何がうまくいかないのか途方に暮れています.

サンプル入力文字列:

strptime 関数:

%a は曜日、%d は日、%b は月、%Y は年、%T は HH:MM:SS および % であると理解しています。 Z は GMT です。

の出力tm struct

出力を生成するコード:

正しい方向へのプッシュは非常に役立ちます。ありがとう！