本站分享:AI、大数据、数据分析师培训认证考试,包括:Python培训Excel培训Matlab培训SPSS培训SAS培训R语言培训Hadoop培训Amos培训Stata培训Eviews培训

用R进行文本挖掘与分析:分词、画词云

r语言 cdadata 3827℃

用R进行文本挖掘与分析:分词、画词云

关键词:文本挖掘 分词、r语言数据挖掘、数据分析师、数据分析

要分析文本内容,最常见的分析方法是提取文本中的词语,并统计频率。频率能反映词语在文本中的重要性,一般越重要的词语,在文本中出现的次数就会越多。词语提取后,还可以做成词云,让词语的频率属性可视化,更加直观清晰。比如下图:

用R进行文本挖掘与分析:分词、画词云

这是根据总理2014年的政府工作报告制作的可视化词云,分词和词云的制作都是用R,词频的统计用了其他软件。这个图能很直观看到,工作报告的重心是”发展”,这是大方向,围绕发展的关键要素有经济建设、改革、农村、城镇等要素。不过这张图中的词语还需要进行优化,因为有些术语或词组可能被拆分成了更小的词语,没有展示出来,为了演示,我就没再花更多时间去优化词库,主要是讲讲分析的方法。

下面是分析方法:

首先,要获得要分析的内容,做成txt文本文件。这个很简单,把要分析的内容粘贴到记事本,保存为txt文件就可以了。

其次,用R进行分词。这里要分几点来讲:

  • 要用R进行分词,需要安装并装载两个library,一个是Rwordseg,另一个是rJava。rJava的作用是提供java的库,供Rwordseg调用。安装后,调用语句如下:

library(rJava)

library(Rwordseg)

  • 说说Rwordseg,这是一个R环境下的中文分词工具,引用了Ansj包,Ansj是一个开源的java中文分词工具,基于中科院的ictclas中文分词算法,采用隐马尔科夫模型(HMM)。Rwordseg牛逼的地方三点,一是分词准确,二是分词速度超快,三是可以导入自定义词库,有意思的是还可以导入搜狗输入法的细胞词库(sqel格式),想想细胞词库有多庞大吧,这个真是太厉害了。
  • 分词的语法。很简单,一个函数就搞定了,看下面:

segmentCN(“待分析文件的完整路径”,returnType=”tm”)

注意:R中的路径用”\\”分割文件夹。参数returnType表示返回的分词格式是按空格间隔的格式。执行完成后,会自动在相同目录生成一个”待分析文件名. .segment.txt”的文本文件,打开可以看到是酱紫:

用R进行文本挖掘与分析:分词、画词云

然后,要统计词频。到了这里,每个单词出现的频率是多少,需要统计出来。这个词频统计,我在R中找了一阵,没有找到合适的工具来统计,有人说lm可以统计,试了试不行。于是乎用了其他的软件。这方面的软件不少,大家可以找找,总之,统计出来是酱紫的:

用R进行文本挖掘与分析:分词、画词云

最后,就是画成词云。R有工具可以画词云,当然互联网上有不少网站可以在线制作词云,做得也很漂亮,有兴趣可以去找找,我这里只谈R中的方法:

  • 安装并装载画词云的工具包wordcloud:

library(wordcloud)

  • 读取已经统计好词频的文件:

mydata<-read.table(“已统计好词频的文本文件的完整路径”,head=TRUE)

  • 设置一个颜色系:

mycolors <- brewer.pal(8,”Dark2″)

  • 画图:

wordcloud(mydata$词汇,mydata$词频,random.order=FALSE,random.color=FALSE,colors=mycolors,family=”myFont3″)

然后就可以看到最上面的那个图了。

 

 

补充说明:

1、安装rJava:需要先在电脑上下载安装JDK,即java devolop kit,然后再通过R从CRAN上选择安装rJava,否则,即使安装了rJava也用不了。前提是JDK必须先安装好;

2、安装Rwordseg,这个包不在CRAN上,所以不能在R中直接选择在线安装,需要用下面两种方式来安装,输入:

install.packages(“Rwordseg”, repos = “http://R-Forge.R-project.org”)

②(如果上面不能安装,则用下面的)

install.packages(“Rwordseg”, repos = “http://R-Forge.R-project.org”, type = “source”)

转载请注明:数据分析 » 用R进行文本挖掘与分析:分词、画词云

喜欢 (2)or分享 (0)