在R中使用tm包装的计数器 [英] Counter ngram with tm package in R
本文介绍了在R中使用tm包装的计数器的处理方法,对大家解决问题具有一定的参考价值,需要的朋友们下面随着小编来一起学习吧!
问题描述
我在文档中使用对象创建了一个脚本,并在R中使用了一个字典documentTermMatrix。该脚本适用于单个单词,而不是复合词
es。 foobarfoo bar
I created a script for the frequency of words in a document using the object and a dictionary documentTermMatrix in R. The script works on individual words and not on the compound word es. "foo" "bar" "foo bar"
这是代码
require(tm)
my.docs <- c("foo bar word1 word2")
myCorpus <- Corpus(VectorSource(my.docs))
inspect(DocumentTermMatrix(myCorpus,list(dictionary = c("foo","bar","foo bar"))))
但结果是
Terms
Docs bar foo foo bar
1 1 1 0
我必须找到一个foo bar= 1
I would have to find one "foo bar" = 1
我如何解决这个问题?
推荐答案
code> DocummentTermMatrix(...)是默认的分词符号化。你需要至少两个字母。
The problem is that DocummentTermMatrix(...)
is tokenizing at word breaks be default. You need at least bigrams.
信用到这篇文章的基本方法。
library(tm)
library(RWeka)
my.docs <- c("foo bar word1 word2")
myCorpus <- Corpus(VectorSource(my.docs))
myDict <- c("foo","bar","foo bar")
BigramTokenizer <- function(x) NGramTokenizer(x, Weka_control(min = 1, max = 2))
inspect(DocumentTermMatrix(myCorpus, control=list(tokenize=BigramTokenizer,
dictionary=myDict)))
# <<DocumentTermMatrix (documents: 1, terms: 3)>>
# ...
# Terms
# Docs bar foo foo bar
# 1 1 1 1
这篇关于在R中使用tm包装的计数器的文章就介绍到这了,希望我们推荐的答案对大家有所帮助,也希望大家多多支持IT屋!
查看全文