R语言：实现文本分析实例（基础篇）

修正

关于提供链接无法访问，因此更新下文档。

关于数据加载部分，可自己收集数据，或从相关数据库导入数据也行。
可参考:R语言：R语言文件IO操作 
本文实现是在R-3.0.1版本下运行，其他版本未测试，理论上差距不大
另外，关于命令中，一些包的安装，通过在线安装失败，可通过下载相关包到本地进行安装。

相关包的下载地址如下：
Snowball下载 
rmmseg4j下载

下载后安装命令：

install.packages(choose.files())
install.packages("~/rmmseg4j_0.2-0.zip", repos=NULL)

转自：http://www.bassary.com/?p=1093

数据包url： 下载    (下载数据后，记得同程序中的名字一致，路径要统一。)

#1加载软件包：
#1.1数据欲处理包：
#Snowball（处理带空格的语句）
#rJava（rmmseg4j的支持包）
#rmmseg4j(处理中文的分词，把不带空格的分为带空格的。)
#1.2文本分析包：
#tm
 
#数据处理##
library (RODBC)
excel_file <- odbcConnectExcel("D:\\r\\lab\\tm\\data\\处理实例.xls")
sheet_data <- sqlFetch(excel_file,"data")
close (excel_file)
 
library (Snowball)
library (rJava)
library (rmmseg4j)
library (tm)
tmp <-  as.character(sheet_data[[3]])
pinglun<-tmp[which(tmp!="")]#删除无效数据
 
#中文特色，空格分词
#a<-mmseg4j(pinglun[1]);a      #分词,添加空格
#b<-unlist(strsplit(a," "));b  #使用空格把字符串分为list
pinglun<-mmseg4j(pinglun)#空格视为一个单词，所以中文很吃亏，需要先分词。否则可能会把一句话视为一个单词（DocumentTermMatrix出现错误结果）
 
#建立语义库
ovid <- Corpus(VectorSource(pinglun))#由于pinglun是向量，所以要使用VectorSource
#ovid <- Corpus(DataframeSource(as.data.frame(pinglun)))#由于pinglun是向量，所以要转化为data.frame后再使用DataframeSource
#还可以读取目录DirSource参数，读取目录中的不同txt文件（实际后文writeCorpus(ovid)也会产生n个txt）
#完成后，会创建length(pinglun)个 text documents。
 
#查看建立的语义库
#inspect(ovid)
#保存ovid，在工作目录中写入length(pinglun)个txt文本，每个文本包含一个document
#writeCorpus(ovid)
 
#使用语义库做后续处理
#去掉多余空白
ovid <- tm_map(ovid, stripWhitespace)
#去掉停止词,未成功？？？
#ovid<- tm_map(ovid, removeWords,)
 
#创建词条 -文档关系矩阵
dtm <- DocumentTermMatrix(ovid)
inspect(dtm[1:5,100:105])
 
#对矩阵进行处理
#找到在“5个以上的不同文档”中出现的词条：findFreqTerms(x, lowfreq = 0, highfreq = Inf)。
findFreqTerms(dtm, 5)
#找到同vancl这个词条的相关系数在0.2以上的其他词条
findAssocs(dtm, "vancl", 0.2)#如果欲比较的词条不在总dtm中，则返回错误，如果相关系数设置过高，则返回1
#展示：
#   vancl   优惠券   浏览器   google 加减乘除   谁也不   chrome     vjia 
#    1.00     0.38     0.33     0.29     0.29     0.29     0.20     0.20 
#删除稀疏词条（removed which have at least a sparse percentage of empty ）
dtm_099<-removeSparseTerms(dtm, 0.99)
#返回新词条（原有词条dtm不变），其中删除了“出现词条的文档数目占总文档数目”小于1%(1-0.99=0.01=1%)的（稀疏）词条。
#验证：length(which(inspect(removeSparseTerms(dtm, 0.99)[,i])==1))/4275一定大于0.01,其中i=1--
 
#使用字典提取dtm
d <- Dictionary(c("不满意", "不值得", "不知道"))
dtm_d<-DocumentTermMatrix(ovid, list(dictionary = d))#dtm_d中只提取了字典(d)中包含的词条。