用R做中文文本分析--用R进行文本挖掘与分析：分词、画词云

#调入分词的库

library("rJava")

library("Rwordseg")

#调入绘制词云的库

library("RColorBrewer")

library("wordcloud")

   

   

#读入数据(特别注意，read.csv竟然可以读取txt的文本)

myfile<-read.csv(file.choose(),header=FALSE)

   

#预处理，这步可以将读入的文本转换为可以分词的字符，没有这步不能分词

myfile.res<- myfile[myfile!=" "]

   

   

#装载分词词典（如果需要的话，我这里没有装载，下面有说明）

   

   

#分词，并将分词结果转换为向量

myfile.words<- unlist(lapply(X= myfile.res,FUN= segmentCN))

   

#剔除URL等各种不需要的字符，还需要删除什么特殊的字符可以依样画葫芦在下面增加gsub的语句

myfile.words<- gsub(pattern="http:[a-zA-Z\\/\\.0-9]+","",myfile.words)

myfile.words<- gsub("\n","",myfile.words)

myfile.words<- gsub("　","",myfile.words)

   

#去掉停用词

data_stw=read.table(file=file.choose(),colClasses="character")

stopwords_CN=c(NULL)

for(iin 1:dim(data_stw)[1]){

stopwords_CN=c(stopwords_CN,data_stw[i,1])

}

for(jin 1:length(stopwords_CN)){

myfile.words<- subset(myfile.words,myfile.words!=stopwords_CN[j])

}

#过滤掉1个字的词

myfile.words<- subset(myfile.words,nchar(as.character(myfile.words))>1)

   

#统计词频

myfile.freq<- table(unlist(myfile.words))

myfile.freq<- rev(sort(myfile.freq))

myfile.freq<- data.frame(word=names(myfile.freq), freq=myfile.freq);

   

#按词频过滤词，过滤掉只出现过一次的词，这里可以根据需要调整过滤的词频数

myfile.freq2=subset(myfile.freq, myfile.freq$freq>=2)

   

   

   

#绘制词云

#设置一个颜色系：

mycolors<- brewer.pal(8,"Dark2")

#设置字体

windowsFonts(myFont=windowsFont("华文彩云"))

#画图

wordcloud(myfile.freq2$word,myfile.freq2$freq,random.order=FALSE,

random.color=FALSE,colors=mycolors,family="myFont")

建议：把人名、地名及其它“专有名词”单独列出。比如我第一次上手做的《陈皮X的故事》（很有名哦），最中间的就是“陈皮”