R对term进行kmeans聚类完整实例（tm包）

##连接数据库，将数据库中的文件读取出来 #加载包

library(RMySQL) #建立连接

conn <- dbConnect(dbDriver("MySQL"), dbname = "eswp", user="root", password="root") #读取 表2008yearnew

text = dbReadTable(conn, "2008yearnew")[100:102,2:2]#只读取mesh词的那一列，通过前面的第一个下标修改读取的行数，读取20行



#加载tm包

library(tm) #建立语料库

corpus=Corpus(VectorSource(text)) #从语料库建立词-文档矩阵，用tf-idf来表示，stopwords = stopwords("mesh")#表示使用mesh停用词表，停用词表放在tm包中的stopwords文件夹中，目前停用词表中只有aged一词

tdm = TermDocumentMatrix(corpus,control = list(stopwords=stopwords("mesh"), weighting = weightTfIdf)) ##词太多，需要在这里进行筛选，初步根据tf-idf值进行筛选





#进行kmeans聚类，可以使用的距离算法有"Hartigan-Wong", "Lloyd", "Forgy","MacQueen"四种

km <- kmeans(tdm, 2, iter.max = 10, nstart = 1, algorithm = "Hartigan-Wong") #查看聚类结果

km$size#查看聚类结果统计信息，每一类的个数

km[km$cluster==3]#查看第三类结果



#画图——如果类数目较多，则会重合看不清楚，使用下列方法画出大像素图形

png("test.png",width=3000,height=3000) #将输出设备改为png，像素尽可能的大，但是如果改的过大容易出现问题。 #画出空白图形，待在上面添加文本标签，下列方法在http://statmath.wu.ac.at/courses/multverf2/tutorien/kmeans.pdf看到的，好像是主成分分析，暂时不明白其意义

tdm.pca =  prcomp(tdm, scale = TRUE) plot(predict(tdm.pca)[, 1:2], type = "n") #画出聚类后的图形，并加上文本标签

text(predict(tdm.pca)[, 1:2], rownames(tdm), col = km$cluster) #cex为标签的大小,同时，可以使用cex.axis属性来改变坐标系上数字的大小，使用cex.lab改变下面矩阵名字的大小 #使用cex.main改变上方标题的大小，使用cex.sub改变下方聚类方法名称的大小，lwd是图形中线的宽度，此时图形将会在工作目录中看到 #plot(hc,cex=2,cex.axis=3,cex.lab=3,cex.main=3,cex.sub=3,lwd=1.5)

dev.off()