创建短语的“单词”云，而不是R中的单个单词

Question

我试图从一个短语列表中创建一个词云，其中许多是重复的，而不是单个词。 我的数据看起来像这样，我的数据框的一列是短语列表。

df$names <- c("John", "John", "Joseph A", "Mary A", "Mary A", "Paul H C", "Paul H C")

我想制作一个词云，其中所有这些名称都被视为显示频率的单个短语，而不是构成它们的单词。 我一直在使用的代码如下：

df.corpus <- Corpus(DataframeSource(data.frame(df$names)))
df.corpus <- tm_map(client.corpus, function(x) removeWords(x, stopwords("english")))
#turning that corpus into a tDM
tdm <- TermDocumentMatrix(df.corpus)
m <- as.matrix(tdm)
v <- sort(rowSums(m),decreasing=TRUE)
d <- data.frame(word = names(v),freq=v)
pal <- brewer.pal(9, "BuGn")
pal <- pal[-(1:2)]
#making a worcloud
png("wordcloud.png", width=1280,height=800)
wordcloud(d$word,d$freq, scale=c(8,.3),min.freq=2,max.words=100, random.order=T, rot.per=.15, colors="black", vfont=c("sans serif","plain"))
dev.off()

这会创建一个单词云，但它是每个组成单词，而不是短语。 所以，我看到“A”的相对频率。 “H”，“John”等而不是“Joseph A”，“Mary A”等的相对频率，这就是我想要的。

我确信修复并不复杂，但我无法理解！ 我将不胜感激任何帮助。

Answer 1

您的困难在于， df$names每个元素都被tm的函数视为“文档”。 例如，文档John A包含John和A这两个词。 听起来你想保持原样名称，并且只计算它们的出现次数 - 你可以只使用table 。

library(wordcloud)
df<-data.frame(theNames=c("John", "John", "Joseph A", "Mary A", "Mary A", "Paul H C", "Paul H C"))
tb<-table(df$theNames)
wordcloud(names(tb),as.numeric(tb), scale=c(8,.3),min.freq=1,max.words=100, random.order=T, rot.per=.15, colors="black", vfont=c("sans serif","plain"))

Answer 2

安装RWeka及其依赖项，然后尝试：

library(RWeka)
BigramTokenizer <- function(x) NGramTokenizer(x, Weka_control(min = 2, max = 2))
# ... other tokenizers
tok <- BigramTokenizer
tdmgram <- TermDocumentMatrix(df.corpus, control = list(tokenize = tok))
#... create wordcloud

上面的tokenizer-line将你的文本切成长度为2的短语。
更具体地说，它创建了minlength 2和maxlength 2的短语。
使用Weka的通用NGramTokenizer算法，您可以创建不同的标记器（例如minlength 1，maxlength 2），您可能希望尝试不同的长度。 您也可以将它们称为tok1，tok2，而不是我上面使用过的详细“BigramTokenizer”。