R: wordcloud包从语料中省略三个字符以下的单词

Question

使用 wordcloud 包创建 wordcloud 时，该包似乎默认省略三个字符以下的单词（例如“tv”）。 我认为这是一个功能而不是一个错误，但我仍然找不到调整最小字符数的参数。

wordcloud 是针对使用 tm 包中的Corpus()和tm_map()函数创建和预处理的语料库运行的。 我已经确认有问题的单词在例如删除停用词时没有丢失 - 它们仍在运行wordcloud()函数的最终语料库中。

可重现的例子[编辑]

真实数据显然看起来不同。 但是，下面的行复制了错误。

customPalette <- brewer.pal(4, "Dark2")

wordVector <- c(rep("tv", 15), rep("computer", 4), rep("phone", 16), rep("tablet",10))
newCorpus <- Corpus(VectorSource(wordVector))

wordcloud(newCorpus, max.words = 100, scale=c(8,1), random.order = FALSE, random.color = TRUE, colors = customPalette)

这将创建输出：

会话信息：

R version 3.3.2 (2016-10-31)
Platform: x86_64-redhat-linux-gnu (64-bit)
Running under: Amazon Linux AMI 2016.09

locale:
 [1] LC_CTYPE=en_US.UTF-8       LC_NUMERIC=C               LC_TIME=en_US.UTF-8        LC_COLLATE=en_US.UTF-8     LC_MONETARY=en_US.UTF-8   
 [6] LC_MESSAGES=en_US.UTF-8    LC_PAPER=en_US.UTF-8       LC_NAME=C                  LC_ADDRESS=C               LC_TELEPHONE=C            
[11] LC_MEASUREMENT=en_US.UTF-8 LC_IDENTIFICATION=C       

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
 [1] bindrcpp_0.2             zoo_1.8-0                wordcloud_2.5            RColorBrewer_1.1-2       SnowballC_0.5.1          tm_0.7-1                
 [7] NLP_0.1-10               reshape2_1.4.2           lubridate_1.6.0          scales_0.4.1             ggplot2_2.2.1            aws.s3_0.3.3            
[13] githubinstall_0.2.1.9001 aws.signature_0.3.2      RJDBC_0.2-5              rJava_0.9-8              DBI_0.7                  RCurl_1.95-4.8          
[19] bitops_1.0-6             jsonlite_1.5             dplyr_0.7.0              sparklyr_0.5.6           drat_0.1.2               devtools_1.13.2         

loaded via a namespace (and not attached):
 [1] slam_0.1-40       lattice_0.20-34   colorspace_1.3-2  htmltools_0.3.6   yaml_2.1.14       base64enc_0.1-3   rlang_0.1.1       glue_1.1.1       
 [9] withr_1.0.2       dbplyr_1.0.0      bindr_0.1         plyr_1.8.4        stringr_1.2.0     munsell_0.4.3     gtable_0.2.0      memoise_1.1.0    
[17] labeling_0.3      httpuv_1.3.3      parallel_3.3.2    curl_2.6          Rcpp_0.12.11      xtable_1.8-2      backports_1.1.0   config_0.2       
[25] mime_0.5          digest_0.6.12     stringi_1.1.5     shiny_1.0.3       rprojroot_1.2     grid_3.3.2        tools_3.3.2       magrittr_1.5     
[33] lazyeval_0.2.0    tibble_1.3.3      pkgconfig_2.0.1   data.table_1.10.4 xml2_1.1.1        assertthat_0.2.0  httr_1.2.1        rstudioapi_0.6   
[41] R6_2.2.2          git2r_0.18.0

Answer 1

无论是使用向量wordVector还是使用语料库版本， wordVector出现问题。 这似乎是预期的行为 - 请参阅下面来自包维护者的评论。

以下替代方法有效，使用wordcloud的能力分别wordcloud单词及其频率的向量......

worddf <- as.data.frame(table(newCorpus$content))
wordcloud(words = worddf[,1], freq = worddf[,2], max.words = 100, scale=c(8,1), 
          random.order = FALSE, random.color = TRUE, colors = customPalette)

Answer 2

我观察到的是，如果您的输入文本中有任何单词的频率大于或等于 min freq 的默认值，即 3，则所有其他频率小于 3 的单词将被忽略。

但是，如果您的输入文本没有任何 freq >= 3 的单词，则所有单词都被考虑用于绘图。 因此，在这种情况下，请始终更新 min.freq 参数并将其设置为您想要的值。