R文本挖掘問題

Question

我對編程完全陌生，現在在開始學習R的地方做我的ResMA。

我現在必須做一些非常非常簡單的事情，但有時似乎會失敗。 我只需要在一個txt文件中計算字素（字母），別無其他。 我首先使用TM創建語料庫，正在清理它以及所有內容，但是當我嘗試對每個字素進行頻率分析時，實際上並沒有清除標點符號和奇怪符號等文本。

我正在使用的代碼是這樣的：

library("tm")
library("SnowballC")
library("wordcloud")
library("RColorBrewer")
filePath <- choose.files()
text <- readLines(filePath)
docs <- Corpus(VectorSource(text))
toSpace <- content_transformer(function (x , pattern ) gsub(pattern, " ", x))
docs <- tm_map(docs, toSpace, "/")
docs <- tm_map(docs, toSpace, "@")
docs <- tm_map(docs, toSpace, "\\|")
docs <- tm_map(docs, content_transformer(tolower))
docs <- tm_map(docs, removeNumbers)
docs <- tm_map(docs, removePunctuation)
docs <- tm_map(docs, stripWhitespace)
docs <- tm_map(docs, stemDocument)
print (docs)

x=strsplit(text, "")

newlist = unlist(x,recursive=F)
freqtab = table(newlist)

print (freqtab)

好的，很明顯，這里的文檔與下面的x完全不同，但是當我嘗試做相反的事情時，它仍然無法正常工作。

我只需要這樣做：我要去學校！--->我要去學校----> i- 2 a- 1 m- 1 ....

我不知道我的問題來自哪里，我將感謝您的幫助！

Answer 1

問題在於您沒有使用所有操作來修改text 。 您正在處理docs 。

以帖子中的簡單示例作為text來運行代碼，

text <- "I am going to school!"
docs <- Corpus(VectorSource(text))
toSpace <- content_transformer(function (x , pattern ) gsub(pattern, " ", x))
docs <- tm_map(docs, toSpace, "/")
docs <- tm_map(docs, toSpace, "@")
docs <- tm_map(docs, toSpace, "\\|")
docs <- tm_map(docs, content_transformer(tolower))
docs <- tm_map(docs, removeNumbers)
docs <- tm_map(docs, removePunctuation)
docs <- tm_map(docs, stripWhitespace)
docs <- tm_map(docs, stemDocument)

然后打印docs的內容，所有修改都適用

print(unlist(docs)[1])
    content.content 
"i am go to school" 

盡管請注意，由於詞干的原因，“ going”被轉換為“ go”。

然后，您可以像原始代碼中那樣計算字符，

x=strsplit(as.character(unlist(docs)[1]), "")
freqtab = table(x[[1]])
print(freqtab)

  a c g h i l m o s t 
4 1 1 1 1 1 1 1 4 1 1

希望能幫助到你。