[英]R: wordcloud package omitting words below three characters from corpus
使用 wordcloud 包創建 wordcloud 時,該包似乎默認省略三個字符以下的單詞(例如“tv”)。 我認為這是一個功能而不是一個錯誤,但我仍然找不到調整最小字符數的參數。
wordcloud 是針對使用 tm 包中的Corpus()和tm_map()函數創建和預處理的語料庫運行的。 我已經確認有問題的單詞在例如刪除停用詞時沒有丟失 - 它們仍在運行wordcloud()函數的最終語料庫中。
可重現的例子[編輯]
真實數據顯然看起來不同。 但是,下面的行復制了錯誤。
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)
這將創建輸出:
會話信息:
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
無論是使用向量wordVector
還是使用語料庫版本, wordVector
出現問題。 這似乎是預期的行為 - 請參閱下面來自包維護者的評論。
以下替代方法有效,使用wordcloud
的能力分別wordcloud
單詞及其頻率的向量......
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)
我觀察到的是,如果您的輸入文本中有任何單詞的頻率大於或等於 min freq 的默認值,即 3,則所有其他頻率小於 3 的單詞將被忽略。
但是,如果您的輸入文本沒有任何 freq >= 3 的單詞,則所有單詞都被考慮用於繪圖。 因此,在這種情況下,請始終更新 min.freq 參數並將其設置為您想要的值。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.