我已经从 R 中的 tm
库创建了一个 TermDocumentMatrix
。它看起来像这样:
> inspect(freq.terms)
A document-term matrix (19 documents, 214 terms)
Non-/sparse entries: 256/3810
Sparsity : 94%
Maximal term length: 19
Weighting : term frequency (tf)
Terms
Docs abundant acid active adhesion aeropyrum alternative
1 0 0 1 0 0 0
2 0 0 0 0 0 0
3 0 0 0 1 0 0
4 0 0 0 0 0 0
5 0 0 0 0 0 0
6 0 1 0 0 0 0
7 0 0 0 0 0 0
8 0 0 0 0 0 0
9 0 0 0 0 0 0
10 0 0 0 0 1 0
11 0 0 1 0 0 0
12 0 0 0 0 0 0
13 0 0 0 0 0 0
14 0 0 0 0 0 0
15 1 0 0 0 0 0
16 0 0 0 0 0 0
17 0 0 0 0 0 0
18 0 0 0 0 0 0
19 0 0 0 0 0 1
这只是矩阵的一小部分样本;我实际上正在处理 214 个术语。在小范围内,这很好。如果我想将我的 TermDocumentMatrix
转换为普通矩阵,我会这样做:
data.matrix <- as.matrix(freq.terms)
但是,我上面显示的数据只是总体数据的一个子集。我的总体数据可能至少有 10,000 个术语。当我尝试从总体数据创建 TDM 时,出现错误:
> Error cannot allocate vector of size n Kb
因此,从这里开始,我正在研究为我的 tdm 找到有效内存分配的替代方法。
我尝试将我的 tdm 转换为 Matrix 库中的稀疏矩阵,但遇到了同样的问题。
此时我有什么选择?我觉得我应该调查以下之一:
我已经尝试了两个库中的函数,但似乎没有得到任何实质性的结果。有谁知道前进的最佳方法是什么?我花了很长时间摆弄这个问题,所以我想在我浪费更多时间走向错误的方向之前,我应该问问那些比我更有处理大型数据集经验的人。
编辑:将 10,00 更改为 10,000。谢谢@nograpes。
最佳答案
qdap 包似乎能够处理这么大的问题。第一部分是重新创建与 OP 问题匹配的数据集,然后是解决方案。截至qdap version 1.1.0与 tm 包兼容:
library(qdapDictionaries)
FUN <- function() {
paste(sample(DICTIONARY[, 1], sample(seq(100, 10000, by=1000), 1, TRUE)), collapse=" ")
}
library(qdap)
mycorpus <- tm::Corpus(tm::VectorSource(lapply(paste0("doc", 1:15), function(i) FUN())))
这给出了类似的语料库...
现在是 qdap 方法。您必须首先将语料库转换为数据帧 (tm_corpus2df
),然后使用 tdm
函数创建 TermDocumentMatrix。
out <- with(tm_corpus2df(mycorpus), tdm(text, docs))
tm::inspect(out)
## A term-document matrix (19914 terms, 15 documents)
##
## Non-/sparse entries: 80235/218475
## Sparsity : 73%
## Maximal term length: 19
## Weighting : term frequency (tf)
关于r - 从 TermDocumentMatrix 创建稀疏矩阵,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/21688031/