我的 tm r 库有一个(小)问题。 假设我有一个语料库:
# boilerplate
bcorp <- c("one","two","three","four","five")
myCorpus <- Corpus(VectorSource(bcorp), list(lanuage = "en_US"))
tdm <- TermDocumentMatrix(myCorpus)
Docs(tdm)
结果:
[1] "1" "2" "3" "4" "5"
这行得通。但是当我尝试使用转换时 tm_map():
# this does not work
myCorpus <- Corpus(VectorSource(bcorp), list(lanuage = "en_US"))
myCorpus <- tm_map(myCorpus, tolower)
tdm <- TermDocumentMatrix(myCorpus)
给予
Error: inherits(doc, "TextDocument") is not TRUE
在这种情况下提出的解决方案是转换为PlainTextDocument。
# this works but erase the metadata
myCorpus <- Corpus(VectorSource(bcorp), list(lanuage = "en_US"))
myCorpus <- tm_map(myCorpus, tolower)
myCorpus <- tm_map(myCorpus, PlainTextDocument)
tdm <- TermDocumentMatrix(myCorpus)
Docs(tdm)
结果:
[1] "character(0)" "character(0)" "character(0)" "character(0)" "character(0)"
现在它可以工作了,但会删除所有元数据(在本例中是文档名称)。有没有办法维护元数据,或者保存然后恢复它们?
最佳答案
我找到了。
行:
myCorpus <- tm_map(myCorpus, PlainTextDocument)
解决了问题,但删除了元数据。
我找到了 this answer这解释了使用 tm_map() 的更好方法。我只需要替换:
myCorpus <- tm_map(myCorpus, tolower)
与:
myCorpus <- tm_map(myCorpus, content_transformer(tolower))
一切正常!
关于r - 应用 tm_map 时 tm 丢失元数据,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/25638503/