Question

我在R中的TermDocumentMatrix库中创建了一个tm。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;实际上我正在使用214个术语。在小范围内，这很好。如果我想将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我整体数据的一个子集。我的整体数据可能至少有10,000个术语。当我尝试从整体数据创建TDM时，我运行错误：

> Error cannot allocate vector of size n Kb

所以从这里开始，我正在研究为我的tdm寻找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。

此时我的替代方案是什么？我觉得我应该调查其中一个：

bigmemory / ff包中提到了here（虽然bigmemory包目前似乎不适用于Windows）
用于计算我的tdm的部分SVD的irlba包[{3}}

我已经尝试了两个图书馆的功能，但似乎无法获得任何实质性的东西。有谁知道最好的前进方向是什么？我花了这么长时间来解决这个问题，我想我会问那些在使用大型数据集之前有更多经验的人，然后再浪费更多的时间去错误的方向。

编辑：将10,00改为10,000。谢谢@nograpes。

Answer 1

包qdap似乎能够处理这么大的问题。第一部分是重新创建一个匹配OP问题的数据集，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。您必须先将语料库转换为数据框（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)

从TermDocumentMatrix创建稀疏矩阵

1 个答案: