R tm package vcorpus：将语料库转换为数据帧时出错

Question

我使用tm包使用以下代码清理一些数据：

mycorpus <- Corpus(VectorSource(x))
mycorpus <- tm_map(mycorpus, removePunctuation)

然后我想将语料库转换回数据框，以便导出包含数据帧原始格式的数据的文本文件。我尝试过以下方法：

dataframe <- as.data.frame(mycorpus)

但这会返回错误：

  

＆＃34; as.data.frame.default中出错。（mycorpus）：无法强制上课＆＃34; c（vcorpus，＆gt; corpus＆＃34;）＆＃34;到data.frame

如何将语料库转换为数据框？

Answer 1

你的语料库实际上只是一个带有一些额外属性的字符向量。因此最好将其转换为字符，然后您可以将其保存到data.frame，如下所示：

library(tm)
x <- c("Hello. Sir!","Tacos? On Tuesday?!?")
mycorpus <- Corpus(VectorSource(x))
mycorpus <- tm_map(mycorpus, removePunctuation)

dataframe <- data.frame(text=unlist(sapply(mycorpus, `[`, "content")), 
    stringsAsFactors=F)

返回

              text
1        Hello Sir
2 Tacos On Tuesday

更新：对于较新版本的tm，他们似乎更新了使用as.list.SimpleCorpus和sapply的{​​{1}}方法。现在我想你必须使用

lapply

Answer 2

被提出异议的语料库有一个content属性可通过get访问：

library("tm")

x <- c("Hello. Sir!","Tacos? On Tuesday?!?")
mycorpus <- Corpus(VectorSource(x))
mycorpus <- tm_map(mycorpus, removePunctuation)

attributes(mycorpus)
# $names
# [1] "content" "meta"    "dmeta"  
# 
# $class
# [1] "SimpleCorpus" "Corpus"      
# 

df <- data.frame(text = get("content", mycorpus))

head(df)
#               text
# 1        Hello Sir
# 2 Tacos On Tuesday

Answer 3

您可以转换为data.frame，对最常用的单词进行排序并在wordcloud中绘图！

library(tm)
library("wordcloud")
library("RColorBrewer")

x <- c("Hello. Sir!","Tacos? On Tuesday?!?", "Hello")
mycorpus <- Corpus(VectorSource(x))
mycorpus <- tm_map(mycorpus, removePunctuation)

dtm <- TermDocumentMatrix(mycorpus)
m <- as.matrix(dtm)
v <- sort(rowSums(m),decreasing=TRUE)
d <- data.frame(word = names(v),freq=v)
head(d, 10)

#           word freq
#hello     hello    2
#sir         sir    1
#tacos     tacos    1
#tuesday tuesday    1

#plot in a wordcloud
set.seed(1234)
wordcloud(words = d$word, freq = d$freq, min.freq = 1,
          max.words=200, random.order=FALSE, rot.per=0.35, 
          colors=brewer.pal(8, "Dark2"))

Answer 4

MrFlick发布的旧答案仅适用于之前版本的tm，我可以通过删除公式中的内容来修复它。

dataframe<-data.frame(text=unlist(sapply(mycorpus, `[`)), stringsAsFactors=F)

Answer 5

这是我在自己的文本分析工作中使用的另一种方法。基本上，在将文档术语矩阵转换为数据框时，您将其称为矩阵 - 之后您可以运行一个额外的行，使您的变量名称R-友好。

数据库＆lt; - as.data.frame（as.matrix（mycorpus））

colnames（database）＆lt; - make.names（colnames（database））

我不确定这种方法在输出方面与其他答案有何不同（或者是否有所不同），但我发现这种语法更直接，更简单。希望这有帮助！

Answer 6

现在有一个名为textreg的软件包，它对此具有很好的功能：

library(textreg)
df <- data.frame(text = convert.tm.to.character(mycorpus))