我的文件有超过4M的行，我需要一种更有效的方法将数据转换为语料库和文档术语矩阵，以便我可以将其传递给贝叶斯分类器。
请考虑以下代码：
library(tm)
GetCorpus <-function(textVector)
{
doc.corpus <- Corpus(VectorSource(textVector))
doc.corpus <- tm_map(doc.corpus, tolower)
doc.corpus <- tm_map(doc.corpus, removeNumbers)
doc.corpus <- tm_map(doc.corpus, removePunctuation)
doc.corpus <- tm_map(doc.corpus, removeWords, stopwords("english"))
doc.corpus <- tm_map(doc.corpus, stemDocument, "english")
doc.corpus <- tm_map(doc.corpus, stripWhitespace)
doc.corpus <- tm_map(doc.corpus, PlainTextDocument)
return(doc.corpus)
}
data <- data.frame(
c("Let the big dogs hunt","No holds barred","My child is an honor student"), stringsAsFactors = F)
corp <- GetCorpus(data[,1])
inspect(corp)
dtm <- DocumentTermMatrix(corp)
inspect(dtm)
输出：
> inspect(corp)
<<VCorpus (documents: 3, metadata (corpus/indexed): 0/0)>>
[[1]]
<<PlainTextDocument (metadata: 7)>>
let big dogs hunt
[[2]]
<<PlainTextDocument (metadata: 7)>>
holds bar
[[3]]
<<PlainTextDocument (metadata: 7)>>
child honor stud
> inspect(dtm)
<<DocumentTermMatrix (documents: 3, terms: 9)>>
Non-/sparse entries: 9/18
Sparsity : 67%
Maximal term length: 5
Weighting : term frequency (tf)
Terms
Docs bar big child dogs holds honor hunt let stud
character(0) 0 1 0 1 0 0 1 1 0
character(0) 1 0 0 0 1 0 0 0 0
character(0) 0 0 1 0 0 1 0 0 1
我的问题是，我可以用什么来更快地创建语料库和DTM？如果我使用超过300k行，它似乎非常慢。
我听说我可以使用data.table，但我不确定如何。
我还查看了qdap软件包，但在尝试加载软件包时出现错误，而且我甚至不知道它是否可行。
答案 0 :(得分：16)
data.table 肯定是正确的方法。正则表达式操作很慢，尽管stringi中的那些操作要快得多（除了要好得多）。任何
我为 quanteda 包创建quanteda::dfm()时经历了多次解决问题的迭代（请参阅GitHub repo here）。到目前为止，最快的解决方案是使用data.table和Matrix包来索引文档和标记化的特征，计算文档中的特征，并将结果直接插入稀疏矩阵。
在下面的代码中，我已经了解了使用quanteda软件包找到的示例文本，您可以（并且应该！）从CRAN或开发版本安装
devtools::install_github("kbenoit/quanteda")
我非常有兴趣了解它如何在您的4米文件上运行。根据我使用这种大小的语料库的经验，它会很好地工作（如果你有足够的内存）。
请注意，在我的所有分析中，由于它们用C ++编写的方式，我无法通过任何类型的并行化来提高data.table操作的速度。
dfm()函数的核心以下是基于data.table的源代码的基本内容，以防任何人想要改进它。它输入一个表示标记化文本的字符向量列表。在quanteda包中，功能齐全的dfm()直接在文档或语料库对象的字符向量上工作，默认情况下实现小写，删除数字和删除间距（但如果希望，这些都可以修改） ）。
require(data.table)
require(Matrix)
dfm_quanteda <- function(x) {
docIndex <- 1:length(x)
if (is.null(names(x)))
names(docIndex) <- factor(paste("text", 1:length(x), sep="")) else
names(docIndex) <- names(x)
alltokens <- data.table(docIndex = rep(docIndex, sapply(x, length)),
features = unlist(x, use.names = FALSE))
alltokens <- alltokens[features != ""] # if there are any "blank" features
alltokens[, "n":=1L]
alltokens <- alltokens[, by=list(docIndex,features), sum(n)]
uniqueFeatures <- unique(alltokens$features)
uniqueFeatures <- sort(uniqueFeatures)
featureTable <- data.table(featureIndex = 1:length(uniqueFeatures),
features = uniqueFeatures)
setkey(alltokens, features)
setkey(featureTable, features)
alltokens <- alltokens[featureTable, allow.cartesian = TRUE]
alltokens[is.na(docIndex), c("docIndex", "V1") := list(1, 0)]
sparseMatrix(i = alltokens$docIndex,
j = alltokens$featureIndex,
x = alltokens$V1,
dimnames=list(docs=names(docIndex), features=uniqueFeatures))
}
require(quanteda)
str(inaugTexts)
## Named chr [1:57] "Fellow-Citizens of the Senate and of the House of Representatives:\n\nAmong the vicissitudes incident to life no event could ha"| __truncated__ ...
## - attr(*, "names")= chr [1:57] "1789-Washington" "1793-Washington" "1797-Adams" "1801-Jefferson" ...
tokenizedTexts <- tokenize(toLower(inaugTexts), removePunct = TRUE, removeNumbers = TRUE)
system.time(dfm_quanteda(tokenizedTexts))
## user system elapsed
## 0.060 0.005 0.064
这当然只是一个片段，但在GitHub仓库（dfm-main.R）上很容易找到完整的源代码。
为简单起见，这是怎么回事？
require(quanteda)
mytext <- c("Let the big dogs hunt",
"No holds barred",
"My child is an honor student")
dfm(mytext, ignoredFeatures = stopwords("english"), stem = TRUE)
# Creating a dfm from a character vector ...
# ... lowercasing
# ... tokenizing
# ... indexing 3 documents
# ... shaping tokens into data.table, found 14 total tokens
# ... stemming the tokens (english)
# ... ignoring 174 feature types, discarding 5 total features (35.7%)
# ... summing tokens by document
# ... indexing 9 feature types
# ... building sparse matrix
# ... created a 3 x 9 sparse dfm
# ... complete. Elapsed time: 0.023 seconds.
# Document-feature matrix of: 3 documents, 9 features.
# 3 x 9 sparse Matrix of class "dfmSparse"
# features
# docs bar big child dog hold honor hunt let student
# text1 0 1 0 1 0 0 1 1 0
# text2 1 0 0 0 1 0 0 0 0
# text3 0 0 1 0 0 1 0 0 1
答案 1 :(得分：12)
我认为你可能想要考虑一个更加正则表达式的解决方案。这些是我作为开发人员摔跤的一些问题/想法。我目前正在大力研究stringi包以进行开发，因为它有一些一致命名的函数，这些函数对字符串操作很快。
在这个回复中，我试图使用我所知道的任何工具比tm给我们的更方便的方法更快（当然比qdap快得多）。在这里，我甚至没有探索并行处理或data.table / dplyr，而是专注于使用stringi进行字符串操作，并将数据保存在矩阵中，并使用旨在处理该格式的特定包进行操作。我举了你的例子并将其乘以100000x。即使使用词干，我的机器也需要17秒。
data <- data.frame(
text=c("Let the big dogs hunt",
"No holds barred",
"My child is an honor student"
), stringsAsFactors = F)
## eliminate this step to work as a MWE
data <- data[rep(1:nrow(data), 100000), , drop=FALSE]
library(stringi)
library(SnowballC)
out <- stri_extract_all_words(stri_trans_tolower(SnowballC::wordStem(data[[1]], "english"))) #in old package versions it was named 'stri_extract_words'
names(out) <- paste0("doc", 1:length(out))
lev <- sort(unique(unlist(out)))
dat <- do.call(cbind, lapply(out, function(x, lev) {
tabulate(factor(x, levels = lev, ordered = TRUE), nbins = length(lev))
}, lev = lev))
rownames(dat) <- sort(lev)
library(tm)
dat <- dat[!rownames(dat) %in% tm::stopwords("english"), ]
library(slam)
dat2 <- slam::as.simple_triplet_matrix(dat)
tdm <- tm::as.TermDocumentMatrix(dat2, weighting=weightTf)
tdm
## or...
dtm <- tm::as.DocumentTermMatrix(dat2, weighting=weightTf)
dtm
答案 2 :(得分：2)
你有几个选择。 @TylerRinker评论了qdap，肯定是a way。
或者（或另外），您也可以从健康的并行性中受益。这是一个很好的CRAN页面，详细介绍了R中的HPC资源。虽然multicore软件包的功能现在包含在parallel中，但它有点过时了。
您可以使用apply包的多核parallel功能或群集计算（that package支持）以及snowfall来扩展文本挖掘和biopara）。
另一种方法是采用MapReduce方法。有关将tm和MapReduce合并为大数据的精彩演示文稿here。虽然该演示文稿已有几年历史，但所有信息仍然是最新的，有效的和相关的。同一作者对该主题有a newer academic article，主要关注tm.plugin.dc插件。要绕过Vector Source而不是DirSource，你可以使用强制：
data("crude")
as.DistributedCorpus(crude)
如果这些解决方案都不符合您的口味，或者您只是喜欢冒险，那么您可能也会看到GPU能够解决问题的能力。 GPU相对于CPU的性能有很多变化，这可能是一个用例。如果您想尝试一下，可以使用gputools或CRAN HPC任务视图中提到的其他GPU包。
示例：
library(tm)
install.packages("tm.plugin.dc")
library(tm.plugin.dc)
GetDCorpus <-function(textVector)
{
doc.corpus <- as.DistributedCorpus(VCorpus(VectorSource(textVector)))
doc.corpus <- tm_map(doc.corpus, content_transformer(tolower))
doc.corpus <- tm_map(doc.corpus, content_transformer(removeNumbers))
doc.corpus <- tm_map(doc.corpus, content_transformer(removePunctuation))
# <- tm_map(doc.corpus, removeWords, stopwords("english")) # won't accept this for some reason...
return(doc.corpus)
}
data <- data.frame(
c("Let the big dogs hunt","No holds barred","My child is an honor student"), stringsAsFactors = F)
dcorp <- GetDCorpus(data[,1])
tdm <- TermDocumentMatrix(dcorp)
inspect(tdm)
<强>输出：
> inspect(tdm)
<<TermDocumentMatrix (terms: 10, documents: 3)>>
Non-/sparse entries: 10/20
Sparsity : 67%
Maximal term length: 7
Weighting : term frequency (tf)
Docs
Terms 1 2 3
barred 0 1 0
big 1 0 0
child 0 0 1
dogs 1 0 0
holds 0 1 0
honor 0 0 1
hunt 1 0 0
let 1 0 0
student 0 0 1
the 1 0 0
答案 3 :(得分：1)
这比我之前的回答要好。
quanteda 软件包已经有了很大的发展，并且由于其内置的工具可以解决此类问题，因此现在变得更快，更容易使用-这正是我们设计的目的。 OP的一部分询问如何为贝叶斯分类器准备文本。我也为此添加了一个示例，因为 quanteda 的textmodel_nb()可以处理30万个文档而不会费劲，而且它可以正确地实现多项式NB模型（这是最合适的）有关文本计数矩阵的信息，另请参见https://stackoverflow.com/a/54431055/4158274。
在这里，我演示了内置的初始语料库对象，但是下面的功能也可以与普通字符向量输入一起使用。我已经使用相同的工作流程在便携式计算机上在几分钟之内处理并拟合了数千万条Tweets的模型，因此速度很快。
library("quanteda", warn.conflicts = FALSE)
## Package version: 1.4.1
## Parallel computing: 2 of 12 threads used.
## See https://quanteda.io for tutorials and examples.
# use a built-in data object
data <- data_corpus_inaugural
data
## Corpus consisting of 58 documents and 3 docvars.
# here we input a corpus, but plain text input works fine too
dtm <- dfm(data, tolower = TRUE, remove_numbers = TRUE, remove_punct = TRUE) %>%
dfm_wordstem(language = "english") %>%
dfm_remove(stopwords("english"))
dtm
## Document-feature matrix of: 58 documents, 5,346 features (89.0% sparse).
tail(dtm, nf = 5)
## Document-feature matrix of: 6 documents, 5 features (83.3% sparse).
## 6 x 5 sparse Matrix of class "dfm"
## features
## docs bleed urban sprawl windswept nebraska
## 1997-Clinton 0 0 0 0 0
## 2001-Bush 0 0 0 0 0
## 2005-Bush 0 0 0 0 0
## 2009-Obama 0 0 0 0 0
## 2013-Obama 0 0 0 0 0
## 2017-Trump 1 1 1 1 1
这是一个相当琐碎的示例，但为说明起见，让我们拟合Naive Bayes模型，并提供Trump文件。这是发布此帖子时的最后一次就职演说（“ 2017年特朗普”），其位置与第ndoc()个文档相同。
# fit a Bayesian classifier
postwar <- ifelse(docvars(data, "Year") > 1945, "post-war", "pre-war")
textmod <- textmodel_nb(dtm[-ndoc(dtm), ], y = postwar[-ndoc(dtm)], prior = "docfreq")
与其他拟合模型对象（例如lm()，glm()等）一起使用的相同类型的命令将与拟合的Naive Bayes文本模型对象一起使用。所以：
summary(textmod)
##
## Call:
## textmodel_nb.dfm(x = dtm[-ndoc(dtm), ], y = postwar[-ndoc(dtm)],
## prior = "docfreq")
##
## Class Priors:
## (showing first 2 elements)
## post-war pre-war
## 0.2982 0.7018
##
## Estimated Feature Scores:
## fellow-citizen senat hous repres among vicissitud incid
## post-war 0.02495 0.4701 0.2965 0.06968 0.213 0.1276 0.08514
## pre-war 0.97505 0.5299 0.7035 0.93032 0.787 0.8724 0.91486
## life event fill greater anxieti notif transmit order
## post-war 0.3941 0.1587 0.3945 0.3625 0.1201 0.3385 0.1021 0.1864
## pre-war 0.6059 0.8413 0.6055 0.6375 0.8799 0.6615 0.8979 0.8136
## receiv 14th day present month one hand summon countri
## post-war 0.1317 0.3385 0.5107 0.06946 0.4603 0.3242 0.307 0.6524 0.1891
## pre-war 0.8683 0.6615 0.4893 0.93054 0.5397 0.6758 0.693 0.3476 0.8109
## whose voic can never hear vener
## post-war 0.2097 0.482 0.3464 0.2767 0.6418 0.1021
## pre-war 0.7903 0.518 0.6536 0.7233 0.3582 0.8979
predict(textmod, newdata = dtm[ndoc(dtm), ])
## 2017-Trump
## post-war
## Levels: post-war pre-war
predict(textmod, newdata = dtm[ndoc(dtm), ], type = "probability")
## post-war pre-war
## 2017-Trump 1 1.828083e-157