我创建了一个术语文档矩阵“myDtm”,其中包含大量专利中包含的一组关键字。我想获得一份有序的,前100名的关键词频率最高的专利列表。
代码行是
myDtm <- TermDocumentMatrix(myCorpus, control = list(minWordLength = 1))
keywords <- unique(c("labor","cost","autom", "human" ,"person", "intens","reduc","machin","algorithm"))
inspect(myDtm[keywords,tail(order(colSums(v)),100)])
结果如下(摘录):
Terms 2435 33164 27276 1874 20447 41149 35987 21765 798 2461 19249 6822 27640
labor 0 0 0 0 1 0 0 0 0 0 0 0 2
cost 11 0 0 0 13 0 0 0 2 9 0 0 9
autom 0 0 0 0 26 0 0 0 0 0 0 0 0
human 0 0 0 270 150 16 0 279 0 0 54 0 1
person 0 29 0 0 46 3 0 0 0 0 0 0 1
intens 0 0 0 1 0 0 0 0 0 0 0 0 41
reduc 8 0 8 9 13 289 2 12 12 305 292 0 44
machin 264 77 0 0 2 0 0 2 0 0 0 323 31
algorithm 0 0 8 0 0 0 1 0 2 0 0 0 95
问题:如何排除异常值,如专利号。 6822?对于异常值,我指的是仅包含一个或两个关键字但频率非常高的专利。我想获得看起来像专利号的前100名专利清单。 20447或27640,其中包含大多数关键字。更具体地说,是否有一种说法:按照关键字提及的频率对列进行排序并确保至少提到50%的关键字? ?
提前谢谢。
答案 0 :(得分:0)
以下内容排除了所有少于2个关键字的专利,并为您提供的数据框只包含剩余的专利,其中包含超过2个关键字:
myDtm[ ,c(TRUE, sapply(myDtm[-1], function(x) sum(ifelse(x > 0, 1,0)) > 2))]
如果您只想为前100名执行此操作,只需将上面的代码与行的过滤器(您已经在OP的代码中已经拥有)结合起来,
如果您想要提及至少50%的关键字,则必须执行以下操作:
myDtm[ ,c(TRUE, sapply(myDtm[-1], function(x) sum(ifelse(x > 0, 1,0))/length(x) > 0.5))]
或等效地:
myDtm[ ,c(TRUE, sapply(myDtm[-1], function(x) mean(ifelse(x > 0, 1,0)) >= 0.5))]
或以功能表示法:
cbind(myDtm[1], Filter(function(x) mean(ifelse(x > 0, 1, 0)) >= 0.5, myDtm[-1]))
如果您想检查频率计数,请创建一个新的df并生成一些箱形图,摘要统计数据等(1.5 * IQR四分位数范围通常用作异常值的截止值):
table_Frequency_counts <- sapply(myDtm[-1], function(x) mean(ifelse(x > 0, 1, 0)))
boxplot(table_Frequency_counts)
summary(table_Frequency_counts)
1.5 * IQR(table_Frequency_counts)