转换为小写

Question

我使用twitteR软件包从twitter中提取了推文并将其保存到文本文件中。

我在语料库中执行了以下操作

xx<-tm_map(xx,removeNumbers, lazy=TRUE, 'mc.cores=1')
xx<-tm_map(xx,stripWhitespace, lazy=TRUE, 'mc.cores=1')
xx<-tm_map(xx,removePunctuation, lazy=TRUE, 'mc.cores=1')
xx<-tm_map(xx,strip_retweets, lazy=TRUE, 'mc.cores=1')
xx<-tm_map(xx,removeWords,stopwords(english), lazy=TRUE, 'mc.cores=1')

（使用mc.cores = 1和lazy = True，否则Mac上的R会遇到错误）

tdm<-TermDocumentMatrix(xx)

但是这个术语文档矩阵有很多奇怪的符号，无意义的单词等。如果推文是

 RT @Foxtel: One man stands between us and annihilation: @IanZiering.
 Sharknado‚Äã 3: OH HELL NO! - July 23 on Foxtel @SyfyAU

在清理推文后，我只想留下适当的完整英文单词，即句子/短语无效（用户名，缩短的单词，网址）

示例：

One man stands between us and annihilation oh hell no on

（注意：tm包中的转换命令只能删除停用词，标点符号空格以及转换为小写）

Answer 1

使用gsub和

stringr包

我已经找到了部分解决方案，用于删除转推，对屏幕名称，主题标签，空格，数字，标点符号，网址的引用。

  clean_tweet = gsub("&amp", "", unclean_tweet)
  clean_tweet = gsub("(RT|via)((?:\\b\\W*@\\w+)+)", "", clean_tweet)
  clean_tweet = gsub("@\\w+", "", clean_tweet)
  clean_tweet = gsub("[[:punct:]]", "", clean_tweet)
  clean_tweet = gsub("[[:digit:]]", "", clean_tweet)
  clean_tweet = gsub("http\\w+", "", clean_tweet)
  clean_tweet = gsub("[ \t]{2,}", "", clean_tweet)
  clean_tweet = gsub("^\\s+|\\s+$", "", clean_tweet)

参考:(希克斯，2014）以上之后我做了以下。

 #get rid of unnecessary spaces
clean_tweet <- str_replace_all(clean_tweet," "," ")
# Get rid of URLs
clean_tweet <- str_replace_all(clean_tweet, "http://t.co/[a-z,A-Z,0-9]*{8}","")
# Take out retweet header, there is only one
clean_tweet <- str_replace(clean_tweet,"RT @[a-z,A-Z]*: ","")
# Get rid of hashtags
clean_tweet <- str_replace_all(clean_tweet,"#[a-z,A-Z]*","")
# Get rid of references to other screennames
clean_tweet <- str_replace_all(clean_tweet,"@[a-z,A-Z]*","")

参考:( Stanton 2013）

在执行上述任何操作之前，我使用以下内容将整个字符串折叠为一个长字符。

paste(mytweets, collapse=" ")

与tm_map转换相比，这个清理过程对我很有用。

我现在剩下的就是一套正确的单词和一些不正确的单词。现在，我只需要弄清楚如何删除不合适的英语单词。可能我不得不从单词词典中减去我的单词集。

Answer 2

要删除网址，您可以尝试以下操作：

removeURL <- function(x) gsub("http[[:alnum:]]*", "", x)
xx <- tm_map(xx, removeURL)

可能您可以定义类似的功能来进一步转换文本。

Answer 3

    library(tidyverse)    

    clean_tweets <- function(x) {
                x %>%
                        str_remove_all(" ?(f|ht)(tp)(s?)(://)(.*)[.|/](.*)") %>%
                        str_replace_all("&amp;", "and") %>%
                        str_remove_all("[[:punct:]]") %>%
                        str_remove_all("^RT:? ") %>%
                        str_remove_all("@[[:alnum:]]+") %>%
                        str_remove_all("#[[:alnum:]]+") %>%
                        str_replace_all("\\\n", " ") %>%
                        str_to_lower() %>%
                        str_trim("both")
        }

    tweets %>% clean_tweets

Answer 4

对我来说，由于某些原因，此代码无效 -

# Get rid of URLs
clean_tweet <- str_replace_all(clean_tweet, "http://t.co/[a-z,A-Z,0-9]*{8}","")

错误是 -

Error in stri_replace_all_regex(string, pattern, fix_replacement(replacement),  : 
 Syntax error in regexp pattern. (U_REGEX_RULE_SYNTAX)

所以，我使用了

clean_tweet4 <- str_replace_all(clean_tweet3, "https://t.co/[a-z,A-Z,0-9]*","")
clean_tweet5 <- str_replace_all(clean_tweet4, "http://t.co/[a-z,A-Z,0-9]*","")

删除网址

Answer 5

代码进行一些基本的清理

转换为小写

df <- tm_map(df, tolower)

删除特殊字符

df <- tm_map(df, removePunctuation)

删除特殊字符

df <- tm_map(df, removeNumbers)

删除常用字

df <- tm_map(df, removeWords, stopwords('english'))

删除网址

removeURL <- function(x) gsub('http[[:alnum;]]*', '', x)

如何清理R中的twitter数据？

5 个答案:

转换为小写

删除特殊字符

删除特殊字符

删除常用字

删除网址