Question

我正在使用cast_dtm命令将每行一个文档的每行数据帧转换为文档术语矩阵，以用作LDA的输入。代码是：

posts_tokenized.dt %>% cast_dtm(id, word, term_frequency) -> posts.dtm

它使用33,000个文档的语料库工作正常，但在使用147,242个文档的语料库时出现以下错误。

Error in validObject(r) : invalid class "dgTMatrix" object: length(Dimnames[1]) differs from Dim[1] which is 147242

感谢任何帮助！

编辑：标记化的数据框如下所示：

> head(df_tokenized)
# A tibble: 6 x 3
                         id           word term_frequency
                        <fctr>          <chr>          <int>
1 6013004059_10154817753659060 demonetisation              1
2 6013004059_10154828153334060 demonetisation              1
3 6013004059_10154835596219060 demonetisation              1
4 6013004059_10154837355359060 demonetisation              1
5 6013004059_10154872354154060 demonetisation              1
6 6013004059_10154556655804060         hanjin              1

没有列包含空值或NA值。

Answer 1

有类似的问题可以通过更改字符来解决：

dtm$ID<-as.character(dtm$ID)

就我而言，我有三列，ID，Word和Count。

将ID和Word更改为字符。计数仍然是整数。

Answer 2

我遇到了类似的问题，通过将因子列转换为字符来解决了该问题

将cast_dtm与大型语料库

2 个答案: