我有一个dtm,想要从文档术语矩阵中按每个文档的频率提取前5个术语。
我使用tm包
构建了 dtm Terms
Docs aaaa aac abrt abused accept accepted
1 0 0 0 0 0 0
2 0 0 0 0 0 0
3 0 0 0 0 0 0
4 0 0 0 0 0 0
5 0 0 0 0 0 0
6 0 0 0 0 0 0
所需的输出格式应为:
Id
1 Term1 Term2 Term3 Term4 Term5
2 Term1 Term2 Term3 Term4 Term5
and so on for all the documents.
我已尝试过stackoverflow和其他来源提供的所有解决方案 比如Make dataframe of top N frequent terms for multiple corpora using tm package in R(转换为tdm并尝试将其输出到输出表单但不起作用)和其他人注意到它们有效。
答案 0 :(得分:1)
使用Quanteda:
library(quanteda)
txt <- c("hello world world fizz", "foo bar bar buzz")
dfm <- dfm(txt)
topfeatures(dfm, n = 2, groups = seq_len(ndoc(dfm)))
# $`1`
# world hello
# 2 1
#
# $`2`
# bar foo
# 2 1
您还可以在DocumentTermMatrix
和dfm
之间进行转换。
或使用经典tm
:
library(tm)
packageVersion("tm")
# [1] ‘0.7.1’
txt <- c(doc1="hello world world", doc2="foo bar bar fizz buzz")
dtm <- DocumentTermMatrix(Corpus(VectorSource(txt)))
n <- 5
(top <- findMostFreqTerms(dtm, n = n))
# $doc1
# world hello
# 2 1
#
# $doc2
# bar buzz fizz foo
# 2 1 1 1
do.call(rbind, lapply(top, function(x) { x <- names(x);length(x)<-n;x }))
# [,1] [,2] [,3] [,4] [,5]
# doc1 "world" "hello" NA NA NA
# doc2 "bar" "buzz" "fizz" "foo" NA
findMostFreqTerms
自tm version 0.7-1起可用。