在R中使用余弦距离的层次聚类

Question

我想通过使用余弦相似度和R编程语言对文档语料库进行层次聚类，但是出现以下错误：

  

if（is.na（n）|| n> 65536L）stop（“ size不能为NA或   超过65536“）：缺少需要TRUE / FALSE的值

我该怎么办？

要重现它，下面是一个示例：

library(tm)
doc <- c( "The sky is blue.", "The sun is bright today.", "The sun in the sky is bright.", "We can see the shining sun, the bright sun." )
doc_corpus <- Corpus( VectorSource(doc) )
control_list <- list(removePunctuation = TRUE, stopwords = TRUE, tolower = TRUE)
tdm <- TermDocumentMatrix(doc_corpus, control = control_list)



tf <- as.matrix(tdm)
( idf <- log( ncol(tf) / ( 1 + rowSums(tf != 0) ) ) )
( idf <- diag(idf) )
tf_idf <- crossprod(tf, idf)
colnames(tf_idf) <- rownames(tf)

tf_idf

cosine_dist = 1-crossprod(tf_idf) /(sqrt(colSums(tf_idf^2)%*%t(colSums(tf_idf^2))))
cluster1 <- hclust(cosine_dist, method = "ward.D")

然后我得到了错误：

  

if（is.na（n）|| n> 65536L）stop（“ size不能为NA或   超过65536“）：缺少需要TRUE / FALSE的值

Answer 1

有2个问题：

1：cosine_dist = 1-crossprod(tf_idf) /(sqrt(colSums(tf_idf^2)%*%t(colSums(tf_idf^2))))会创建NaN，因为您除以0。

2：hclust需要一个dist对象，而不仅仅是一个矩阵。有关更多详细信息，请参见?hclust

都可以通过以下代码解决：

.....
cosine_dist = 1-crossprod(tf_idf) /(sqrt(colSums(tf_idf^2)%*%t(colSums(tf_idf^2))))

# remove NaN's by 0
cosine_dist[is.na(cosine_dist)] <- 0

# create dist object
cosine_dist <- as.dist(cosine_dist)

cluster1 <- hclust(cosine_dist, method = "ward.D")

plot(cluster1)