ฉันไม่แน่ใจว่า VectorSource และ VCorpus อยู่ในแพ็คเกจ 'tm' อย่างแน่นอน
เอกสารไม่ชัดเจนเกี่ยวกับสิ่งเหล่านี้ทุกคนสามารถทำให้ฉันเข้าใจในแง่ง่ายหรือไม่?
ฉันไม่แน่ใจว่า VectorSource และ VCorpus อยู่ในแพ็คเกจ 'tm' อย่างแน่นอน
เอกสารไม่ชัดเจนเกี่ยวกับสิ่งเหล่านี้ทุกคนสามารถทำให้ฉันเข้าใจในแง่ง่ายหรือไม่?
คำตอบ:
"Corpus" คือชุดของเอกสารข้อความ
VCorpus ใน tm หมายถึงคลังข้อมูล "ระเหย" ซึ่งหมายความว่าคลังเก็บไว้ในหน่วยความจำและจะถูกทำลายเมื่อวัตถุ R ที่มีมันถูกทำลาย
เปรียบเทียบสิ่งนี้กับ PCorpus หรือ Permanent Corpus ซึ่งเก็บไว้นอกหน่วยความจำโดยระบุเป็น db
ในการสร้าง VCorpus โดยใช้ tm เราต้องผ่านวัตถุ "Source" เป็นพารามิเตอร์ในการใช้กับวิธี VCorpus คุณสามารถค้นหาแหล่งข้อมูลที่พร้อมใช้งานโดยใช้วิธีนี้ -
getSources ()
[1] "DataframeSource" "DirSource" "URISource" "VectorSource"
[5] "XMLSource" "ZipSource"
แหล่งข้อมูลบทคัดย่อที่เป็นอินพุตเช่นไดเรกทอรีหรือ URI เป็นต้น VectorSource ใช้สำหรับเวกเตอร์อักขระเท่านั้น
ตัวอย่างง่ายๆ:
สมมติว่าคุณมีพาหะถ่าน -
อินพุต <- c ('นี่คือหนึ่งบรรทัด', 'และนี่คืออันที่สอง')
สร้างแหล่งที่มา - vecSource <- VectorSource (อินพุต)
จากนั้นสร้างคลังข้อมูล - VCorpus (vecSource)
หวังว่านี่จะช่วยได้ คุณสามารถอ่านเพิ่มเติมได้ที่นี่ - https://cran.r-project.org/web/packages/tm/vignettes/tm.pdf
ในแง่การปฏิบัติมีความแตกต่างใหญ่ระหว่างและCorpusVCorpus
Corpusใช้SimpleCorpusเป็นค่าเริ่มต้นซึ่งหมายถึงคุณสมบัติบางอย่างของVCorpusจะไม่สามารถใช้ได้ หนึ่งที่เห็นได้ชัดทันทีคือที่SimpleCorpusจะไม่อนุญาตให้คุณขีดกลางขีดเส้นใต้หรือเครื่องหมายอื่น ๆ ของเครื่องหมายวรรคตอน; SimpleCorpusหรือCorpusลบโดยอัตโนมัติพวกเขาVCorpusไม่ได้ มีข้อ จำกัด อื่น ๆ ของการเป็นที่คุณจะพบในความช่วยเหลือด้วยCorpus?SimpleCorpus
นี่คือตัวอย่าง:
# Read a text file from internet
filePath <- "http://www.sthda.com/sthda/RDoc/example-files/martin-luther-king-i-have-a-dream-speech.txt"
text <- readLines(filePath)
# load the data as a corpus
C.mlk <- Corpus(VectorSource(text))
C.mlk
V.mlk <- VCorpus(VectorSource(text))
V.mlk
ผลลัพธ์จะเป็น:
<<SimpleCorpus>>
Metadata: corpus specific: 1, document level (indexed): 0
Content: documents: 46
<<VCorpus>>
Metadata: corpus specific: 0, document level (indexed): 0
Content: documents: 46
หากคุณทำการตรวจสอบวัตถุ:
# inspect the content of the document
inspect(C.mlk[1:2])
inspect(V.mlk[1:2])
คุณจะสังเกตเห็นว่าCorpusคลายข้อความ:
<<SimpleCorpus>>
Metadata: corpus specific: 1, document level (indexed): 0
Content: documents: 2
[1]
[2] And so even though we face the difficulties of today and tomorrow, I still have a dream. It is a dream deeply rooted in the American dream.
<<VCorpus>>
Metadata: corpus specific: 0, document level (indexed): 0
Content: documents: 2
[[1]]
<<PlainTextDocument>>
Metadata: 7
Content: chars: 0
[[2]]
<<PlainTextDocument>>
Metadata: 7
Content: chars: 139
ในขณะที่VCorpusเก็บมันไว้ด้วยกันภายในวัตถุ
สมมติว่าตอนนี้คุณทำการแปลงเมทริกซ์สำหรับทั้งสอง:
dtm.C.mlk <- DocumentTermMatrix(C.mlk)
length(dtm.C.mlk$dimnames$Terms)
# 168
dtm.V.mlk <- DocumentTermMatrix(V.mlk)
length(dtm.V.mlk$dimnames$Terms)
# 187
ในที่สุดเรามาดูเนื้อหา นี่คือจากCorpus:
grep("[[:punct:]]", dtm.C.mlk$dimnames$Terms, value = TRUE)
# character(0)
และจากVCorpus:
grep("[[:punct:]]", dtm.V.mlk$dimnames$Terms, value = TRUE)
[1] "alabama," "almighty," "brotherhood." "brothers."
[5] "california." "catholics," "character." "children,"
[9] "city," "colorado." "creed:" "day,"
[13] "day." "died," "dream." "equal."
[17] "exalted," "faith," "gentiles," "georgia,"
[21] "georgia." "hamlet," "hampshire." "happens,"
[25] "hope," "hope." "injustice," "justice."
[29] "last!" "liberty," "low," "meaning:"
[33] "men," "mississippi," "mississippi." "mountainside,"
[37] "nation," "nullification," "oppression," "pennsylvania."
[41] "plain," "pride," "racists," "ring!"
[45] "ring," "ring." "self-evident," "sing."
[49] "snow-capped" "spiritual:" "straight;" "tennessee."
[53] "thee," "today!" "together," "together."
[57] "tomorrow," "true." "york."
ลองดูคำที่มีเครื่องหมายวรรคตอน นั่นคือความแตกต่างอย่างมาก ไม่ใช่เหรอ