
當前對文本挖掘的需求越來越多,而基于文本挖掘又可以實現(xiàn)輿情監(jiān)控、文本分類、關(guān)聯(lián)分析和趨勢預測等。
本文主要使用李艦發(fā)布的中文分詞包Rwordseg。該包引用了@ansj開發(fā)的ansj中文分詞工具,基于中科院的ictclas中文分詞算法,無論是分詞準確度、自定義詞典的方便程度還是運行的效率都大大地超過了rmmseg4j。該包使用rJava調(diào)用Java分詞工具Ansj,因此需要進行rJava的設(shè)置才可以使用。
文中使用到Rwordseg包和tmcn包,這兩個包目前不在R的鏡像中,可以通過如下兩種方式獲得這兩個包。
2、直接到R-Forge官網(wǎng)下載并安裝,下載地址如下:
https://r-forge.r-project.org/R/?group_id=1054
https://r-forge.r-project.org/R/?group_id=1571
應用:
本文分析的對象為一篇新聞,來源于環(huán)球網(wǎng)的《習近平出席中美企業(yè)家座談會》這篇文章,看看習大大這次訪美都有哪些動向?
本文主要對這篇文章做如下兩個工作:分詞和繪制文字云。
#讀取數(shù)據(jù)
news <- readLines('news.txt', encoding = 'UTF-8')
由于Rwordseg包中的segmentCN函數(shù)對某些詞無法準確分詞,需要自定義字典、指定人名識別及指定停止詞。
#首先將臺灣大學定義的字典導入到系統(tǒng)中,該字典中含有正面及負面的簡體詞和繁體詞共22173個。
data(NTUSD)
positive_simple <- NTUSD[[1]]
negtive_simple <- NTUSD[[2]]
positive_tradition <- NTUSD[[3]]
negtive_tradition <- NTUSD[[4]]
insertWords(positive_simple)
insertWords(negtive_simple)
insertWords(positive_tradition)
insertWords(negtive_tradition)
#其次將自定義的詞導入系統(tǒng)
dir <- c('中美','兩國','阿里巴巴','改革開放','騰訊','微軟',
'雙匯','亞馬遜','星巴克','企業(yè)家','發(fā)展中','中國夢')
insertWords(dir)
#再者還需要指定人名識別
發(fā)現(xiàn)默認情況下,segmentCN函數(shù)并沒有識別人名。
將人名識別設(shè)為TURE后,發(fā)現(xiàn)能夠?qū)⒚譁蚀_分割出來。
#最后為分詞函數(shù)segmentCN指定停止詞,這樣就不會把這些詞識別為有效詞
stopwords <- c('大','上','高','好','中','新','更','夢')
stopword <- stopwordsCN(stopwords = stopwords, useStopDic = TRUE)
當然這些準備工作是在探索文本內(nèi)容的基礎(chǔ)上完成的,這里只是想說明一下本文的思路。
使用segmentCN函數(shù)看一下分詞效果:
詞頻分析
繪制文字云
從圖中發(fā)現(xiàn),本次習總書記訪問美國,仍然強調(diào)的是中美之間的經(jīng)濟發(fā)展問題。
由于工作需要,自己剛開始研究文本挖掘,本文只是做了個文本的分詞,關(guān)于文本挖掘還有許多知識需要學習,例如文本的聚類、關(guān)聯(lián)規(guī)則、預測等。接下來的日子里將和文本挖掘扯上很大的關(guān)系啦。。。。
最后總結(jié)一下本文所涉及到的R包和函數(shù):
tm包
insertWords()
tmcn包
getWordFreq()
Rwordseg包
getOption()
segment.options()
stopwordsCN()
segmentCN()
wordcloud包
wordcloud()
數(shù)據(jù)分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
LSTM 模型輸入長度選擇技巧:提升序列建模效能的關(guān)鍵? 在循環(huán)神經(jīng)網(wǎng)絡(RNN)家族中,長短期記憶網(wǎng)絡(LSTM)憑借其解決長序列 ...
2025-07-11CDA 數(shù)據(jù)分析師報考條件詳解與準備指南? ? 在數(shù)據(jù)驅(qū)動決策的時代浪潮下,CDA 數(shù)據(jù)分析師認證愈發(fā)受到矚目,成為眾多有志投身數(shù) ...
2025-07-11數(shù)據(jù)透視表中兩列相乘合計的實用指南? 在數(shù)據(jù)分析的日常工作中,數(shù)據(jù)透視表憑借其強大的數(shù)據(jù)匯總和分析功能,成為了 Excel 用戶 ...
2025-07-11尊敬的考生: 您好! 我們誠摯通知您,CDA Level I和 Level II考試大綱將于 2025年7月25日 實施重大更新。 此次更新旨在確保認 ...
2025-07-10BI 大數(shù)據(jù)分析師:連接數(shù)據(jù)與業(yè)務的價值轉(zhuǎn)化者? ? 在大數(shù)據(jù)與商業(yè)智能(Business Intelligence,簡稱 BI)深度融合的時代,BI ...
2025-07-10SQL 在預測分析中的應用:從數(shù)據(jù)查詢到趨勢預判? ? 在數(shù)據(jù)驅(qū)動決策的時代,預測分析作為挖掘數(shù)據(jù)潛在價值的核心手段,正被廣泛 ...
2025-07-10數(shù)據(jù)查詢結(jié)束后:分析師的收尾工作與價值深化? ? 在數(shù)據(jù)分析的全流程中,“query end”(查詢結(jié)束)并非工作的終點,而是將數(shù) ...
2025-07-10CDA 數(shù)據(jù)分析師考試:從報考到取證的全攻略? 在數(shù)字經(jīng)濟蓬勃發(fā)展的今天,數(shù)據(jù)分析師已成為各行業(yè)爭搶的核心人才,而 CDA(Certi ...
2025-07-09【CDA干貨】單樣本趨勢性檢驗:捕捉數(shù)據(jù)背后的時間軌跡? 在數(shù)據(jù)分析的版圖中,單樣本趨勢性檢驗如同一位耐心的偵探,專注于從單 ...
2025-07-09year_month數(shù)據(jù)類型:時間維度的精準切片? ? 在數(shù)據(jù)的世界里,時間是最不可或缺的維度之一,而year_month數(shù)據(jù)類型就像一把精準 ...
2025-07-09CDA 備考干貨:Python 在數(shù)據(jù)分析中的核心應用與實戰(zhàn)技巧? ? 在 CDA 數(shù)據(jù)分析師認證考試中,Python 作為數(shù)據(jù)處理與分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 檢驗:數(shù)據(jù)趨勢與突變分析的有力工具? ? ? 在數(shù)據(jù)分析的廣袤領(lǐng)域中,準確捕捉數(shù)據(jù)的趨勢變化以及識別 ...
2025-07-08備戰(zhàn) CDA 數(shù)據(jù)分析師考試:需要多久?如何規(guī)劃? CDA(Certified Data Analyst)數(shù)據(jù)分析師認證作為國內(nèi)權(quán)威的數(shù)據(jù)分析能力認證 ...
2025-07-08LSTM 輸出不確定的成因、影響與應對策略? 長短期記憶網(wǎng)絡(LSTM)作為循環(huán)神經(jīng)網(wǎng)絡(RNN)的一種變體,憑借獨特的門控機制,在 ...
2025-07-07統(tǒng)計學方法在市場調(diào)研數(shù)據(jù)中的深度應用? 市場調(diào)研是企業(yè)洞察市場動態(tài)、了解消費者需求的重要途徑,而統(tǒng)計學方法則是市場調(diào)研數(shù) ...
2025-07-07CDA數(shù)據(jù)分析師證書考試全攻略? 在數(shù)字化浪潮席卷全球的當下,數(shù)據(jù)已成為企業(yè)決策、行業(yè)發(fā)展的核心驅(qū)動力,數(shù)據(jù)分析師也因此成為 ...
2025-07-07剖析 CDA 數(shù)據(jù)分析師考試題型:解鎖高效備考與答題策略? CDA(Certified Data Analyst)數(shù)據(jù)分析師考試作為衡量數(shù)據(jù)專業(yè)能力的 ...
2025-07-04SQL Server 字符串截取轉(zhuǎn)日期:解鎖數(shù)據(jù)處理的關(guān)鍵技能? 在數(shù)據(jù)處理與分析工作中,數(shù)據(jù)格式的規(guī)范性是保證后續(xù)分析準確性的基礎(chǔ) ...
2025-07-04CDA 數(shù)據(jù)分析師視角:從數(shù)據(jù)迷霧中探尋商業(yè)真相? 在數(shù)字化浪潮席卷全球的今天,數(shù)據(jù)已成為企業(yè)決策的核心驅(qū)動力,CDA(Certifie ...
2025-07-04CDA 數(shù)據(jù)分析師:開啟數(shù)據(jù)職業(yè)發(fā)展新征程? ? 在數(shù)據(jù)成為核心生產(chǎn)要素的今天,數(shù)據(jù)分析師的職業(yè)價值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03