从 R 语料库中删除无意义的词

Question

我正在使用 tm 和 wordcloud 在 R 中执行一些基本的文本挖掘。正在处理的文本包含许多无意义的词，如 asfdg、aawptkr，我需要过滤这些词。我找到的最接近的解决方案是使用 library(qdapDictionaries) 并构建自定义函数来检查单词的有效性。

library(qdapDictionaries)
is.word  <- function(x) x %in% GradyAugmented

# example
> is.word("aapg")
[1] FALSE

使用的其余文本挖掘是：

curDir <- "E:/folder1/"  # folder1 contains a.txt, b.txt
myCorpus <- VCorpus(DirSource(curDir))
myCorpus <- tm_map(myCorpus, removePunctuation)
myCorpus <- tm_map(myCorpus, removeNumbers)

myCorpus <- tm_map(myCorpus,foo) # foo clears meaningless words from corpus

问题是 is.word() 可以很好地处理数据帧，但如何将其用于 corpus 处理？

谢谢

Answer 1

不确定这是否是最节省资源的方法（我不太了解这个包）但它应该有效：

tdm <- TermDocumentMatrix(myCorpus )
all_tokens       <- findFreqTerms(tdm, 1)
tokens_to_remove <- setdiff(all_tokens,GradyAugmented)
corpus <- tm_map(corpus, content_transformer(removeWords), 
                 tokens_to_remove)

Answer 2

如果您愿意尝试不同的文本挖掘包，那么这会起作用：

library(readtext)
library(quanteda)
myCorpus <- corpus(readtext("E:/folder1/*.txt"))

# tokenize the corpus
myTokens <- tokens(myCorpus, remove_punct = TRUE, remove_numbers = TRUE)
# keep only the tokens found in an English dictionary
myTokens <- tokens_select(myTokens, names(data_int_syllables))

从那里您可以形成文档术语矩阵（在 quanteda 中称为 "dfm"）进行分析，它只包含在词典（包含大约 130,000 个单词）。

从 R 语料库中删除无意义的词

Remove meaningless words from corpus in R

r

tm