VCorpus 和 DTM 的词频不匹配

Question

我计算了来自 Corpus 和 DTM 的测试文档的词频，如下所示。但他们彼此并不匹配。谁能告诉我不匹配是从哪里来的？是不是我提取词频的方法不对？

library("tm")
library("stringr")
library("dplyr")
test1 <- VCorpus(DirSource("test_papers"))
mytable1 <- lapply(test1, function(x){str_extract_all(x, boundary("word"))}) %>% unlist() %>% table() %>% sort(decreasing=T)
test2 <- DocumentTermMatrix(test1)
mytable2 <- apply(test2, 2, sum) %>% sort(decreasing=T)
head(mytable1)
.
and  of the  to  in  on 
148 116 111  69  61  54 
head(mytable2)
      and       the      this      that       are political 
      145       120        35        34        33        33

Answer 1

使用的方法不同。

str_extract_all 和 boundary("word") 删除句子中的标点符号。将文本变成文档术语矩阵不会。要获得相同的数字，您需要使用 DocumentTermMatrix(test1, control = list(removePunctuation = TRUE)).

详细解释：

第一种情况："this is a text." 会 return 没有句号的四个词。在第二种情况下，您会在文档术语矩阵中获得带有句点 ("text.") 的文本。现在，如果文本如下所示："text and text." 第一种情况将计为 "text" = 2，文档术语矩阵将其计为 "text" = 1 和 "text." = 1。

使用 removePunction 将删除句点并且计数将相等。

您可能还想先删除数字，因为 removePunctuation 会从数字中删除点和逗号。

VCorpus 和 DTM 的词频不匹配

Term frequencies from VCorpus and DTM do not match

r

corpus

text-mining

tm