如何清理 R 中的推特数据？

Question

我使用 twitteR 包从 Twitter 中提取推文并将它们保存到文本文件中。

我对语料库进行了如下操作

xx<-tm_map(xx,removeNumbers, lazy=TRUE, 'mc.cores=1')
xx<-tm_map(xx,stripWhitespace, lazy=TRUE, 'mc.cores=1')
xx<-tm_map(xx,removePunctuation, lazy=TRUE, 'mc.cores=1')
xx<-tm_map(xx,strip_retweets, lazy=TRUE, 'mc.cores=1')
xx<-tm_map(xx,removeWords,stopwords(english), lazy=TRUE, 'mc.cores=1')

（使用 mc.cores=1 和 lazy=True 否则 mac 上的 R 会运行出错）

tdm<-TermDocumentMatrix(xx)

但是这个术语文档矩阵有很多奇怪的符号，无意义的单词等等。如果推文是

 RT @Foxtel: One man stands between us and annihilation: @IanZiering.
 Sharknado‚Äã 3: OH HELL NO! - July 23 on Foxtel @SyfyAU

清理完推文后，我只希望保留完整的英文单词，即 sentence/phrase 没有其他所有内容（用户名、缩写词、网址）

示例：

One man stands between us and annihilation oh hell no on

(注意：tm包中的转换命令只能去除停用词、标点符号空格和转换为小写)

Answer 1

要删除 URL，您可以尝试以下操作：

removeURL <- function(x) gsub("http[[:alnum:]]*", "", x)
xx <- tm_map(xx, removeURL)

也许你可以定义类似的函数来进一步转换文本。

Answer 2

使用 gsub 和

stringr package

我找到了部分解决方案，用于删除转推、对屏幕名称的引用、主题标签、空格、数字、标点符号、网址。

  clean_tweet = gsub("&amp", "", unclean_tweet)
  clean_tweet = gsub("(RT|via)((?:\b\W*@\w+)+)", "", clean_tweet)
  clean_tweet = gsub("@\w+", "", clean_tweet)
  clean_tweet = gsub("[[:punct:]]", "", clean_tweet)
  clean_tweet = gsub("[[:digit:]]", "", clean_tweet)
  clean_tweet = gsub("http\w+", "", clean_tweet)
  clean_tweet = gsub("[ \t]{2,}", "", clean_tweet)
  clean_tweet = gsub("^\s+|\s+$", "", clean_tweet)

参考资料：（希克斯，2014 年）经过以上我做了下面的。

 #get rid of unnecessary spaces
clean_tweet <- str_replace_all(clean_tweet," "," ")
# Get rid of URLs
clean_tweet <- str_replace_all(clean_tweet, "http://t.co/[a-z,A-Z,0-9]*{8}","")
# Take out retweet header, there is only one
clean_tweet <- str_replace(clean_tweet,"RT @[a-z,A-Z]*: ","")
# Get rid of hashtags
clean_tweet <- str_replace_all(clean_tweet,"#[a-z,A-Z]*","")
# Get rid of references to other screennames
clean_tweet <- str_replace_all(clean_tweet,"@[a-z,A-Z]*","")

参考：（斯坦顿 2013）

在执行上述任何操作之前，我使用以下方法将整个字符串折叠成一个长字符。

paste(mytweets, collapse=" ")

与 tm_map 转换相比，这个清理过程对我来说非常有效。

我现在只剩下一套正经词和极少数不恰当的词了。现在，我只需要弄清楚如何删除不正确的英文单词。可能我将不得不从单词词典中减去我的单词集。

Answer 3

对我来说，由于某种原因，这段代码不起作用-

# Get rid of URLs
clean_tweet <- str_replace_all(clean_tweet, "http://t.co/[a-z,A-Z,0-9]*{8}","")

错误是-

Error in stri_replace_all_regex(string, pattern, fix_replacement(replacement),  : 
 Syntax error in regexp pattern. (U_REGEX_RULE_SYNTAX)

所以，相反，我使用了

clean_tweet4 <- str_replace_all(clean_tweet3, "https://t.co/[a-z,A-Z,0-9]*","")
clean_tweet5 <- str_replace_all(clean_tweet4, "http://t.co/[a-z,A-Z,0-9]*","")

删除 URL

Answer 4

代码进行一些基本清理

转换为小写

df <- tm_map(df, tolower)

删除特殊字符

df <- tm_map(df, removePunctuation)

删除特殊字符

df <- tm_map(df, removeNumbers)

删除常用词

df <- tm_map(df, removeWords, stopwords('english'))

删除URL

removeURL <- function(x) gsub('http[[:alnum;]]*', '', x)

Answer 5


        library(tidyverse)    
        
        clean_tweets <- function(x) {
                    x %>%
                            # Remove URLs
                            str_remove_all(" ?(f|ht)(tp)(s?)(://)(.*)[.|/](.*)") %>%
                            # Remove mentions e.g. "@my_account"
                            str_remove_all("@[[:alnum:]_]{4,}") %>%
                            # Remove hashtags
                            str_remove_all("#[[:alnum:]_]+") %>%
                            # Replace "&" character reference with "and"
                            str_replace_all("&amp;", "and") %>%
                            # Remove puntucation, using a standard character class
                            str_remove_all("[[:punct:]]") %>%
                            # Remove "RT: " from beginning of retweets
                            str_remove_all("^RT:? ") %>%
                            # Replace any newline characters with a space
                            str_replace_all("\\n", " ") %>%
                            # Make everything lowercase
                            str_to_lower() %>%
                            # Remove any trailing whitespace around the text
                            str_trim("both")
            }
    
        tweets %>% clean_tweets

如何清理 R 中的推特数据？

How do I clean twitter data in R?

twitter

r

text-mining

data-cleaning

转换为小写

删除特殊字符

删除特殊字符

删除常用词

删除URL