用R进行文本分析初探——包含导入词库和和导入李白语句

用R进行文本分析初探——以《红楼梦》为例

一.写在前面的话~

　　刚吃饭的时候同学问我，你为什么要用R做文本分析，你不是应该用R建模么，在我和她解释了一会儿后，她嘱咐我好好写这篇博文，嗯为了娟儿同学，细细说一会儿文本分析。

文本数据挖掘(Text Mining)是指从文本数据中抽取有价值的信息和知识的计算机处理技术。顾名思义，文本数据挖掘是从文本中进行数据挖掘(Data Mining)。从这个意义上讲，文本数据挖掘是数据挖掘的一个分支。

文本分析是指对文本的表示及其特征项的选取；文本分析是文本挖掘、信息检索的一个基本问题，它把从文本中抽取出的特征词进行量化来表示文本信息。

　　在拉勾网上搜索文本分析的相关工作，甚至还会发现专门招聘这方面人才的公司（并且大部分都是目前来说高不可攀的公司。。）。

随便进入了一个职位，看其要求：

　　编程能力、文本挖掘项目经验、大规模数据处理或统计基础。。瞬间觉得自己弱爆了有木有！！

　　再找一下相关的文献，不要再说文本分析和统计学没有关系啦~

　　博主刚刚接触R语言和文本分析，所以只是试探了一下下皮毛，为了将二者结合，试着对《红楼梦》进行分析，首先对《红楼梦》进行分词处理，并统计词频，同时画出标签云。

　　闲话的最后，大家一起翻译这篇文章好不好233

http://jmlr.org/proceedings/papers/v37/kusnerb15.pdf

二.利用R对《红楼梦》进行分析

(一)需要加载的包

需要用到rJava，Rwordseg，wordcloud

安装步骤：

1.安装java：

http://www.java.com/zh_CN/download/windows_xpi.jsp

2.安装rJava：

在R的命令框输入

install.packages("rJava")

错误解决方案：

错误1.错误: ‘rJava’程辑包或名字空间载入失败，解决方案：换路径

错误2.

解决方案：

在R中输入

Sys.setenv(JAVA_HOME='C:/Program Files/Java/jre1.8.0_73') #注意：要根据你的java路径更改

3.安装Rwordseg：

下载地址：

https://r-forge.r-project.org/R/?group_id=1054

点这儿下载Rwordseg

解压后将文件放入R下library文件夹下

4.安装wordcloud

在R的命令框输入

install.packages("wordcloud")

利用Rwordseg分词包进行分词

(二)分析过程

1.基础导入

library(rJava)
library(Rwordseg) 
library(RColorBrewer)
library(wordcloud)

2.读入数据

　　将需要分析的文本放入记事本中，保存到相应路径，并在R中打开。这儿我导入的是《红楼梦》的文本。

lecture<-read.csv("E:/Rtagcloud/hongloumeng.txt", stringsAsFactors=FALSE,header=FALSE)

3.优化词库

　　对于文言文和人物名字分词结果不是很理想的问题，有一个很好的解决方案，就是导入搜狗细胞词库（http://pinyin.sogou.com/dict/），以本例作为例子，分别导入了文言文常用词库、红楼梦常用词库、红楼梦成员名字词库，这三个词库，让分词效果更为理想。

installDict("C:\Users\Administrator\Desktop\红楼梦词汇大全.scel","hongloumeng1")
installDict("C:\Users\Administrator\Desktop\红楼梦群成员名字词库.scel","hongloumeng2")
installDict("C:\Users\Administrator\Desktop\红楼梦词汇.scel","hongloumeng3")

为了让大家更直观的理解优化词库，举如下例子：

先导入rJava和Rwordseg两个包

library(rJava)
library(Rwordseg)

利用Rwordseg对“朝辞白帝彩云间,千里江陵一日还。两岸猿声啼不尽,轻舟已过万重山。”进行分词，结果如下

接着到http://pinyin.sogou.com/dict/detail/index/22394 下载李白诗集的细胞词库，并把它放到E盘，在R中输入以下代码安装词典：

installDict("e:/李白诗集.scel","libai")

安装好后，输入同样的代码，结果如下

可见利用细胞词库可以得到更好的分词结果。

4.分词+统计词频

words=unlist(lapply(X=res, FUN=segmentCN))
#unlist将list类型的数据，转化为vector
#lapply()返回一个长度与X一致的列表，每个元素为FUN计算出的结果，且分别对应到X中的每个元素。
word=lapply(X=words, FUN=strsplit, " ") 
v=table(unlist(word))
#table统计数据的频数

结果v的部分截图如下，可以看出此时已经统计好词频了：

5.对词频进行排序

# 降序排序  
v=rev(sort(v))

6.创建数据框

d=data.frame(词汇=names(v), 词频=v)

7.过滤掉1个字的结果和词频小于100的结果

　　筛选标准大家可以根据自己的需求进行修改

d=subset(d, nchar(as.character(d$词汇))>1 & d$词频>=100)

8.词频结果输出

　　根据自己的具体需求改变路径和文件名称

write.csv(d, file="E:/Rtagcloud/hongloumengfcresult.csv", row.names=FALSE)

词频统计结果（节选）如下：

9.画出标签云

(1)读入词频统计数据

路径和文件名称根据自己的需求更改

mydata<-read.csv("E:/Rtagcloud/hongloumengfcresult.csv",head=TRUE)

(2)设置字体类型和字体颜色

mycolors <- brewer.pal(12,"Paired")
windowsFonts(myFont=windowsFont("锐字巅峰粗黑简1.0"))

字体下载地址：

http://www.zhaozi.cn/

大家可以根据自己的喜好选择喜欢的字体

brewer.pal配色如下，大家可以根据喜好选择：

(3)画出标签云

wordcloud(mydata$词汇,mydata$词频,random.order=FALSE,random.color=TRUE,colors=mycolors,family="myFont")

所有代码：

library(rJava)
library(Rwordseg) 
library(RColorBrewer)
library(wordcloud)
#读入数据  
lecture<-read.csv("E:/Rtagcloud/hongloumeng.txt", stringsAsFactors=FALSE,header=FALSE) 
#文本预处理  
res=lecture[]
#分词+频数统计  
installDict("E:\红楼梦词汇大全.scel","hongloumeng1")
installDict("E:\红楼梦群成员名字词库.scel","hongloumeng2")
installDict("E:\红楼梦词汇.scel","hongloumeng3")
words=unlist(lapply(X=res, FUN=segmentCN))
#unlist将list类型的数据，转化为vector
#lapply()返回一个长度与X一致的列表，每个元素为FUN计算出的结果，且分别对应到X中的每个元素。
word=lapply(X=words, FUN=strsplit, " ") 
v=table(unlist(word))
#table统计数据的频数
# 降序排序  
v=rev(sort(v))

d=data.frame(词汇=names(v), 词频=v)   #创建数据框
#过滤掉1个字和词频小于200的记录  
d=subset(d, nchar(as.character(d$词汇))>1 & d$词频>=100)  
  
#输出结果
write.csv(d, file="E:/Rtagcloud/hongloumengfcresult.csv", row.names=FALSE)   

#画出标签云
mydata<-read.csv("E:/Rtagcloud/hongloumengfcresult.csv",head=TRUE)
mycolors <- brewer.pal(12,"Paired")
windowsFonts(myFont=windowsFont("锐字巅峰粗黑简1.0")) 
wordcloud(mydata$词汇,mydata$词频,random.order=FALSE,random.color=TRUE,colors=mycolors,family="myFont")

以下是博主画的其它标签云（对啦对啦就是上瘾啦233）：

《时间简史》

这只是很简单很简单的文本分析入门，继续努力~