R-wordcloud: 词云图 - 码农教程

好几位读者来信说，《R语言数据可视化之美》(增强版)的词云图的代码有问题，我今天更新了一轮，这主要原因在R语言及其包的更新，导致源代码有可能运行错误。R语言的优势在于其开源，有世界的专家学者一起开发新的包，以及其R语言本身不断更新迭代增强；这也是它的问题，因为很多时候不同包由于版本问题，会导致老版本的程序运行有误。

Anyway，很感谢诸位读者的来信！考虑到，我怕wordcloud包会再更新导致文本处理又出现错误，而不能绘制词云图。我专门把处理的文本分析结果导出存成csv文件。这样的话，可以使文本分析过程与词云图绘制分离开来，不会因为其中一部分的程序有误而不能运行另外一部分的程序。关于词云图更加详细的讲解，请学习《R语言数据可视化之美》(增强版)。

R中的wordcloud包提供了绘制词云图的函数：wordcloud()、comparison.cloud()和commonality. cloud()。其中，用wordcloud(words,freq)函数绘制词云图时，只需要提供文本（words）和对应的频率（frequency）；comparison.cloud(term.matrix)和cpommonality.cloud(term.matrix)可以绘制对比词云图，term. matrix是一个行名，代表文本，每列数值代表文本对应的频数的矩阵。图3-9-3 单篇文章的词云图和图3-9-4两篇文章的词云图的具体代码如下所示。

library(tm)
library(wordcloud)

Paper1<-paste(scan("Paper1.txt", what = character(0),sep = ""), collapse = " ") #读入TXT 文档1
Paper2<-paste(scan("Paper2.txt", what = character(0),sep = ""), collapse = " ") #读入TXT 文档2
tmpText<- data.frame(c(Paper1, Paper2),row.names=c("Text1","Text2"))
df_title <- data.frame(doc_id=row.names(tmpText),
                       text=tmpText$c.Paper1..Paper2.)
ds <- DataframeSource(df_title)
#创建一个数据框格式的数据源，首列是文档id(doc_id),第二列是文档内容
corp <- VCorpus(ds)
#加载文档集中的文本并生成语料库文件
corp<- tm_map(corp,removePunctuation) #清除语料库内的标点符号
corp <- tm_map(corp,PlainTextDocument) #转换为纯文本
corp <- tm_map(corp,removeNumbers) #清除数字符号
corp <- tm_map(corp, function(x){removeWords(x,stopwords())}) #过滤停止词库
term.matrix <- TermDocumentMatrix(corp)
#利用TermDocumentMatrix()函数将处理后的语料库进行断字处理，生成词频权重矩阵

term.matrix <- as.matrix(term.matrix) #频率
colnames(term.matrix) <- c("Paper1","paper2")
df<-data.frame(term.matrix)
write.csv(df,'term_matrix.csv') #导出两篇文章的频率分析结果

导出的文本频率分析结果'term_matrix.csv'如图3-9-2所示，其中文本为索引行名，然后每列对应每篇文章的文本频率，然后我们使用一下语句就可以展示单篇和两篇文章的词云图：

df<-read.csv('term_matrix.csv',header=TRUE,row.names=1)
#图3-9-3(a): 单篇文章Paper1数据的展示
wordcloud(row.names(df) , df$Paper1 , min.freq=10,col=brewer.pal(8, "Dark2"), rot.per=0.3 )
#图3-9-3(b): 单篇文章Paper2数据的展示
wordcloud(row.names(df) , df$Paper2 , min.freq=10,col=brewer.pal(8, "Dark2"), rot.per=0.3 )

#两篇文章数据的对比
#图3-9-4(a)：两篇文章的独有部分
comparison.cloud(df,max.words=300,random.order=FALSE,colors=c("#00B2FF", "red"))
#图3-9-4(b)：两篇文章的共有部分
commonality.cloud(df,max.words=100,random.order=FALSE,color="#E7298A")

图3-9-2 词的频率数据

图3-9-3 单篇文章的词云图

图3-9-4 两篇文章的词云图

【本文内容摘自《R语言数据可视化之美》】