Nie jestem do końca pewien, co dokładnie VectorSource i VCorpus są w pakiecie „tm”.
Dokumentacja jest niejasna, czy ktoś może sprawić, że zrozumiem w prosty sposób?
źródło
Nie jestem do końca pewien, co dokładnie VectorSource i VCorpus są w pakiecie „tm”.
Dokumentacja jest niejasna, czy ktoś może sprawić, że zrozumiem w prosty sposób?
„Corpus” to zbiór dokumentów tekstowych.
VCorpus w tm odnosi się do „lotnego” korpusu, co oznacza, że korpus jest przechowywany w pamięci i zostanie zniszczony, gdy obiekt R zawierający go zostanie zniszczony.
Porównaj to z PCorpus lub Permanent Corpus, które są przechowywane poza pamięcią, powiedzmy w db.
Aby utworzyć VCorpus za pomocą tm, musimy przekazać obiekt „Source” jako parametr do metody VCorpus. Możesz znaleźć źródła dostępne za pomocą tej metody -
getSources ()
[1] „DataframeSource” „DirSource” „URISource” „VectorSource”
[5] „XMLSource” „ZipSource”
Lokalizacje źródłowe abstrakcji, takie jak katalog lub identyfikator URI itp. VectorSource służy tylko do wektorów znaków
Prosty przykład:
Powiedz, że masz wektor char -
input <- c („To jest pierwsza linia.”, „A to jest druga”)
Utwórz źródło - vecSource <- VectorSource (wejście)
Następnie utwórz korpus - VCorpus (vecSource)
Mam nadzieję że to pomoże. Możesz przeczytać więcej tutaj - https://cran.r-project.org/web/packages/tm/vignettes/tm.pdf
W praktyce istnieje duża różnica między Corpus
i VCorpus
.
Corpus
używa SimpleCorpus
domyślnie, co oznacza, że niektóre funkcje VCorpus
nie będą dostępne. Od razu widać, że SimpleCorpus
nie pozwoli ci zachować myślników, znaków podkreślenia ani innych znaków interpunkcyjnych; SimpleCorpus
lub Corpus
automatycznie je usuwa, VCorpus
nie robi. Istnieją inne ograniczenia Corpus
, które znajdziesz w pomocy ?SimpleCorpus
.
Oto przykład:
# Read a text file from internet
filePath <- "http://www.sthda.com/sthda/RDoc/example-files/martin-luther-king-i-have-a-dream-speech.txt"
text <- readLines(filePath)
# load the data as a corpus
C.mlk <- Corpus(VectorSource(text))
C.mlk
V.mlk <- VCorpus(VectorSource(text))
V.mlk
Dane wyjściowe będą:
<<SimpleCorpus>>
Metadata: corpus specific: 1, document level (indexed): 0
Content: documents: 46
<<VCorpus>>
Metadata: corpus specific: 0, document level (indexed): 0
Content: documents: 46
Jeśli zrobić inspekcję obiektów:
# inspect the content of the document
inspect(C.mlk[1:2])
inspect(V.mlk[1:2])
Zauważysz, że Corpus
rozpakowujesz tekst:
<<SimpleCorpus>>
Metadata: corpus specific: 1, document level (indexed): 0
Content: documents: 2
[1]
[2] And so even though we face the difficulties of today and tomorrow, I still have a dream. It is a dream deeply rooted in the American dream.
<<VCorpus>>
Metadata: corpus specific: 0, document level (indexed): 0
Content: documents: 2
[[1]]
<<PlainTextDocument>>
Metadata: 7
Content: chars: 0
[[2]]
<<PlainTextDocument>>
Metadata: 7
Content: chars: 139
Podczas gdy VCorpus
utrzymuje go razem w obiekcie.
Powiedzmy, że teraz wykonujesz konwersję macierzy dla obu:
dtm.C.mlk <- DocumentTermMatrix(C.mlk)
length(dtm.C.mlk$dimnames$Terms)
# 168
dtm.V.mlk <- DocumentTermMatrix(V.mlk)
length(dtm.V.mlk$dimnames$Terms)
# 187
Na koniec zobaczmy treść. To jest z Corpus
:
grep("[[:punct:]]", dtm.C.mlk$dimnames$Terms, value = TRUE)
# character(0)
I od VCorpus
:
grep("[[:punct:]]", dtm.V.mlk$dimnames$Terms, value = TRUE)
[1] "alabama," "almighty," "brotherhood." "brothers."
[5] "california." "catholics," "character." "children,"
[9] "city," "colorado." "creed:" "day,"
[13] "day." "died," "dream." "equal."
[17] "exalted," "faith," "gentiles," "georgia,"
[21] "georgia." "hamlet," "hampshire." "happens,"
[25] "hope," "hope." "injustice," "justice."
[29] "last!" "liberty," "low," "meaning:"
[33] "men," "mississippi," "mississippi." "mountainside,"
[37] "nation," "nullification," "oppression," "pennsylvania."
[41] "plain," "pride," "racists," "ring!"
[45] "ring," "ring." "self-evident," "sing."
[49] "snow-capped" "spiritual:" "straight;" "tennessee."
[53] "thee," "today!" "together," "together."
[57] "tomorrow," "true." "york."
Spójrz na słowa z interpunkcją. To ogromna różnica. Czyż nie