用R进行文本挖掘与分析：分词、画词云【2】

上一篇文章《用R进行文本挖掘与分析：分词、画词云》的方法复杂了些，折腾了些，绕了些弯子。后来发现可以更简单，比如分词后不用另存一个文件、分词后可以进行停用词的删除、不用外部工具统计词频等等。总之一串代码一次搞定。

还是以"总理2014年的政府工作报告.txt"为例，进行分析。

1、直接上源码：

-----------------------以下是源码，直接复制即可使用---------------------------------

#调入分词的库

library("rJava")

library("Rwordseg")

#调入绘制词云的库

library("RColorBrewer")

library("wordcloud")

#读入数据(特别注意，read.csv竟然可以读取txt的文本)

myfile<-read.csv(file.choose(),header=FALSE)

#预处理，这步可以将读入的文本转换为可以分词的字符，没有这步不能分词

myfile.res <- myfile[myfile!="
"]

#装载分词词典（如果需要的话，我这里没有装载，下面有说明）

#分词，并将分词结果转换为向量

myfile.words <- unlist(lapply(X = myfile.res,FUN = segmentCN))

#剔除URL等各种不需要的字符，还需要删除什么特殊的字符可以依样画葫芦在下面增加gsub的语句

myfile.words <- gsub(pattern="http:[a-zA-Z\\/\\.0-9]+","",myfile.words)

myfile.words <- gsub("\n","",myfile.words)

myfile.words <- gsub("　","",myfile.words)

#去掉停用词

data_stw=read.table(file=file.choose(),colClasses="character")

stopwords_CN=c(NULL)

for(i in 1:dim(data_stw)[1]){

stopwords_CN=c(stopwords_CN,data_stw[i,1])

}

for(j in 1:length(stopwords_CN)){

myfile.words <- subset(myfile.words,myfile.words!=stopwords_CN[j])

}

#过滤掉1个字的词

myfile.words <- subset(myfile.words, nchar(as.character(myfile.words))>1)

#统计词频

myfile.freq <- table(unlist(myfile.words))

myfile.freq <- rev(sort(myfile.freq))

myfile.freq <- data.frame(word=names(myfile.freq),
freq=myfile.freq);

#按词频过滤词，过滤掉只出现过一次的词，这里可以根据需要调整过滤的词频数

myfile.freq2=subset(myfile.freq,
myfile.freq$freq>=2)

#绘制词云

#设置一个颜色系：

mycolors <- brewer.pal(8,"Dark2")

#设置字体

windowsFonts(myFont=windowsFont("华文彩云"))

#画图

wordcloud(myfile.freq2$word,myfile.freq2$freq,random.order=FALSE,

random.color=FALSE,colors=mycolors,family="myFont")

-------------------------源码结束-------------------------------

2、看看效果



3、关于停用词

停用词就是没有实际意义，但使用频率又很高的词，比如"的、地、得、当然、并且、而且、去、拿、好"等等。这类词语对分析、绘制词云都有干扰，需要去掉。可以到网上找找"停用词表"，是个txt文件，每个词一行。一般有2个版本，分别为500多个词、1000多个词。我用了后一个版本。

4、关于如何准确分词

首先，"Rwordseg"库的分词已经很不错了，调用了java的分词程序进行分词，分词的精度高、速度快，还能标注词性，其算法采用中科院的ictclas中文分词算法，基于隐马尔科夫模型（HMM）进行分词，且开源。算是目前国内中文分词的佼佼者。

其次，就算"Rwordseg"的分词很精准，但程序总归是程序，算法总归是算法，实际分词过程中仍然会出现误差。比如会将"两岸关系"分为"两岸"、"关系"，把"港澳特别行政区"分为"港澳"、"特别"、"行政区"。实际上这两个词都是整体词，不用分开。要修正这种误差，需要自己提供修正词库。

"Rwordseg"可以导入2种类型的词库来修正，一种是txt版本的词库，一种是scel版本的词库（就是搜狗输入法的细胞词库）。对txt版本的词库，自己新建一个即可，把一些自定义的、特殊的词语输入进去，每个词一行就可以了；对scel版本的词库，直接到搜狗输入法的官方网站下载就可以了，比如需要分词的文章是计算机方面的
，就下载一个计算机专业的细胞词库。

搞好词库后，用下面的语句就可以装入内存：

installDict(file.choose(),dictname = "my dict")

查看装载的词典：

listDict()

删除安装的词典：

uninstallDict()

5、关于对wordcloud的吐槽

Wordcloud虽然给R提供了绘制词云的功能，但是，实际上，根本上，不具备美感！功能还很单薄，比如形状不能改变等等。