在 R 中使用 TM 包的 VCorpus 时遇到的错误

Posted 2023-02-19

【中文标题】在 R 中使用 TM 包的 VCorpus 时遇到的错误

【英文标题】：Error faced while using TM package's VCorpus in R

【发布时间】：2018-05-04 12:43:58

【问题描述】：

我在使用 R 处理 TM 包时遇到以下错误。

library("tm")
Loading required package: NLP
Warning messages:
1: package ‘tm’ was built under R version 3.4.2 
2: package ‘NLP’ was built under R version 3.4.1 

corpus <- VCorpus(DataframeSource(data))

错误：all(!is.na(match(c("doc_id", "text"), names(x)))) 不正确

尝试了各种方法，例如重新安装软件包，使用新版本的 R 更新，但错误仍然存​​在。对于相同的数据文件，相同的代码在具有相同 R 版本的另一个系统上运行。

【参考方案1】：

当我将tm 包更新到 0.7-2 版本时，我遇到了同样的问题。 我查找了DataframeSource()的详细信息，它提到：

第一列必须命名为“doc_id”并包含每个文档的唯一字符串标识符。第二列必须命名为“文本”。

详情

数据框源将数据框 x 的每一行解释为一个文档。第一列必须命名为“doc_id”并包含每个文档的唯一字符串标识符。第二列必须命名为“text”，并包含一个表示文档内容的“UTF-8”编码字符串。可选的附加列用作文档级元数据。

我用下面的代码解决了：

df_cmp<- read.csv("test_file.csv",stringsAsFactors = F)

df_title <- data.frame(doc_id=row.names(df_cmp),
                       text=df_cmp$English.title)

您可以尝试将列名更改为doc_id 和text。

【参考方案2】：

我在使用BTM 包时也遇到了这个错误。正如Eva 所指出的，它可能与您的列标题有关（必须分别为doc_id 和text）。但是，就我而言，这是因为我的 doc_id 值已损坏并且不再是唯一的。如果错误仍然存​​在，请尝试检查您的 doc_id 值以确保它们正确递增。