数据挖掘：手把手教你文本挖掘

Posted 2021-04-16 R语言中文社区

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了数据挖掘：手把手教你文本挖掘相关的知识，希望对你有一定的参考价值。

4月20日（今晚）Sim老师在Hellobi Live直播授课《手把手教你做文本挖掘》，阅读全文课报名。老司机带你快速上手文本挖掘！

一、文本挖掘定义

文本挖掘指的是从文本数据中获取有价值的信息和知识，它是数据挖掘中的一种方法。文本挖掘中最重要最基本的应用是实现文本的分类和聚类，前者是有监督的挖掘算法，后者是无监督的挖掘算法。

二、文本挖掘步骤

1）读取数据库或本地外部文本文件

2）文本分词

2.1）自定义字典

2.2）自定义停止词

2.3）分词

2.4）文字云检索哪些词切的不准确、哪些词没有意义，需要循环2.1、2.2和 2.3步骤

3）构建文档-词条矩阵并转换为数据框

4）对数据框建立统计、挖掘模型

5）结果反馈

三、文本挖掘所需工具

本次文本挖掘将使用R语言实现，除此还需加载几个R包，它们是tm包、tmcn包、Rwordseg包和wordcloud包。其中tmcn包和Rwordseg包无法在CRAN镜像中下载到，有关这两个包的下载方法可参见下文：

R语言之文本挖掘--分词

四、实战

本文所用数据集来自于sougou实验室数据，具体可至如下链接下载：

http://download.labs.sogou.com/dl/sogoulabdown/SogouC.mini.20061102.tar.gz

本文对该数据集做了整合，将各个主题下的新闻汇总到一张csv表格中，数据格式如下图所示：

具体数据可至文章后面的链接。

#加载所需R包

library(tm)

library(Rwordseg)

library(wordcloud)

library(tmcn)

#读取数据

mydata <- read.table(file = file.choose(), header = TRUE, sep = ',', stringsAsFactors = FALSE)

str(mydata)

数据挖掘：手把手教你文本挖掘

接下来需要对新闻内容进行分词，在分词之前需要导入一些自定义字典，目的是提高切词的准确性。由于文本中涉及到军事、医疗、财经、体育等方面的内容，故需要将搜狗字典插入到本次分析的字典集中。

#添加自定义字典

installDict(dictpath = 'G:\dict\财经金融词汇大全【官方推荐】.scel',

dictname = 'Caijing', dicttype = 'scel')

installDict(dictpath = 'G:\dict\军事词汇大全【官方推荐】.scel',

dictname = 'Junshi', dicttype = 'scel')

installDict(dictpath = 'G:\dict\篮球【官方推荐】.scel',

dictname = 'Lanqiu', dicttype = 'scel')

installDict(dictpath = 'G:\dict\旅游词汇大全【官方推荐】.scel',

dictname = 'Lvyou', dicttype = 'scel')

installDict(dictpath = 'G:\dict\汽车词汇大全【官方推荐】.scel',

dictname = 'Qiche1', dicttype = 'scel')

installDict(dictpath = 'G:\dict\汽车频道专用词库.scel',

dictname = 'Qiche2', dicttype = 'scel')

installDict(dictpath = 'G:\dict\医学词汇大全【官方推荐】.scel',

dictname = 'Yixue', dicttype = 'scel')

installDict(dictpath = 'G:\dict\足球【官方推荐】.scel',

dictname = 'Zuqiu', dicttype = 'scel')

#查看已安装的词典

listDict()

数据挖掘：手把手教你文本挖掘

如果需要卸载某些已导入字典的话，可以使用uninstallDict()函数。

分词前将中文中的英文字母统统去掉。

#剔除文本中含有的英文字母

mydata$Text <- gsub('[a-zA-Z]','',mydata$Text)

#分词

segword <- segmentCN(strwords = mydata$Text)

#查看第一条新闻分词结果

segword[[1]]

数据挖掘：手把手教你文本挖掘
图中圈出来的词对后续的分析并没有什么实际意义，故需要将其剔除，即删除停止词。

#创建停止词

mystopwords <- read.table(file = file.choose(), stringsAsFactors = FALSE)

head(mystopwords)

class(mystopwords)

#需要将数据框格式的数据转化为向量格式

mystopwords <- as.vector(mystopwords[,1])

head(mystopwords)

数据挖掘：手把手教你文本挖掘
停止词创建好后，该如何删除76条新闻中实际意义的词呢？下面通过自定义删除停止词的函数加以实现。

#自定义删除停止词的函数

removewords <- function(target_words,stop_words){

target_words = target_words[target_words%in%stop_words==FALSE]

return(target_words)

}

segword2 <- sapply(X = segword, FUN = removewords, mystopwords)

#查看已删除后的分词结果

segword2[[1]]

数据挖掘：手把手教你文本挖掘
相比与之前的分词结果，这里瘦身了很多，剔除了诸如“是”、“的”、“到”、“这”等无意义的次。

判别分词结果的好坏，最快捷的方法是绘制文字云，可以清晰的查看哪些词不该出现或哪些词分割的不准确。

#绘制文字图

word_freq <- getWordFreq(string = unlist(segword2))

opar <- par(no.readonly = TRUE)

par(bg = 'black')

#绘制出现频率最高的前50个词

wordcloud(words = word_freq$Word, freq = word_freq$Freq, max.words = 50, random.color = TRUE, colors = rainbow(n = 7))

par(opar)

数据挖掘：手把手教你文本挖掘
很明显这里仍然存在一些无意义的词（如说、日、个、去等）和分割不准确的词语（如黄金周切割为黄金，医药切割为药等），这里限于篇幅的原因，就不进行再次添加自定义词汇和停止词。

#将已分完词的列表导入为语料库,并进一步加工处理语料库

text_corpus <- Corpus(x = VectorSource(segword2))

text_corpus

数据挖掘：手把手教你文本挖掘
此时语料库中存放了76条新闻的分词结果。

#去除语料库中的数字

text_corpus <- tm_map(text_corpus, removeNumbers)

#去除语料库中的多余空格

text_corpus <- tm_map(text_corpus, stripWhitespace)

#创建文档-词条矩阵

dtm <- DocumentTermMatrix(x = text_corpus, control = list(wordLengths = c(2,Inf)))

dtm