从 CSV 文件中挖掘 R 文本文档（每个文档一行）

Posted 2023-02-19

【中文标题】从 CSV 文件中挖掘 R 文本文档（每个文档一行）

【英文标题】：R text mining documents from CSV file (one row per doc)

【发布时间】：2013-08-02 13:42:44

【问题描述】：

我正在尝试使用 R 中的 tm 包，并有一个客户反馈的 CSV 文件，每一行都是不同的反馈实例。我想将此反馈的所有内容导入语料库，但我希望每一行都是语料库中的不同文档，以便我可以比较 DocTerms 矩阵中的反馈。我的数据集中有超过 10,000 行。

最初我做了以下事情：

fdbk_corpus <-Corpus(VectorSource(fdbk), readerControl = list(language="eng"), sep="\t")

这会创建一个包含 1 个文档和 >10,000 行的语料库，我想要 >10,000 个文档，每个文档包含 1 行。

我想我可以在一个文件夹中拥有 10,000 多个单独的 CSV 或 TXT 文档，并从中创建一个语料库......但我认为有一个比这更简单的答案，将每一行作为单独的文档读取。

【参考方案1】：

您可以在您的fdbk 对象上使用TermDocumentMatrix()，并获得一个术语文档矩阵，其中每一行代表一个客户反馈。

【参考方案2】：

这是获得所需内容的完整工作流程：

# change this file location to suit your machine
file_loc <- "C:\\Documents and Settings\\Administrator\\Desktop\\Book1.csv"
# change TRUE to FALSE if you have no column headings in the CSV
x <- read.csv(file_loc, header = TRUE)
require(tm)
corp <- Corpus(DataframeSource(x))
dtm <- DocumentTermMatrix(corp)

在dtm 对象中，每一行都是一个文档，或者是原始 CSV 文件的一行。每列都是一个单词。