R tm包创建N个最常见词的矩阵

Question

R tm包创建N个最常见词的矩阵

7

我使用R中的tm包创建了一个termDocumentMatrix。

我想要创建一个含有前50个最常出现术语的矩阵/数据框。

在尝试将其转换为矩阵时，我遇到了以下错误：

> ap.m <- as.matrix(mydata.dtm)
Error: cannot allocate vector of size 2.0 Gb

所以我尝试使用Matrix软件包将其转换为稀疏矩阵：

> A <- as(mydata.dtm, "sparseMatrix") 
Error in as(from, "CsparseMatrix") : 
  no method or default for coercing "TermDocumentMatrix" to "CsparseMatrix"
> B <- Matrix(mydata.dtm, sparse = TRUE)
Error in asMethod(object) : invalid class 'NA' to dup_mMatrix_as_geMatrix

我尝试通过以下方式访问tdm的不同部分：

> freqy1 <- data.frame(term1 = findFreqTerms(mydata.dtm, lowfreq=165))
> mydata.dtm[mydata.dtm$ Terms %in% freqy1$term1,]
Error in seq_len(nr) : argument must be coercible to non-negative integer

这里有一些其他信息：

> str(mydata.dtm)
List of 6
 $ i       : int [1:430206] 377 468 725 3067 3906 4150 4393 5188 5793 6665 ...
 $ j       : int [1:430206] 1 1 1 1 1 1 1 1 1 1 ...
 $ v       : num [1:430206] 1 1 1 1 1 1 1 1 2 3 ...
 $ nrow    : int 15643
 $ ncol    : int 17207
 $ dimnames:List of 2
  ..$ Terms: chr [1:15643] "000" "0mm" "100" "1000" ...
  ..$ Docs : chr [1:17207] "1" "2" "3" "4" ...
 - attr(*, "class")= chr [1:2] "TermDocumentMatrix" "simple_triplet_matrix"
 - attr(*, "Weighting")= chr [1:2] "term frequency" "tf"
> mydata.dtm
A term-document matrix (15643 terms, 17207 documents)

Non-/sparse entries: 430206/268738895
Sparsity           : 100%
Maximal term length: 54 
Weighting          : term frequency (tf)

我的理想输出结果应该是这样的：

term      frequency
the         2123
and         2095
able         883
...          ...

有什么建议吗？

- screechOwl

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Pop · Accepted Answer

在tm中，术语-文档矩阵已经创建为稀疏矩阵。在这里，mydata.tdm$i 和 mydata.tdm$j 是矩阵索引的向量，mydata.tdm$v 是相关的频率向量。因此，您可以编写以下代码来创建稀疏矩阵：

sparseMatrix(i=mydata.tdm$i, j=mydata.tdm$j, x=mydata.tdm$v)

然后您可以使用rowSums并将您需要的行与它们所代表的术语链接起来，使用$Terms。