R案例操作:RQDA和tm包结合进行文本挖掘

应用定性数据分析包RQDA(Qualitative Data Analysis)和文挖掘框架包tm结合进行文本挖掘。

在对访谈内容或剧本、小说部分内容进行文本挖掘时,如果用不断的剪粘保存的方法非常繁琐而且容易漏掉一些内容。好在黄荣贵开发的RQDA包可以进行文档管理和内容编码及提取,大大方便了利用tm包进行文本挖掘,既提高了效率又提高了准确性,下面举一个小例子:

1、安装RQDA包、tm包和中文分词软件(分词软件见下面链接); http://www.pinggu.org/bbs/thread-853290-1-1.html

注:现在中文分词软件已经直接放到RQDAtm程序包中(https://r-forge.r-project.org/R/?group_id=137),不需要另外安装。

2、装载RQDA包并建立一个新的工程项目;

3、输入相关文本文件;

4、进行编码和作标记;

5、双击想要提取的编码即可提取相关文本;

6、运行下面下载的程序进行文本提取、转换、分词、文本挖掘工作。

> gg <- RQDA2tm("记者" ,mf = FALSE)
> gg
A corpus with 55 text documents
>
------------------------------------------------
> ###  去掉多余空格  ####> reuters <- tm_map(gg, stripWhitespace)
> reuters[[1]]
这个也是临时改的?这儿应该放一个那样的桌子。
>
------------------------------------------------
> ##  全文搜索   ##> searchFullText(gg[[1]], "是临[时]?改")
[1] TRUE>
------------------------------------------------
> ###  查找以某字开头、结尾等的词条  ###> stemCompletion(gg, c("财", "政", "部"))
                  财                        政                       部"财政部就是替政府花钱的"                       ""                       ""------------------------------------------------
> ###  元数据管理  ###> DublinCore(reuters[[2]], "title") <- "建国60周年"> meta(reuters[[2]])
Available meta data pairs are:
  Author       :
  DateTimeStamp: 2010-07-15 02:06:27
  Description  :
  Heading      : 建国60周年
  ID           : 2
  Language     : eng
  Origin       :
>
------------------------------------------------
> ###  创建词条-文件矩阵>
> dtm <- DocumentTermMatrix(reuters,control = list(minWordLength=2))##最短词两个字> inspect(dtm[1:2, 3:6])
A document-term matrix (2 documents, 4 terms)
Non-/sparse entries: 0/8Sparsity           : 100%
Maximal term length: 5Weighting          : term frequency (tf)
    Terms
Docs 10000 12 120 1966
   1     0  0   0    0
   2     0  0   0    0------------------------------------------------
> ##  操作词条-文件矩阵  ##> ##  1、找出最少出现过3次的词条  ##> findFreqTerms(dtm, 3)
[1] "政策"------------------------------------------------
> ##  2、找出与"应该"相关度到少达0.6的词条  ###> findAssocs(dtm, "应该", 0.6)0.11 应该 桌子 临时1.0  1.0  1.0  0.7>

其他看上面的链接中的内容,其实生成词条-文件矩阵后还有许多工作可以做,比如用支持向量机进行文件分类、话题分类、根据话题用词频率分析作者所熟悉的行业等等……

民网 >> 时政 >> 时政专题 >> 网友进言

http://politics.people.com.cn/GB/8198/138817/index.html

MetaID fname fid 1 0 公安部答复本网网友关于轻微交通违法处罚等4问题 1 2 0 公安部答复本网网友关于驾龄计算、异地购车上牌、老人驾车等8问题 2 3 0 公安部答复本网网友关于如何转回农业户口等3问题 3 4 0 公安部回复本网网友关于驾驶证年检被注销等3问题 4 5 0 公安部回复人民网网友关于异地缴交通罚款等4问题 5 6 0 公安部回复人民网网友关于身份证重号错号等4问题 6

一、出现5次以上的词条 —————————————————————————- 1、根据编码“网友”分析:

gg <- RQDA2tm("网友" ,mf = TRUE)
> findFreqTerms(dtm, 5)
[1] "驾驶"   "身份证" "问题"

—————————————————————————- 2、根据编码“公安部回应”分析:

gg <- RQDA2tm("公安部回应" ,mf = TRUE)
> findFreqTerms(dtm, 5)
[1] "办理"   "部门"   "公安"   "管理"   "规定"   "机动车" "机关"   "交通"[9] "安全"   "不得"   "车辆"   "道路"   "驾驶"   "驾驶证" "汽车"   "实施"[17] "使用"   "小型"   "营运"   "载货"   "载客"   "证明"   "工作"   "法律"[25] "公民"   "居民"   "社会"   "身份"   "身份证" "条件"   "相关"   "行为"[33] "证件"   "措施"   "违法"   "应当"   "公安部" "信息"

************************************************************** 二、找出与“驾驶”相关达70%以上的词条 —————————————————————————- 1、根据编码“网友”分析:

> findAssocs(dtm, "驾驶", 0.7)
  驾驶 公安部   能否   规定   驾照   汽车  1.00   0.87   0.80   0.79   0.78   0.72

—————————————————————————- 2、根据编码“公安部回应”分析:

> findAssocs(dtm, "驾驶", 0.7)
  驾驶   需要   期限   证明   小型   法律   使用   中型 驾驶证   依法   检查  1.00   0.95   0.90   0.86   0.84   0.83   0.80   0.79   0.77   0.77   0.75
  有效   超过  0.75   0.72

************************************************************** MetaID fname fid 1 0 公安部答复本网网友关于轻微交通违法处罚等4问题 1 2 0 公安部答复本网网友关于驾龄计算、异地购车上牌、老人驾车等8问题 2 3 0 公安部答复本网网友关于如何转回农业户口等3问题 3 4 0 公安部回复本网网友关于驾驶证年检被注销等3问题 4 5 0 公安部回复人民网网友关于异地缴交通罚款等4问题 5 6 0 公安部回复人民网网友关于身份证重号错号等4问题 6

对上面的数据改为将每条回应为研究对象进行文档聚类分析,结果如下:

综合上面两种聚类分析可以判断:公安部负责对人民网网民进行回应的工作人员有两名,因为每个人的写作用词习惯是比较固定的。

对三位房地产大佬在搜房网博客近期文章的分析:

搜房网博客链接: 潘石屹 http://blog.soufun.com/blog_132261.htm 王石 http://blog.soufun.com/blog_1525150.htm 任志强 http://blog.soufun.com/blog_1796106.htm

标题:

> txt
  MetaID                          fname fid ID
1      0  穿越“鬼门关”登山者视界4(王)   3  1
2      0       美丽的建筑网友交流42(王)   7  2
3      0 如何了解日本民族网上交流43(王)   8  3
> txt
  MetaID                            fname fid ID
1      0   从发改委的文件看政策的变化(任)   4  1
2      0                   该不该降价(任)   6  2
3      0                 听老柳侃管理(任)  11  3
4      0 稳定、明确的政策预期更为重要(任)  12  4
5      0   先拆还是先建,这是一门艺术(任)  13  5
6      0   幸福指数——再次写给八零后(任)  16  6
> txt
   MetaID                                                 fname fid ID
1       0                      IPAD现象预示了社会结构的变化(潘)   1  1
2       0                              SOHO中国进驻上海外滩(潘)   2  2
3       0                        房地产业要做受人尊重的行业(潘)   5  3
4       0                商业地产与住房是两个完全不同的市场(潘)   9  4
5       0                              世界正经历分娩之阵痛(潘)  10  5
6       0                现在中国房地产市场上“尖叫”声一片(潘)  14  6
7       0                                信仰改变了我的生命(潘)  15  7
8       0               银河SOHO和光华路SOHO2通过LEED预认证(潘)  17  8
9       0                     银河SOHO开盘三天销售46.75亿元(潘)  18  9
10      0 致《酥油》作者: 你的爱和我们的感受构成世界的力量(潘)  19 10
> 

结果:

> ##  任志强最喜欢的用词:> inspect(dtm_rzq[,j])
A document-term matrix (6 documents, 10 terms)
Non-/sparse entries: 41/19Sparsity           : 32%
Maximal term length: 2Weighting          : term frequency (tf)
    Terms
Docs 价格 企业 租赁 发展 改革 没有 社会 一代 知道 中国   1    0    1    5    4    7    0    3    0    0    6
   2   31    2    0    3    1    7    4    0    4   15
   3    0   42    0    4    0    5    4    0    0    2
   4    9    1    0    0    0    7    4    0    3    4
   5    1    0   25    3    0    6    4    0    2    4
   6    1    5    0   25   48   30   55   41   35   51> ##  潘石屹最喜欢的用词:> inspect(dtm_psy[,j])
A document-term matrix (10 documents, 9 terms)
Non-/sparse entries: 49/41Sparsity           : 46%
Maximal term length: 4Weighting          : term frequency (tf)
    Terms
Docs 一个 商业 上海 外滩 项目 房地产 市场 土地 soho  1    17   12    0    0    0      4    4    1    1
  2     6   17   15   27   21      1    2    2    6
  3     8    0    0    0    2     11    2   10    0
  4     6   16    0    0    2      0    5    0   13
  5    10    2    0    0    6      0    0    0    9
  6     5    4    3    0    1     17   37   15    0
  7     5    0    0    0    1      0    1    0    0
  8     1    0    0    0    8      0    0    0    7
  9     1   15    0    0    4      0    9    0   18
  10    7    0    0    0    0      0    0    1    0> ##  王石最喜欢的用词> inspect(dtm_ws[,j])
A document-term matrix (3 documents, 16 terms)
Non-/sparse entries: 17/31Sparsity           : 65%
Maximal term length: 2Weighting          : term frequency (tf)
    Terms
Docs 冰川 穿越 攀登 融化 珠峰 处理 东京 焚烧 垃圾 等级 了解 日本 喜欢 相扑   1   18    6    4    8    4    0    0    0    0    0    0    0    0    0
   2    0    0    0    0    0    4    4    8   11    0    0    1    0    0
   3    0    0    0    0    0    0    0    0    0    4    4    7    4   10
    Terms
Docs 运动 秩序   1    0    0
   2    0    0
   3    4    6

由此看来王石仍然在到处玩儿,怪不得从万科A到万科B,再到万科债券08G1、08G2都跌的一塌糊涂。任志强的兴趣仍在研究国家政策,忧国忧民啊! 老潘的工作重点已经转到上海的商业地产了。

现在再用支持向量机的方法对上面的数据建模,看是否能分辨出某些话是谁说的:

> library(e1071)
> ##  生成训练用的数据   ##………………
> tt <- rbind(tt,tt1)
>
> tt[is.na(tt)]<-0> tt[,"作者"] <- factor(tt[,"作者"])
> model <- svm(作者 ~ ., data = tt[c(1:4,7:14,17:18),], kernel = "sigmoid")
> summary(model)
Call:
svm(formula = 作者 ~ ., data = tt[c(1:4, 7:14, 17:18), ], kernel = "sigmoid")
Parameters:
   SVM-Type:  C-classification
SVM-Kernel:  sigmoid
       cost:  1
      gamma:  0.01666667
     coef.0:  0Number of Support Vectors:  10( 4 4 2 )
Number of Classes:  3Levels:
潘石屹 任志强 王石
> ##   模型拟合测试  ##> ##  训练集(样本内)拟合     ##> pred <- predict(model, tt[c(1:4,7:14,17:18),1:length(hh)])
> table(pred, tt[c(1:4,7:14,17:18),"作者"])
pred     潘石屹 任志强 王石
  潘石屹      7      0    0
  任志强      1      4    0
  王石        0      0    2> ##  测试集(样本外)预测     ##> pred <- predict(model, tt[c(5:6,15:16,19),1:length(hh)])
> table(pred, tt[c(5:6,15:16,19),"作者"])
pred     潘石屹 任志强 王石
  潘石屹      2      0    0
  任志强      0      2    0
  王石        0      0    1

训练集中有一个错的,但预测集中全中。 ******************************************************* 哪么随机找两段他们的话看能判断出吗?

>
> test <- c("昨天休息了一天,驻地村子现在很大,二年前很小,自首位成功登上珠穆朗玛峰的探险家埃德蒙.希拉里组织义工建立学校医疗诊所,当地条件开始显著改善,目前这里三分之一的当地人已经移民国外,境外一些人士建立了一些家庭小旅馆,卫生条件不错,新西兰狮子会建立了一家小卫生所,以改善当地的医疗条件。这些让我体会到登山这项运动对当地生活条件改善的有益影响。")
>………………
> tt1[,c(test_h)] <- test_tt[,c(test_h)]
> tt1[is.na(tt1)]<-0> predict(model, tt1)
   1
王石
Levels: 潘石屹 任志强 王石
>

对了,是《珠峰零公里口述之四 (2010-4-9 16:06:22)》中的一段话。 ++++++++++++++++++++++++++++++++++++++++

> test <- c("2007年出台的“第二套住房的信贷”新政,让中国的房地产市场调头直下,在“两防”的政策推力和美国的金融危机双重作用之下,让中国的宏观经济也随之调头直下,GDP快速下降到6.3%,从而让中国政府不得不用四万亿元投资、放量的货币信贷和解封“第二套住房信贷”改为0.7倍信贷降息和对改善性住房(实际的第二套)信贷给以支持,才让中国的房地产和宏观经济从谷底翻转恢复到保八之上。
+ ")
……………………
> tt1[,c(test_h)] <- test_tt[,c(test_h)]
> tt1[is.na(tt1)]<-0> predict(model, tt1)
     1
任志强
Levels: 潘石屹 任志强 王石
>

也对了,是《何需分清几套房 (2010-4-29 9:38:52) 》中的一段话

那么下面这段文字是谁写的呢?

test <- c("经常有人问我第一桶金怎么来的,从哪里得到的,有多少。其实每次有人问我这个问题时,我都想说,人的第一桶金是自信。即使你没钱也不要怕,自信就是你的资本。也有人在自信前面加了一个不好的修饰语,叫盲目自信,我不太爱听。我说过很多次自我的害处,但我认为与自我有点关系的不多的好东西之一,就是自信。自信当然有自我意识,还有信,相信的信。相信,是正面的、健康的。要相信自己。一个相信自己的人才会相信他人,相信未来。")
> predict(model, tt1)     1潘石屹
Levels: 潘石屹 任志强 王石

太神奇了!潘石屹——《自信是人生第一桶金》的一段。见下面的链接:

http://www.pinggu.org/bbs/thread-863705-1-1.html

再根据他们所用的词频看看他们三人之关系谁更近一点:

> dist(tt_s)
..........潘石屹   任志强
任志强 243.6945
王石   161.1552 204.2890

原文发布于微信公众号 - 大数据挖掘DT数据分析(datadw)

原文发表时间:2015-12-03

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏龙行天下CSIEM

科学瞎想系列之十八 能源危机的化解

上回说到,能源危机其实不是能量没了,只是越来越不好用了,那么如何才能化解这个危机呢?推广可再生能源是一个不错的点子。 有人会问了,你不是说能量...

2847
来自专栏人工智能快报

人工智能力助肾脏诊断

科研人员利用超级计算机和人工智能技术对肾脏受损程度和寿命进行了预测。 现在,科研人员已经能够通过基于人工智能(AI)的超级计算机模型,借助患者前往医院进行肾脏活...

3658
来自专栏web前端教室

推荐几个好用的前端社区

前端乱炖 http://html-js.com/ segmentfault http://segmentfault.com/ 前端网 http://www.w3...

7276
来自专栏区块链

移动互联网勒索病毒研究报告——威胁场景的还原

一、移动安全管理现状 2017年5月,勒索病毒像颗长熟的脓疮,借着移动互联网的“东风”在全球大范围的爆发。勒索病毒给网络用户特别是移动端设备严重依赖人群带来了恶...

2020
来自专栏龙行天下CSIEM

科学瞎想系列之八十八 永磁电机(9)

【图片部分来自网络如有侵权敬请邮箱联系。欢迎原文转发到朋友圈,未经许可的媒体平台谢绝转载,如需转载或合作请邮件联系。联系邮箱laolicsiem@126.co...

971
来自专栏龙行天下CSIEM

科学瞎想系列之五十五 绝缘处理

搞电机的宝宝们都知道,绝缘处理是电机制造非常关键的环节,电机常见的绝缘处理工艺有浸渍烘焙、绝缘浇注、多胶系统的模压固化等。其中绝缘浇注多用于微特电机; 多胶系...

3204
来自专栏Y大宽

溶酶体和线粒体共存的可能性

在正常情况下,大部分肝细胞处于G0期,很少分裂,但是当受到某些机械,病毒,药物等刺激时,G0期细胞可以进入G1期,启动细胞周期。大鼠进行2/3肝切除后,剩余肝脏...

1022
来自专栏量子位

P图,还是阿逗比厉害(大师加持)

想要变成高手,想要随心所欲的修图,以后可能不需要苦练基本功了,你只需要一个马良那样的神笔。

931
来自专栏FSociety

爬了链家二手房数据来告诉你深圳房价到底多恐怖!

需要说明一点,我们采集的数据中未包含大鹏新区/光明新区,因为这两个新区房源信息较少,加上pyecharts里面深圳的行政区也未包含这两个新区,所以没将这两个区的...

4642
来自专栏AzMark

3天破9亿!上万条评论解读《西虹市首富》是否值得一看

作者介绍:徐麟,目前就职于上海唯品会产品技术中心,哥大统计数据狗,从事数据挖掘&分析工作,喜欢用R&Python玩一些不一样的数据

1603

扫码关注云+社区