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VRPinea

万代南梦宫携手《哆啦A梦》推VR体验,圆你童年美梦

2578
来自专栏大数据文摘

手把手 | 用R分析宋词三百首 自己动手写个“机器诗人”

1897
来自专栏vue学习

早起—怎样开启高效的一天?

原文作者:Gianni Cara  原文出处:www.quora.com/What-is-the-most-inspiring-way-to-start-the...

632
来自专栏大数据文摘

19张地图掀翻脑洞 还等什么快上车

1366
来自专栏FreeBuf

DIY一个自己喜欢的瓦力吧!

随着科学技术的快速发展,AI技术已经越来越接近人们的日常生活,人们对智能车的研究有增无减,智能小车已然成为以后科学技术发展的新思路和新方向。智能小车可以按照预先...

900
来自专栏Jerry的SAP技术分享

你的项目刚刚启动?是时候考虑Globalization了!

关于这个很长的定语的由来,请参考这篇文章,里面有王聪的背景介绍,包括他种菜的特长:当我用UI5诊断工具时我用些什么。

872
来自专栏人工智能头条

深入了解推荐引擎组件(基于Apache Mahout和Elasticsearch)

1465
来自专栏量子位

想象力惊人!只凭一句话,AI就能脑补出动漫小片

安妮薇,《摩登原始人》是一部首播于1960年的喜剧动画片。第一季在豆瓣上被2.2万用户打出8.7分的评价。

883
来自专栏IT派

程序员那些牛逼闪闪的禁术,看到第二条我就忍不住哈哈哈哈哈哈哈哈

在和产品经理进行需求对峙时,一本正经地把不好/不想实现的功能通过玄学等方式口述出来,让产品经理当场懵逼,知难而退。

1260
来自专栏老九学堂

这是一位师兄的算法学习之路

这篇文章讲了什么: 我这些年学习数据结构和算法的总结。 一些不错的算法书籍和教程。 算法的重要性 初学 第一次接触数据结构是在大二下学期的数据结构课程。然而这...

3687

扫描关注云+社区