R语言︱词典型情感分析文本操作技巧汇总（打标签、词典与数据匹配等）
R语言︱词典型情感分析文本操作技巧汇总（打标签、词典与数据匹配等）
笔者寄语：情感分析中对文本处理的数据的小技巧要求比较高，笔者在学习时候会为一些小技巧感到头疼不已。
主要包括以下内容：
1、批量读取txt字符文件（导入、文本内容逐行读取、加入文档名字）、
2、文本清洗（一级清洗，去标点；二级清洗去内容；三级清洗，去停用词）
3、词典之间匹配（有主键join、词库匹配%in%）
4、分词之后档案id+label的加入
5、情感打分（关联情感词join、情感分数aggerate、情感偏向）
————————————————————————————————————————————
1、批量读取txt字符文件
难题：一个文件夹有许多txt文件，如何导入，并且读出来，还要加上文档名字？
1.1 如何导入？
如何用函数批量导入文本，并且能够留在R的环境之中?循环用read.table，怎么解决每个文本文件命名问题？
list函数能够有效的读入，并且存放非结构化数据。
reviewpath <- "F:/R语言/train2"
completepath <- list.files(reviewpath, pattern = "*.txt$", full.names = TRUE)代码解读：reviewpath为文件夹的目录名字，completepath为读取文件夹中所有的文件，生成字符串（character）格式。
详细的文本文件读取方法，可见博客。
1.2 如何读取单文本内容？
前面文档导入，相当于是给每个文档定了位，现在需要读入单个文档内的文本信息。
文本文档读取的时候会出现很多问题，比如分隔符、制表符等，而出现乱码，需要逐行读取。
######批量读入文本
read.txt <- function(x) {
des <- readLines(x) #每行读取
return(paste(des, collapse = "")) #没有return则返回最后一个函数对象
}
review <- lapply(completepath, read.txt)
#如果程序警告，这里可能是部分文件最后一行没有换行导致，不用担心。代码解读：read.txt是一个简单的逐行读取的函数，readLines函数，是将一段文字分成以下的形式，需要粘贴起来；
[1] ""
[2] "刚买的这款电脑，在自提点打开的，就发现键盘已经坏了，有个按键都快掉了，自提点不管，让去联系退换货部门，退换货部门说键盘坏了不管退换，让去惠普自己更换新键盘。"
[3] ""
[4] "在京东刚买的东西出现问题就要四处跑去修理，他们把责任推的一干二净，现在除非你出具惠普的质检报告，他们才给受理。"
[5] "" return(paste)函数将每一行粘贴在一起，最后返回完整的文本内容；
lapply表示逐文本读取。
1.3 加入文档名字
读取了每个文档到list之中，怎么跟每个文档名字匹配在一起？
docname <- list.files(reviewpath, pattern = "*.txt$")
reviewdf <- as.data.frame(cbind(docname, unlist(review)),
stringsAsFactors = F)
colnames(reviewdf) <- c("id", "msg") #列名代码解读：list.files中，full.names=F代表返回文档名字（默认），full.names=T则定位文档；
利用as.data.frame成为一个数据框，并且不变成因子型，stringsAsFactors是因为文档名字列，很容易变成字符因子型，需要关闭这功能；
colnames修改列名，还有names也可以达到同样的效果。
图 1
————————————————————————————————————————————
2、文本清洗工作
文本挖掘中，对文本的清洗工作尤为重要，会出现比如：英文逗号、波浪线、英文单引号、英文双引号、分隔符等
2.1 一级清洗——去标点
如图1,所示的msg，对其进行一些标点清洗，比如双引号，波浪号等。
reviewdf$msg <- gsub(pattern = " ", replacement ="", reviewdf$msg) #gsub是字符替换函数，去空格
reviewdf$msg <- gsub("\t", "", reviewdf$msg) #有时需要使用\\\t
reviewdf$msg <- gsub(",", "，", reviewdf$msg)#文中有英文逗号会报错，所以用大写的“，”
reviewdf$msg <- gsub("~|'", "", reviewdf$msg)#替换了波浪号（~）和英文单引号（'），它们之间用“|”符号隔开，表示或的关系
reviewdf$msg <- gsub("\\\"", "", reviewdf$msg)#替换所有的英文双引号（"），因为双引号在R中有特殊含义，所以要使用三个斜杠（\\\）转义代码解读：英文单引号（'）、英文双引号（"）、波浪号（~），都会引起读取时发生警告，带来csv文件或txt文件读取不完整的后果。还有一些字符型会出现乱码的标点等，详见博客：R语言︱文本（字符串）处理与正则表达式
2.2 二级清洗——去内容
如图1 ,msg，对文档进行二级清洗，比如清楚全英文字符、清除数字等。
sentence <- as.vector(test$msg) #文本内容转化为向量sentence
sentence <- gsub("[[:digit:]]*", "", sentence) #清除数字[a-zA-Z]
sentence <- gsub("[a-zA-Z]", "", sentence) #清除英文字符
sentence <- gsub("\\.", "", sentence) #清除全英文的dot符号
sentence <- sentence[!is.na(sentence)] #清除对应sentence里面的空值（文本内容），要先执行文本名
sentence <- sentence[!nchar(sentence) < 2] #`nchar`函数对字符计数，英文叹号为R语言里的“非”函数代码解读：在进行二级清洗的过程中，需要先转化为向量形式，as.vector；
字符数过小的文本也需要清洗，nchar就是字符计数函数。
2.3 三级清理——停用词清理（哎呦，哎，啊...）
去除原理就是导入停用词列表，是一列chr[1:n]的格式；
先与情感词典匹配，在停用词库去掉情感词典中的单词，以免删除了很多情感词，构造新的停用词；
再与源序列匹配，在原序列中去掉停用词。
第一种方法：
stopword <- read.csv("F:/R语言/R语言与文本挖掘/情感分析/数据/dict/stopword.csv", header = T, sep = ",", stringsAsFactors = F)
stopword <- stopword[!stopword$term %in% posneg$term,]#函数`%in%`在posneg$term中查找stopword的元素，如果查到了就返回真值，没查到就返回假
#结果是一个和stopword等长的波尔值向量，“非”函数将布尔值反向
testterm <- testterm[!testterm$term %in% stopword,]#去除停用词代码解读:
管道函数A %in% B，代表在A中搜索B，存在则生成（TRUE,FALSE,TRUE）布尔向量,其中TURE代表A/B共有的。形成一个与原序列的等长的波尔值向量，“非”函数将布尔值反向就可以去除停用词。
stopword[!stopword$term %in% posneg$term,]，去掉stopword中与posneg共有的词；
testterm[!testterm$term %in% stopword$term,]，去掉testtrerm（原序列）与stopword共有的词。
第二种方法：
stopword <- read.csv("F:/R语言/R语言与文本挖掘/情感分析/数据/dict/stopword.csv", header = T, sep = ",", stringsAsFactors = F)
stopword <- setdiff(stopword$term,posneg$term)
testterm<- setdiff(testterm$term,stopword)setdiff（x,y），代表在x中去掉xy共有的元素。
setdiff与%in%都是集合运算符号，可见其他的一些符号：R语言︱集合运算
————————————————————————————————————————————
3、文档之间匹配
3.1 有主键的情况
如图1 中的id，就是一个主键，建立主键之间的关联可以用plyr中的Join函数，`join`默认设置下执行左连接。
#plyr包里的`join`函数会根据名称相同的列进行匹配关联，`join`默认设置下执行左连接
reviewdf <- join(表1,表2)
reviewdf <- 表1[!is.na(表1$label),] #非NA值的行赋值代码解读：表1为图1中的数据表，表2是id+label；
join之后，在表1中加入匹配到的表2的label；
并且通过[!x,]去掉了，没有label的文本。 其他关于主键合并的方法有，dplyr包等，可见博客：R语言数据集合并、数据增减
3.2 词库之间相互匹配
1、集合运算（%in%/setdiff()）——做去除数据
在2.3的三级停用词清理的过程中，就会用到这个。两个词库，但是没有主键，两个词库都有共有的一些词语，那么怎么建立两个词库的连接呢？
管道函数%in%，可以很好的解决。A%in%B，代表在A中搜索B，存在B则生成（TRUE,FALSE,TRUE）布尔向量,其中TURE代表A/B共有的。
向量长度依存于A，会生成一个与A相同长度的布尔向量，通过A[布尔向量,]就可以直接使用。
回忆一下，缺失值查找函数，A[na.is(x)],也是生成布尔向量。
详细见2.3的停用词删除的用法。
2、left_join——词库匹配打标签
以上%in%较为适合做去除数据来做，因为可以生成布尔向量，作为过渡。但是如何连接词库，并且匹配过去标签呢。
现在有两个数据：
> head(temp)
term df
1 阿波罗 0.0000573263
2 阿尔卑斯山 0.0000573263
3 阿富汗 0.0001719789
4 阿哥 0.0001146526
5 阿根廷 0.0000573263
6 阿拉伯 0.0001146526
> head(traintfidf[,1:3])
id label term
1 4995.txt 1 阿波罗
2 16443.txt 1 阿尔卑斯山
3 12897.txt 1 阿富汗
4 7001.txt 1 阿富汗
5 9427.txt 1 阿富汗
6 12368.txt 1 阿哥通过left_join之后，就可以根据每个词语匹配DF值，并且在源数据重复的情况下，还是能够顺利匹配上。
用在监督式算法情感分析之中，可见R语言︱监督算法式的情感分析笔记。
> head(traintfidf[,1:5])
id label term tf df
1 4995.txt 1 阿波罗 1 0.0000573263
2 16443.txt 1 阿尔卑斯山 1 0.0000573263
3 12897.txt 1 阿富汗 2 0.0001719789
4 7001.txt 1 阿富汗 1 0.0001719789
5 9427.txt 1 阿富汗 1 0.0001719789
6 12368.txt 1 阿哥 1 0.0001146526————————————————————————————————————————————
4、分词之后文档如何整理？——构造一个单词一个文档名一个label
分词之后，一个文档可能就有很多单词，应该每个单词都单独列出来，并且一个单词一个文档名一个label。
图 2
system.time(x <- segmentCN(strwords = sentence))
#每次可能耗费时间较长的过程，都要使用少量数据预估一下时间，这是一个优秀的习惯
temp <- lapply(x, length) #每一个元素的长度,即文本分出多少个词
temp <- unlist(temp) #lapply返回的是一个list，所以3行unlist
id <- rep(test[, "id"], temp) #将每一个对应的id复制相应的次数，就可以和词汇对应了
label <- rep(test[, "label"], temp)#id对应的情感倾向标签复制相同的次数
term <- unlist(x) #6行将list解散为向量
testterm <- as.data.frame(cbind(id, term, label), stringsAsFactors = F)
#将一一对应的三个向量按列捆绑为数据框，分词整理就基本结束了代码解读：segmentCN是分词函数；lapply求得每个文本单词个数；
unlist，可以让单词变成向量化,单词操作的时候都需要这步骤，比如前面对单词进行清洗，需要展平数据；
rep，重复id以及label，按照单词个数，rep(c("id","su"),c(2,1))，执行之后为“id”“id”“su”。
————————————————————————————————————————————
5、情感打分
5.1 关联情感词
现在有了图2的数据以及情感词典数据图3，以term为主键，进行join合并。情感词典中没有的词，则删除。
图 3
library(plyr)
testterm <- join(testterm, posneg)
testterm <- testterm[!is.na(testterm$weight), ]
head(testterm)代码解读：join，以term进行左关联合并，在A表中，会多出来weigh的一列，但是会出现（1,NA,2，3，NA），一些没有匹配到的NA，
用[is.na(testterm$weight),]来进行删除。
5.2 情感分数
有了图2的id+weight列，就可以直接分组汇总，比如aggregate，其他汇总函数可见比博客：R语言数据集合并、数据增减
dictresult <- aggregate(weight ~ id, data = testterm, sum)对weight列以文本id分组求和，即为情感打分。
5.3 情感偏向
有了情感分数，我想单单知道这些ID正负，就像图2中的label。
可以利用布尔向量建立连接。
dictlabel <- rep(-1, length(dictresult[, 1]))
dictlabel[dictresult$weight > 0] <- 1
dictresult <- as.data.frame(cbind(dictresult, dictlabel), stringsAsFactors = F)先生成一个原数列长度的-1数列；
在原数列$weight>0会生成一个布尔向量，然后进行赋值，就可以构造label了。