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。

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

扫码关注云+社区

领取腾讯云代金券