专栏名称: 大数据挖掘DT数据分析
实战数据资源提供。数据实力派社区,手把手带你玩各种数据分析,涵盖数据分析工具使用,数据挖掘算法原理与案例,机器学习,R语言,Python编程,爬虫。如需发布广告请联系: hai299014
目录
相关文章推荐
数据派THU  ·  【ICML2025】LADA:用于持续学习的 ... ·  昨天  
数据派THU  ·  IJCV 2025 | ... ·  昨天  
数局  ·  MarketUP&百格活动:2025年B2B ... ·  2 天前  
InfoTech  ·  居然比DeepSeek还火! ·  5 天前  
51好读  ›  专栏  ›  大数据挖掘DT数据分析

中文分词实践(基于R语言)

大数据挖掘DT数据分析  · 公众号  · 大数据  · 2017-01-19 20:36

正文

请到「今天看啥」查看全文


* 环境准备 (Windows或Linux版本都行):

R下载:http://mirrors.ustc.edu.cn/CRAN/
Rwordseg包下载:https://r-forge.r-project.org/R/?group_id=1054
rJava包下载:http://cran.r-project.org/web/packages/rJava/index.html
Rwordseg和rJava这些包解压后放到\R\R-3.1.0\library即可


* R语言 实现 代码

  1. # 加载rJava、Rwordseg库

  2. library(rJava);

  3. library(Rwordseg);

  4. # == 读入数据

  5. lecture=read.csv("E:\\worldcup_test.txt",sep=",",header=TRUE,fileEncoding="UTF-8");

  6. # 查看前几行,看是否有字符编码问题

  7. head(lecture);

  8. # 获取数据集长度

  9. n=length(lecture[,1]);

  10. print(n)

  11. # == 文本预处理

  12. res=lecture[lecture!=" "];

  13. #剔除URL

  14. res=gsub(pattern="http:[a-zA-Z\\/\\.0-9]+","",res);

  15. #剔除特殊词

  16. res=gsub(pattern="[我|你|的|了|是]","",res);

  17. # == 分词+频数统计

  18. words=unlist(lapply(X=res, FUN=segmentCN));

  19. word=lapply(X=words, FUN=strsplit, " ");

  20. v=table(unlist(word));

  21. # 降序排序

  22. v=rev(sort(v));

  23. d=data.frame(word=names(v), freq=v);

  24. # 过滤掉1个字和词频小于100的记录

  25. d=subset(d, nchar(as.character(d word))>1 & d " role="presentation" style=" display: inline-block; line-height: 0; font-size: 20.32px; word-wrap: normal; word-spacing: normal; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; border: 0px; padding-top: 1px; padding-bottom: 1px; "> word))>1 & d freq>=100)

  26. # == 输出结果







请到「今天看啥」查看全文