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)
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。
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。
[plain]view plaincopyprint?
######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;
[plain]view plaincopyprint?
[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?
[plain]view plaincopyprint?
docname <- list.files(reviewpath, pattern = "*.txt$")
reviewdf <- as.data.frame(cbind(docname, unlist(review)),
stringsAsFactors = F)
colnames(reviewdf) <- c("id", "msg") #列名
代码解读:list.files中,full.names=F代表返回文档名字(默认),full.names=T则定位文档;
利用as.data.frame成为一个数据框,并且不变成因子型,stringsAsFactors是因为文档名字列,很容易变成字符因子型,需要关闭这功能;
colnames修改列名,还有names也可以达到同样的效果。
图 1
————————————————————————————————————————————
2、文本清洗工作
文本挖掘中,对文本的清洗工作尤为重要,会出现比如:英文逗号、波浪线、英文单引号、英文双引号、分隔符等
2.1 一级清洗——去标点
如图1,所示的msg,对其进行一些标点清洗,比如双引号,波浪号等。
[plain]view plaincopyprint?
reviewdf$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。
[plain]view plaincopyprint?
sentence <- as.vector(test$msg) #文本内容转化为向量sentence
sentence <- gsub("[[:digit:]]*", "", sentence) #清除数字[a-zA-Z]
sentence <- gsub("[a-zA-Z]", "", sentence) #清除英文字符
sentence <- gsub("\\.", "", sentence) #清除全英文的dot符号
sentence <- sentence[!is.na(sentence)] #清除对应sentence里面的空值(文本内容),要先执行文本名
sentence <- sentence[!nchar(sentence) < 2] #`nchar`函数对字符计数,英文叹号为R语言里的“非”函数
代码解读:在进行二级清洗的过程中,需要先转化为向量形式,as.vector;
字符数过小的文本也需要清洗,nchar就是字符计数函数。
2.3 三级清理——停用词清理(哎呦,哎,啊...)
去除原理就是导入停用词列表,是一列chr[1:n]的格式;
先与情感词典匹配,在停用词库去掉情感词典中的单词,以免删除了很多情感词,构造新的停用词;
再与源序列匹配,在原序列中去掉停用词。
第一种方法:
[plain]view plaincopyprint?
stopword <- read.csv("F:/R语言/R语言与文本挖掘/情感分析/数据/dict/stopword.csv", header = T, sep = ",", stringsAsFactors = F)
stopword <- stopword[!stopword$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$term,],去掉testtrerm(原序列)与stopword共有的词。
第二种方法:
setdiff(x,y),代表在x中去掉xy共有的元素。
setdiff与%in%都是集合运算符号,可见其他的一些符号:R语言︱集合运算
————————————————————————————————————————————
3、文档之间匹配
[plain]view plaincopyprint?
#plyr包里的`join`函数会根据名称相同的列进行匹配关联,`join`默认设置下执行左连接
reviewdf <- join(表1,表2)
reviewdf <- 表1[!is.na(表1$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
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:
[plain]view plaincopyprint?
> head(temp)
term df 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。
[plain]view plaincopyprint?
> head(traintfidf[,1:5])
id label term tf df
4995.txt 1 阿波罗 1 0.0000573263 16443.txt 1 阿尔卑斯山 1 0.0000573263
12897.txt 1 阿富汗 2 0.0001719789
7001.txt 1 阿富汗 1 0.0001719789
9427.txt 1 阿富汗 1 0.0001719789
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
[plain]view plaincopyprint?
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
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
[plain]view plaincopyprint?
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
[plain]view plaincopyprint?
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。数据分析师培训
[plain]view plaincopyprint?
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。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在当今这个数据驱动的时代,几乎每一个业务决策都离不开对数据的深入分析。而其中,指标波动归因分析更是至关重要的一环。无论是 ...
2025-02-18当数据开始说谎:那些年我们交过的学费 你有没有经历过这样的场景?熬了三个通宵做的数据分析报告,在会议上被老板一句"这数据靠 ...
2025-02-17数据分析作为一门跨学科领域,融合了统计学、编程、业务理解和可视化技术。无论是初学者还是有一定经验的从业者,系统化的学习路 ...
2025-02-17挖掘用户价值本质是让企业从‘赚今天的钱’升级为‘赚未来的钱’,同时让用户从‘被推销’变为‘被满足’。询问deepseek关于挖 ...
2025-02-17近来deepseek爆火,看看deepseek能否帮我们快速实现数据看板实时更新。 可以看出这对不知道怎么动手的小白来说是相当友好的, ...
2025-02-14一秒精通 Deepseek,不用找教程,不用买资料,更不用报一堆垃圾课程,所有这么去做的,都是舍近求远,因为你忽略了 deepseek 的 ...
2025-02-12自学 Python 的关键在于高效规划 + 实践驱动。以下是一份适合零基础快速入门的自学路径,结合资源推荐和实用技巧: 一、快速入 ...
2025-02-12“我们的利润率上升了,但销售额却没变,这是为什么?” “某个业务的市场份额在下滑,到底是什么原因?” “公司整体业绩 ...
2025-02-08活动介绍 为了助力大家在数据分析领域不断精进技能,我们特别举办本期打卡活动。在这里,你可以充分利用碎片化时间在线学习,让 ...
2025-02-071、闺女,醒醒,媒人把相亲的带来了。 我。。。。。。。 2、前年春节相亲相了40个, 去年春节相亲50个, 祖宗,今年你想相多少个 ...
2025-02-06在数据科学的广阔领域中,统计分析与数据挖掘占据了重要位置。尽管它们常常被视为有关联的领域,但两者在理论基础、目标、方法及 ...
2025-02-05在数据分析的世界里,“对比”是一种简单且有效的方法。这就像两个女孩子穿同一款式的衣服,效果不一样。 很多人都听过“货比三 ...
2025-02-05当我们只有非常少量的已标记数据,同时有大量未标记数据点时,可以使用半监督学习算法来处理。在sklearn中,基于图算法的半监督 ...
2025-02-05考虑一种棘手的情况:训练数据中大部分样本没有标签。此时,我们可以考虑使用半监督学习方法来处理。半监督学习能够利用这些额 ...
2025-02-04一、数学函数 1、取整 =INT(数字) 2、求余数 =MOD(除数,被除数) 3、四舍五入 =ROUND(数字,保留小数位数) 4、取绝对值 =AB ...
2025-02-03作者:CDA持证人 余治国 一般各平台出薪资报告,都会哀嚎遍野。举个例子,去年某招聘平台发布《中国女性职场现状调查报告》, ...
2025-02-02真正的数据分析大神是什么样的呢?有人认为他们能轻松驾驭各种分析工具,能够从海量数据中找到潜在关联,或者一眼识别报告中的数 ...
2025-02-01现今社会,“转行”似乎成无数职场人无法回避的话题。但行业就像座围城:外行人看光鲜,内行人看心酸。数据分析这个行业,近几年 ...
2025-01-31本人基本情况: 学校及专业:厦门大学经济学院应用统计 实习经历:快手数据分析、字节数据分析、百度数据分析 Offer情况:北京 ...
2025-01-3001专家简介 徐杨老师,CDA数据科学研究院教研副总监,主要负责CDA认证项目以及机器学习/人工智能类课程的研发与授课,负责过中 ...
2025-01-29