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
你是否被统计学复杂的理论和晦涩的公式劝退过?别担心,“山有木兮:统计学极简入门(Python)” 将为你一一化解这些难题。课程 ...
2025-03-31在电商、零售、甚至内容付费业务中,你真的了解你的客户吗? 有些客户下了一两次单就消失了,有些人每个月都回购,有些人曾经是 ...
2025-03-31在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的需求持续飙升。世界经济论坛发布的《未来就业报告》, ...
2025-03-28你有没有遇到过这样的情况?流量进来了,转化率却不高,辛辛苦苦拉来的用户,最后大部分都悄无声息地离开了,这时候漏斗分析就非 ...
2025-03-27TensorFlow Datasets(TFDS)是一个用于下载、管理和预处理机器学习数据集的库。它提供了易于使用的API,允许用户从现有集合中 ...
2025-03-26"不谋全局者,不足谋一域。"在数据驱动的商业时代,战略级数据分析能力已成为职场核心竞争力。《CDA二级教材:商业策略数据分析 ...
2025-03-26当你在某宝刷到【猜你喜欢】时,当抖音精准推来你的梦中情猫时,当美团外卖弹窗刚好是你想吃的火锅店…… 恭喜你,你正在被用户 ...
2025-03-26当面试官问起随机森林时,他到底在考察什么? ""请解释随机森林的原理""——这是数据分析岗位面试中的经典问题。但你可能不知道 ...
2025-03-25在数字化浪潮席卷的当下,数据俨然成为企业的命脉,贯穿于业务运作的各个环节。从线上到线下,从平台的交易数据,到门店的运营 ...
2025-03-25在互联网和移动应用领域,DAU(日活跃用户数)是一个耳熟能详的指标。无论是产品经理、运营,还是数据分析师,DAU都是衡量产品 ...
2025-03-24ABtest做的好,产品优化效果差不了!可见ABtest在评估优化策略的效果方面地位还是很高的,那么如何在业务中应用ABtest? 结合企业 ...
2025-03-21在企业数据分析中,指标体系是至关重要的工具。不仅帮助企业统一数据标准、提升数据质量,还能为业务决策提供有力支持。本文将围 ...
2025-03-20解锁数据分析师高薪密码,CDA 脱产就业班助你逆袭! 在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的 ...
2025-03-19在 MySQL 数据库中,查询一张表但是不包含某个字段可以通过以下两种方法实现:使用 SELECT 子句以明确指定想要的字段,或者使 ...
2025-03-17在当今数字化时代,数据成为企业发展的关键驱动力,而用户画像作为数据分析的重要成果,改变了企业理解用户、开展业务的方式。无 ...
2025-03-172025年是智能体(AI Agent)的元年,大模型和智能体的发展比较迅猛。感觉年初的deepseek刚火没多久,这几天Manus又成为媒体头条 ...
2025-03-14以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-13以下的文章内容来源于刘静老师的专栏,如果您想阅读专栏《10大业务分析模型突破业务瓶颈》,点击下方链接 https://edu.cda.cn/go ...
2025-03-12以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-11随着数字化转型的加速,企业积累了海量数据,如何从这些数据中挖掘有价值的信息,成为企业提升竞争力的关键。CDA认证考试体系应 ...
2025-03-10