RMeCabFunctions のバックアップ(No.4)
- バックアップ一覧
- 差分 を表示
- 現在との差分 を表示
- ソース を表示
- RMeCabFunctions へ行く。
- 1 (2009-03-05 (木) 18:07:30)
- 2 (2009-03-05 (木) 18:47:04)
- 3 (2009-03-06 (金) 11:47:02)
- 4 (2009-03-06 (金) 13:56:30)
- 5 (2009-03-07 (土) 11:21:25)
- 6 (2009-03-07 (土) 18:07:35)
- 7 (2009-03-11 (水) 09:22:13)
- 8 (2009-03-11 (水) 18:19:57)
- 9 (2009-03-19 (木) 11:06:15)
- 10 (2009-03-19 (木) 21:28:40)
- 11 (2009-03-23 (月) 09:42:21)
- 12 (2009-03-28 (土) 08:17:23)
- 13 (2009-03-28 (土) 13:01:58)
- 14 (2009-03-28 (土) 18:03:27)
- 15 (2009-03-29 (日) 08:38:44)
- 16 (2009-04-15 (水) 12:08:48)
- 17 (2010-05-10 (月) 14:13:01)
- 18 (2010-11-10 (水) 17:58:28)
- 19 (2010-11-10 (水) 18:00:12)
- 20 (2012-08-09 (木) 09:59:48)
- 21 (2012-08-09 (木) 10:01:07)
- 22 (2014-03-23 (日) 17:51:56)
- 23 (2014-03-23 (日) 18:29:41)
- 24 (2014-03-24 (月) 08:21:15)
- 25 (2019-06-17 (月) 18:31:53)
- docDF()関数 2009年3月5日追加
- RMeCabC()関数 : 短文の処理
- RMeCabText()関数 : ファイルの解析結果をそのまま表示
- RMeCabDF()関数 : データフレームの指定列を解析
- RMeCabFreq()関数 : ファイルから頻度表を作成
- docMatrix()関数, docMatrix2()関数 : 文書ターム行列(および重み付け)を作成
- Ngram()関数 : N-gram のカウント
- docNgram()関数, docNgram2()関数 : 指定されたディレクトリ内のすべてのファイル(あるいは単一のファイル)を対象に Ngramを抽出．
- NgramDF() 関数, NgramDF2() 関数 : 基本的にNgram() 関数と同じであるが，N-gram を構成する各要素ごとに列に取ったデータフレームを出力．
- collocate()関数 : コロケーションのカウント
- collScores() 関数 : collocate() 関数の出力から T値, MI値 を返す
- rmSign() 関数 : MeCabの出力から 「記号」を取り除く
- docMatrixDF() 関数 : データフレームの指定列を対象にターム文書行列を作成する．
詳細は 
manual081108.pdfを参照してください．
_ docDF()関数 2009年3月5日追加
2009 年 3月 5日 新規追加 『Rによるテキストマイニング入門』森北書店には記載がありません．
第 1 引数で指定されたファイル (フォルダが指定された場合は，その中の全ファイル)，あるいは第1引数でデータフレームを，また第 2 引数で列（番号あるいは名前）を指定して，Ngram行列，あるいはターム・文書行列を作成する．なおLESS-THAN-1? と TOTAL-TOKENS? の情報行は追加されない 指定可能な引数は target, column = 0, type = 0, pos = c("名詞","形容詞"), minFreq = 1, N = 2, sym = 0, kigo = "記号", Genkei = 0, weight = ""
- target 引数はファイル名ないしフォルダ名,あるいはデータフレーム
- column はデータフレームを指定する場合，列（番号あるいは名前）を指定する
- pos 引数は pos = c("名詞", "形容詞","記号") のように指定する
- minFreq 引数には頻度の閾値を指定するが，docMatrix() 関数の場合とは異なり，全テキストを通じての総頻度を判定対象とする．例えば minFreq=2 と指定した場合，どれか一つの文書で頻度が二つ以上のタームは，これ以外の各文書に一度しか出現していなくとも，出力のターム・文書行列に含まれる． docMatrix() 関数では，文書のごとの最低頻度であった． したがって，doc1という文書で二度以上出現しているタームが，他の文書で一度しか出現していない場合，このタームは出力のターム．文書行列に含まれるが，doc1以外の文書の頻度は一律 0 にされる
- N は Ngram の場合の N の数
- sym 未実装．
- kigo = "記号" は総計に記号を含むか含まないか．sym = 1 が指定された場合は数える
- Genkei = 0 活用語を原型 (0) にするか，表層形(1) にするか
- weight = "tf*idf*norm" などを指定可能
> setwd("C:/data")
> (res <- docDF("doc")) # docフォルダの全ファイルを対象に
# 文字の Bi-gram
file = doc1.txt
file = doc2.txt
file = doc3.txt
file_name = doc/doc1.txt opened
file_name = doc/doc2.txt opened
file_name = doc/doc3.txt opened
number of extracted terms = 19
Ngram doc1.txt doc2.txt doc3.txt
1 [い-ま] 0 0 1
2 [す-。] 1 1 1
3 [で-い] 0 0 1
4 [で-す] 1 1 0
5 [の-学] 0 1 0
6 [は-学] 1 0 0
7 [は-数] 0 1 1
8 [ま-す] 0 0 1
9 [を-学] 0 0 1
10 [ん-で] 0 0 1
11 [女-は] 0 1 1
12 [学-の] 0 1 0
13 [学-を] 0 0 1
14 [学-ん] 0 0 1
15 [学-生] 1 1 0
16 [彼-女] 0 1 1
17 [数-学] 0 1 1
18 [生-で] 1 1 0
19 [私-は] 1 0 0
> (res <- docDF("doc", type = 1, N=1))
# 名詞と形容詞を対象にターム・文章行列
...
number of extracted terms = 4
TERM POS1 POS2 doc1.txt doc2.txt doc3.txt
1 学生 名詞 一般 1 1 0
2 彼女 名詞 代名詞 0 1 1
3 数学 名詞 一般 0 1 1
4 私 名詞 代名詞 1 0 0
> (res <- docDF("doc", pos = c("名詞","形容詞"), type = 1, N=3))
# 名詞と形容詞を対象にTri-gramで行列
number of extracted terms = 1
TERM POS1 POS2
1 彼女-数学-学生 名詞-名詞-名詞 代名詞-一般-一般
doc1.txt doc2.txt doc3.txt
0 1 0
> (res <- docDF("doc", type=1, N=1,pos = c("名詞","動詞")))
# 名詞と動詞対象にターム・文章行列
number of extracted terms = 6
TERM POS1 POS2 doc1.txt doc2.txt doc3.txt
1 いる 動詞 非自立 0 0 1
2 学ぶ 動詞 自立 0 0 1
3 学生 名詞 一般 1 1 0
4 彼女 名詞 代名詞 0 1 1
5 数学 名詞 一般 0 1 1
6 私 名詞 代名詞 1 0 0
>
> # データフレームを解析する
> (target <- read.csv("photo.csv"))
ID Sex Reply
1 1 M 写真とってくれよ
2 2 F 写真とってください
3 3 M 写真とってね
4 4 F 写真とってください
5 5 M 写真とってっす
> (res <- docDF(target, col = 3))
# col はデータフレーム列あるいは名前
# データフレームの3列目からBi-gram行列
number of extracted terms = 13
Ngram Row1 Row2 Row3 Row4 Row5
1 [く-だ] 0 1 0 1 0
2 [く-れ] 1 0 0 0 0
3 [さ-い] 0 1 0 1 0
4 [だ-さ] 0 1 0 1 0
5 [っ-す] 0 0 0 0 1
6 [っ-て] 1 1 1 1 1
7 [て-く] 1 1 0 1 0
8 [て-っ] 0 0 0 0 1
9 [て-ね] 0 0 1 0 0
10 [と-っ] 1 1 1 1 1
11 [れ-よ] 1 0 0 0 0
12 [写-真] 1 1 1 1 1
13 [真-と] 1 1 1 1 1
>
> (res <- docDF(target, N=1, col = 3))
# データフレームの3列目から文字頻度
number of extracted terms = 13
Ngram Row1 Row2 Row3 Row4 Row5
1 [い] 0 1 0 1 0
2 [く] 1 1 0 1 0
3 [さ] 0 1 0 1 0
4 [す] 0 0 0 0 1
5 [だ] 0 1 0 1 0
6 [っ] 1 1 1 1 2
7 [て] 1 1 1 1 1
8 [と] 1 1 1 1 1
9 [ね] 0 0 1 0 0
10 [よ] 1 0 0 0 0
11 [れ] 1 0 0 0 0
12 [写] 1 1 1 1 1
13 [真] 1 1 1 1 1
> (res <- docDF(target, col = 3, type = 1, N = 1,
pos = c("名詞","動詞")))
# データフレームの3列目からターム・文章行列
number of extracted terms = 4
TERM POS1 POS2 Row1 Row2 Row3 Row4 Row5
1 くださる 動詞 非自立 0 1 0 1 0
2 くれる 動詞 非自立 1 0 0 0 0
3 とる 動詞 自立 1 1 1 1 1
4 写真 名詞 一般 1 1 1 1 1
> res <- docDF("writers", type = 1, N=1)
## 鴎外と漱石あわせて ８ テキスト．解析に数分かかります
> head(res)
TERM POS1 POS2 ogai_gan.txt ...
1 ' 名詞 サ変接続 0 ...
2 , 名詞 サ変接続 0 ...
3 あい 名詞 一般 0 ...
4 あか 名詞 一般 0 ...
5 あかるい 形容詞 自立 0 ...
6 あざやか 名詞 一般 0 ...
...
_ RMeCabC()関数 : 短文の処理
> library(RMeCab)
> kekka <- RMeCabC("すもももももももものうち")
> unlist(kekka)
# 第二引数 1 を加えると形態素原型を返します．
> kekka <- RMeCabC("ご飯を食べた", 1)
> unlist(kekka)
# 名詞 助詞 動詞 助動詞
# "ご飯" "を" "食べる" "た"
# 第二引数なしだと
> kekka <- RMeCabC("ご飯を食べた")
> unlist(kekka)
# 名詞 助詞 動詞 助動詞
# "ご飯" "を" "食べ" "た"
# 名詞だけ取り出したければ
unlist(kekka) [names(unlist(kekka)) == "名詞"]
# ご飯
# R-2.8.0 をMacOSXやLinuxでご利用の場合は
# 以下の3行を実行しないと動作しないかもしれません
kekka <- unlist(kekka)
Encoding(kekka) <- "UTF-8"
Encoding(names(kekka)) <- "UTF-8"
_ RMeCabText?()関数 : ファイルの解析結果をそのまま表示
# その他，和布蕪の出力をそのままリスト形式で出力する関数
> RMeCabText("data/sakura.txt")
# こんな結果
#[[1]]
# [1] "昨日" "名詞" "副詞可能" "*" "*" "*"
# [7] "*" "昨日" "キノウ" "キノー"
#
#[[2]]
# [1] "も" "助詞" "係助詞" "*" "*" "*" "*" "も"
# [9] "モ" "モ"
_ RMeCabDF()関数 : データフレームの指定列を解析
ID,Sex,Reply 1,F,写真とってくれよ 2,M,写真とってください 3,F,写真とってね 4,F,写真とってください 5,M,写真とってっす
と言うファイルが c:/data/photo.csv にあったとして
dat <- read.csv("c:/data/photo.csv", head = T)
#と読み込んで
RMeCabDF(dat, 3) RMeCabDF(dat, "Reply") # 列名でも良い # datという読み込んだデータの 3 列目に日本語がある
とすると，3 列目のデータをすべて形態素解析にかけます．
[[1]] 名詞 動詞 助詞 動詞 助詞 "写真" "撮っ" "て" "くれ" "よ"
[[2]]
名詞 動詞 助詞 動詞
"写真" "とっ" "て" "ください"
# また
RMeCabDF(dat, 3, 1) # とすると，形態素原型を返します．
_ RMeCabFreq?()関数 : ファイルから頻度表を作成
> (kekka <- RMeCabFreq("c:/data/sakura.txt") )
# こんな結果
# length = 13
# Term Info1 Info2 Freq
#1 。 記号 句点 2
#2 、 記号 読点 1
#3 を 助詞 格助詞 1
...
# 10 桜餅 名詞 一般 3
# 11 今日 名詞 副詞可能 1
# 芥川龍之介 『蜘蛛の糸』(青空文庫より借用)
# ただし主人公の名前の「かん陀多」の
# 「かん」にあたる漢字は特殊文字なので削っている
# 実行時間を計る
> pt1 <- proc.time()
> kekka <- RMeCabFreq("c:/data/kumo.txt")
pt2 <- proc.time()
> kekka # 結果を見る
Term Info1 Info2 Freq
1 あの フィラー * 1
2 いくら 副詞 一般 2
3 いつの間にか 副詞 一般 1
4 うようよ 副詞 一般 1
5 きっと 副詞 一般 1
# 実行時間を見る
> pt2 - pt1
# 頻度表をグラフにしてみる
# 『蜘蛛の糸』から、一般名詞かつ頻度が ７ 以上の語を選ぶ
kekka <- kekka [kekka[, 2] == "名詞" & kekka[, 3] == "一般"
& kekka[,4] > 6, ]
k.col <- rainbow(nrow(kekka))
matplot(1:nrow(kekka), kekka[,4], type = "n")
for(i in 1:nrow(kekka)){
matlines(i, kekka[i,4], type = "h", col = k.col[i], lwd =5)
}
legend(1, max(kekka$Freq), legend = kekka$Term, col = k.col,
lwd = 5)
#ref(): File not found: "RMeCab#kumo.PNG" at page "RMeCabFunctions"
_ docMatrix()関数, docMatrix2()関数 : 文書ターム行列(および重み付け)を作成
# デフォルトでは名詞と動詞，形容詞のみを抽出するが，pos 引数で変更可能．
# 対象ファイルのみが収まっているディレクトリ data を用意して
> targetDir <- "c:/data/file"
> test <- docMatrix(targetDir)
> test
# 名詞と動詞のみを抽出する場合
> test <- docMatrix(targetDir, pos = c("名詞","動詞") )
> test
# こんな結果
# docs
# terms dat1.txt dat2.txt dat3.txt
# 季節 2 0 0
# 今 1 0 0
# 春 2 0 0
# 人 1 0 1
# 大好き 1 0 0
# 日本 2 2 2
# 各テキストで頻度数が 2 以上のタームのみで構成する場合
# 通常は以下のようにします．
# これはあるタームがすべてのテキストで出現した総数を指定することになります．
> test <- docMatrix(targetDir)
## 総頻度が 2 以上のタームを残す
> test <- test[rowSums(test) > 2, ]
# 各テキスト別に，最低頻度を満たすタームだけを残す
# 指定頻度以下のタームが何種類あったかは表示される
> test <- docMatrix(targetDir, minFreq = 2 ) > test # こんな結果 # docs #terms dat1.txt dat2.txt dat3.txt # 季節 2 0 0 # 春 2 0 0 # 日本 2 2 2 # 犬 0 2 2 # 柴犬 0 2 0 # 特産 0 2 0
# TF と IDF を組み合わせた重みをつける場合
> test <- docMatrix(targetDir, weight = "tf*idf" ) > test # こんな結果 # docs #terms dat1.txt dat2.txt dat3.txt # あり 2.584963 0.000000 0.000000 # い 1.584963 1.584963 0.000000 # し 1.584963 1.584963 0.000000 # 季節 5.169925 0.000000 0.000000 # 迎えよ 2.584963 0.000000 0.000000
_ Ngram()関数 : N-gram のカウント
引数で指定されたファイルについて，N-gram を計る．引数 type が 0 なら文字単位で，1 なら形態素原形を単位として，また 2 なら品詞情報を単位に N-gram をカウントする．なお N は引数 N で指定． また pos 引数を指定すれば(pos = "名詞"など)，品詞の指定もできる．
target <- "data/file/dat1.txt" (kekka <- Ngram( target, type = 0, N = 2)) # file = РNgram = 2 # length = 54 # Ngram Freq # 1 [J-a] 1 # 2 [a-n] 1 # 3 [a-p] 1 # 4 [n-は] 1 # 5 [p-a] 1 # 6 [、-春] 1 # 7 [。-か] 1 # 8 [。-日] 1 (kekka <- Ngram( target, type = 1, N = 3)) # Ngram Freq # 1 [Japan-は-今] 1 # 2 [、-春-の] 1 # 3 [。-かく-言う] 1 (kekka <- Ngram( target, type = 2, N = 3)) # Ngram Freq # 1 [副詞-動詞-名詞] 1 # 2 [助動詞-助動詞-記号] 1 # 3 [助動詞-助詞-動詞] 2
出力から特定の N-gram を取り出すには %in% 演算子を利用する．詳細は manual081108.pdfを参照してください．
_ docNgram()関数, docNgram2()関数 : 指定されたディレクトリ内のすべてのファイル(あるいは単一のファイル)を対象に Ngramを抽出．
Ngram()関数を適用し，その結果を行にテキスト名，列に Ngramセットとしたデータフレームで返す． Ngram()関数の引数はすべて指定可能
_ NgramDF() 関数, NgramDF2() 関数 : 基本的にNgram() 関数と同じであるが，N-gram を構成する各要素ごとに列に取ったデータフレームを出力．
> kekkaDF <- NgramDF("kumo.txt", type = 1, N = 3)
file =kumo.txt Ngram = 3
> kekkaDF[1:5,]
Ngram1 Ngram2 Ngram3 Freq
1 、 「 いや 1
2 、 「 こら 1
3 、 「 しめる 1
4 、 ある 時 1
5 、 いくら 何 1
# ... 以下略
_ collocate()関数 : コロケーションのカウント
指定されたファイルについて，node で指定された語(ただし形態素原形)の前後に出てくる単語頻度を計算する．なおスパンは引数 span で指定する．
(kekka <- collocate(file = target, node = "春", span =3)) # length = 12 # Term Span Total # 1 、 1 5 # 2 が 2 3 # 3 で 1 11
_ collScores() 関数 : collocate() 関数の出力から T値, MI値 を返す
# 芥川「蜘蛛の糸」 > target <- "c:/data/kumo.txt" # 「極楽」と前後3語の共起語を探す > kekka <- collocate(file = target, node = "極楽", span = 3)
# 上記の結果にノード語である「極楽」を指定して，Tスコア，MIスコアを求める
> collScores(kekka,"極楽")
# こんな結果 (一部)
Term Span Total Tscore Mutual G2 26 様 2 7 1.38668 11.2976 5.618497 27 蓮池 4 4 1.98887 11.4902 27.464578 28 蜘蛛 2 14 1.35915 12.2976 2.972814 29 行く 1 4 0.97775 9.4902 2.518165 30 釈迦 2 7 1.38668 11.2976 5.618497 31 間 1 3 0.98331 9.0752 3.130900 # R-2.8.0 をMacOSXやLinuxでご利用の場合は # 以下の3行を実行しないと動作しないかもしれません Encoding(kekka$Term) <- "UTF-8"
_ rmSign() 関数 : MeCab?の出力から 「記号」を取り除く
_ docMatrixDF() 関数 : データフレームの指定列を対象にターム文書行列を作成する．
なお引数 minFreq は各被験者（テキスト）全体を通じての，タームの総頻度の閾値を指定する
