R2MeCab のバックアップ(No.5)
- 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
- R2MeCab へ行く。
- 1 (2009-03-06 (金) 16:15:54)
- 2 (2009-03-07 (土) 11:00:38)
- 3 (2009-03-07 (土) 11:26:35)
- 4 (2009-03-07 (土) 18:06:27)
- 5 (2009-03-10 (火) 08:48:44)
- 6 (2009-03-10 (火) 10:01:13)
- 7 (2009-03-10 (火) 12:38:30)
- 8 (2009-03-11 (水) 09:21:53)
- 9 (2009-03-14 (土) 08:42:13)
- 10 (2009-03-27 (金) 17:33:09)
- 11 (2009-03-29 (日) 16:43:54)
- 12 (2009-04-18 (土) 14:00:17)
- 13 (2009-04-20 (月) 10:47:03)
- 14 (2009-05-04 (月) 18:33:19)
- 15 (2009-05-06 (水) 09:39:05)
- 16 (2009-08-24 (月) 16:02:36)
- 17 (2009-08-25 (火) 11:00:29)
- 18 (2009-08-25 (火) 11:08:24)
- 19 (2009-10-28 (水) 15:18:40)
- 20 (2009-12-17 (木) 18:48:41)
- 21 (2009-12-18 (金) 10:06:25)
- 22 (2010-04-29 (木) 16:50:09)
- 23 (2010-06-14 (月) 07:57:58)
テキストマイニングのためのツール: データ解析・グラフィックス環境 R から日本語形態素解析ソフト和布蕪//(MeCab)を呼び出して使うインターフェイス RMeCab の簡易版
_ 開発状況
- 2009年 3月9日 R2MeCab_0.03:微調整
- 2009年 3月6日 R2MeCab_0.02:微調整
- 2009年 3月6日 R2MeCab_0.01: 汎用的な docDF()関数の他に RMeCabC(), RMeCabText?()を実装
_ 機能
- docDF()関数
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．指定可能な引数は
- 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
- type : 0 は文字のGramを １はタームのGramを作成
- pos : 引数は pos = c("名詞", "形容詞","記号") のように指定する．指定されない場合はpos = c("名詞")がセットされる．
- minFreq : 引数には頻度の閾値を指定する
- N: は Ngram の場合の N の数
- Genkei: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
- nDF : type=1 の場合で，N個のタームそれぞれを独立した列に取る．
> 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
> (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"
_ インストール手順
MeCabをインストールします．Macintosh および Linux の場合はここを参考にしてください．
- Windows の方は，まずMeCabをインストールしてください．ここ から win32バイナリmecab-0.97.exe をダウンロードしてインストールします．インストール先は標準設定のまま C:\Program Files\MeCab とします．また文字コードは Shit-Jis のままとします．
- MeCab?インストール後
Windowsの環境設定で MeCab? へのパスを通します．
すなわちコントロール・パネルの［システム］アイテムを起動し、
表示される［システムのプロパティ］ダイアログの［詳細設定］タブ
（Windows 2000では［詳細］タブ）
をクリックし、[システム環境変数] の PATH の先頭に
C:\Program Files\MeCab\bin;
を追加します．
- 次に R2MeCab_***.zip をRにインストールします．*** の部分はバージョン番号です．Rのメニューから[パッケージ]→[ローカルにあるzipファイルからのパッケージのインストール]を選んで，ダウンロードした R2MeCab_***.zipファイルを選んでインストールします．[win-libraryを作成したいのですか] と聞いてきた時は OK を押してください（この際，R はユーザーフォルダを作成します）．
_ ダウンロード
- Windows
R2MeCab_0.03.zip - Macintosh R2MeCab_0.03.tgz
- Linux R2MeCab_0.03.tar.gz
_ お問い合わせ
ishida-m(at_mark)ias.tokushima-u.ac.jp にお願いします．
