docMatrix2()の出力

[縄田直治]

有価証券報告書の分析をしています。
４千件程度のファイルがあるので、一回の分析で得られる出力をなるべく活用したく、以下の点を悩んでいます。

１．docMatrix2()のパラメタpos=c(“名詞”,”動詞”)などの指定の際に、固有名詞を除くとか、サ変動詞のみを選ぶという方法はありますか。

２．出力をMatrixではなくデータフレームでとって、形態素の属性も一緒に出力することはできませんか。

[ishida]

解析時に「品詞細分類」を指定する機能は付けていないです。
また、出力をデータフレームにするのであれば、docDF() を使ってください。
http://rmecab.jp/wiki/index.php?RMeCabFunctions#icae4377
試される場合は、最新版1.04で利用メモリを拡張しているので、RMeCabを再インストールしてください。

なお、以下のようにして、ファイルごとに対象の品詞だけを抽出して、データフレームとして結合していくことも可能かなとは思います。

files <- list.files("~/data/doc", full.names = TRUE, pattern = "txt")
library(tidyverse)
Z <- files %>% map_df(~{
  file_n <- .
  x <-RMeCabText(file_n)
  map2_df(x, file_n,  {
    ~ if(.x[2] %in% c( "名詞", "動詞")  & !(.x[3] %in% c("固有名詞",  "サ変動詞"))) tibble(F = file_n, X = .x[1], Y = .x[2])
})})

ここからファイルごとに出現単語の頻度を（品詞の区別を無視して）数える場合は以下のようにします。

Z %>% count(F, X)

• この返信は5年、 5ヶ月前にishidaが編集しました。
• この返信は5年、 5ヶ月前にishidaが編集しました。
• この返信は5年、 5ヶ月前にishidaが編集しました。

[縄田直治]

石田先生　早速のご回答ありがとうございます。
教えていただいた方法でトライしていきます。

[投稿者]

投稿