- 追加された行はこの色です。
- 削除された行はこの色です。
[[RMeCab]]
#contents
詳細は &ref(SoftArchive/manual081108.pdf);を参照してください.ただし、このファイルには2009年以降実装された関数や機能の説明は書かれていません。
+ [[RMeCab]] パッケージを利用するには以下のコードを画面の ''&color(blue){>};'' の右に入力して、''Enter'' を押して実行します.
なお[[試用データセット>#data]]を用意しました.
* &size(20){&color(blue){RMeCabC()関数};}; : 短文の処理 [#j4792093]
> 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.
第二引数 1 を加えると形態素原型を返します.
//1.1ヴァージョンより
> 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"
# R-2.7 や R-2.8.1 では必要ありません
# kekka <- unlist(kekka)
# Encoding(kekka) <- "UTF-8"
# Encoding(names(kekka)) <- "UTF-8"
/////////////////////////////////////////////////////////////
//# 入力する文章が長い場合は第三引数を指定してください.デフォルトでは全角256文字までに限定しています.
// # 目安は入力する文章の文字数の2倍です。
// > kekka <- RMeCabC("...を食べた",0, 2056)
/////////////////////////////////////////////////////////////
* &size(20){&color(blue){RMeCabText()関数};}; : ファイルの解析結果をそのまま表示 [#ka92b2ed]
# 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"
* &size(20){&color(blue){RMeCabDF()関数};}; : データフレームの指定列を解析 [#t839a622]
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 <- 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
また
RMeCabDF(dat, 3, 1)
# とすると,形態素原型を返します.
とすると,形態素原型を返します.
//////////////////////////////////////////////////
//# 入力する文章が長い場合は第四引数を指定してください
// RMeCabDF(dat, 2, 1, 5120) # 全角2560文字 (5120/2)を想定
//////////////////////////////////////////////////
* &size(20){&color(blue){RMeCabFreq()関数};}; : ファイルから頻度表を作成 [#s29698eb]
> (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
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
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)
//# 上記をもっと簡単に行うコードを近く追加します
#ref(RMeCab/kumo.PNG,nolink)
//# カレントディレクトリ(getwd()で確認できます)にこんな中身のファイル sushi.txt &ref(sushi.txt); (中身はShift Jis なので,このままダブルクリックしても,ブラウザ上では文字化けします)があったとして
//#昨日寿司を食べたけど,今日も寿司を食べたいな.明日も寿司を食べたいな.寿司は体にとても良い.きっと頭にも良いだろう.
//
// > kekka <- RMeCabFreq("sushi.txt")
// > kekka
// Term Morph1 Morph2 Freq
// 1 きっと 副詞 一般 1
// 2 とても 副詞 助詞類接続 1
// 3 う 助動詞 * 1
// 4 た 助動詞 * 1
// 5 たい 助動詞 * 2
// 6 だ 助動詞 * 1
// 7 は 助詞 係助詞 1
// 8 も 助詞 係助詞 3
// 9 けど 助詞 接続助詞 1
// 10 に 助詞 格助詞 2
// 11 を 助詞 格助詞 3
// 12 な 助詞 終助詞 2
// 13 食べる 動詞 自立 3
// 14 体 名詞 一般 1
// 15 寿司 名詞 一般 4
// 16 頭 名詞 一般 1
// 17 今日 名詞 副詞可能 1
// 18 明日 名詞 副詞可能 1
// 19 昨日 名詞 副詞可能 1
// 20 良い 形容詞 自立 2
// 21 . 記号 句点 4
// 22 , 記号 読点 1
* &size(20){&color(blue){docMatrix()関数, docMatrix2()関数};}; : 通常はdocMatrix()を使ってください.文書ターム行列(および重み付け),あるいはターム共起頻度行列(2009年3月追加)を作成 [#v66bb233]
# 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
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 doc を用意して
> res <- docMatrix("doc", pos = c("名詞","形容詞","助詞") )
> res
docs
terms doc1.txt doc2.txt doc3.txt
[[LESS-THAN-1]] 0 0 0
[[TOTAL-TOKENS]] 4 6 8
は 1 1 1
学生 1 1 0
私 1 0 0
の 0 1 0
数学 0 1 1
彼女 0 1 1
で 0 0 1
を 0 0 1
あるいはフォルダを別に指定して
> 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.
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
## 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
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
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
> res <- docMatrix("doc", pos = c("名詞","形容詞","助詞") )
> res
docs
terms doc1.txt doc2.txt doc3.txt
[[LESS-THAN-1]] 0 0 0
[[TOTAL-TOKENS]] 4 6 8
は 1 1 1
学生 1 1 0
私 1 0 0
の 0 1 0
数学 0 1 1
彼女 0 1 1
で 0 0 1
を 0 0 1
> ## co 引数はタームの共起行列を作成する.
> ## ############### 共起行列を返す
co 引数はタームの共起行列を作成する.
## ただし,共起行列は巨大になり,
## パソコンのスペックによっては
## 途中でR,場合によってはパソコンがフリーズすることもあります.
## その場合 Matrix パッケージを使って,疎な行列に変換すると
## 有効な場合もあります.詳しくは,サンプルデータ data.zip
## あるいは data.tar.gz 内の RMeCab.R をご覧ください
> ## 行名のタームと列名のタームが共起した回数
> ## 対称行列である
> res <- docMatrix("doc", pos = c("名詞","形容詞","助詞"), co = 1)
> res # 対角要素は出現回数
terms
terms は 学生 私 の 数学 彼女 で を
は 3 2 1 1 2 2 1 1
学生 2 2 1 1 1 1 0 0
私 1 1 1 0 0 0 0 0
の 1 1 0 1 1 1 0 0
数学 2 1 0 1 2 2 1 1
彼女 2 1 0 1 2 2 1 1
で 1 0 0 0 1 1 1 1
を 1 0 0 0 1 1 1 1
> ### 行名のタームと列名のタームが共起したか否か
行名のタームと列名のタームが共起したか否か
> ## 対称行列である
> res <- docMatrix("doc", pos = c("名詞","形容詞","助詞"), co = 2)
> res
は 学生 私 の 数学 彼女 で を
は 1 1 1 1 1 1 1 1
学生 1 1 1 1 1 1 0 0
私 1 1 1 0 0 0 0 0
の 1 1 0 1 1 1 0 0
数学 1 1 0 1 1 1 1 1
彼女 1 1 0 1 1 1 1 1
で 1 0 0 0 1 1 1 1
を 1 0 0 0 1 1 1 1
* &size(20){&color(blue){Ngram()関数};}; : N-gram のカウント [#z98bc249]
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))
> 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))
> (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))
> (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 &ref(SoftArchive/manual081108.pdf);を参照してください.
* &size(20){&color(blue){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. [#vb8ab5bd]
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
* &size(20){&color(blue){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. [#x638e83e]
> 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
> 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
* &size(20){&color(blue){collocate()関数}; }; : コロケーションのカウント [#n8d2103b]
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))
> (kekka <- collocate(file = target, node = "春",
span =3))
# length = 12
# Term Span Total
# 1 、 1 5
# 2 が 2 3
# 3 で 1 11
* &size(20){&color(blue){collScores() 関数};}; : collocate() 関数の出力から T値, MI値 を返す [#k2fbe28b]
//出力未確認です.検証した上で出力も調整し,近日中に再アップします.
# 芥川「蜘蛛の糸」
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
collocate()関数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
//,対数尤度比 (G2) を求める
> collScores(kekka,"極楽")
# こんな結果 (一部)
# 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$Term) <- "UTF-8"
# 以下を実行しないと動作しないかもしれません
# R-2.7 や R-2.8.1 では必要ありません
# Encoding(kekka$Term) <- "UTF-8"
* &size(20){&color(blue){rmSign() 関数};}; : MeCabの出力から 「記号」を取り除く [#rf2adf8d]
* &size(20){&color(blue){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,あるいはターム共起頻度行列(2009年3月追加)を作成する. [#y33b354f]
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
targetText <- "photo.csv"
> targetText <- "photo.csv"
> dat <- read.csv(targetText, head = T)
dat <- read.csv(targetText, head = T)
# 男性の被験者だけを見る
dat[dat$Sex == "M",]
res <- docMatrixDF(dat[,"Reply"])
res
## OBS.1 OBS.2 OBS.3 OBS.4 OBS.5
## くださる 0 1 0 1 0
## くれる 1 0 0 0 0
## とる 1 1 1 1 1
## 写真 1 1 1 1 1
### テキスト(被験者)全体を通じて,総頻度が 2 以上のタームを
## 抽出
テキスト(被験者)全体を通じて,総頻度が 2 以上のタームを抽出
## ここで総頻度とは、各タームごとに、各文書での出現した頻度
## を合計した頻度をいう
res <- docMatrixDF(dat[,"Reply"], minFreq = 2)
res
## OBS.1 OBS.2 OBS.3 OBS.4 OBS.5
## くださる 0 1 0 1 0
## とる 1 1 1 1 1
## 写真 1 1 1 1 1
co 引数はタームの共起行列を作成する.下記の例を参照.2009 年 3月実装.テキストに記載はありません.
## ただし,共起行列は巨大になり,
## パソコンのスペックによっては
## 途中でR,場合によってはパソコンがフリーズすることもあります
## その場合 Matrix パッケージを使って,疎な行列に変換すると
## 有効な場合もあります.詳しくは,サンプルデータ data.zip
## あるいは data.tar.gz 内の RMeCab.R をご覧ください
行名のタームに対して,列名のタームが出現した回数
## co 引数はタームの共起行列を作成する.
## 下記の例を参照.2009 年 3月実装
## テキストに記載はありません.
## ############### 共起行列を返す
# 行名のタームに対して,列名のタームが出現した回数
## 行名のタームと列名のタームが共起した回数
## 対称行列
res <- docMatrixDF(dat[,"Reply"], co = 1)
res
### 行名のタームと列名のタームが共起したか否か
## 対称行列
res <- docMatrixDF(dat[,"Reply"], co = 2)
res
* &size(20){&color(blue){docNgramDF() 関数};}; : データフレームの指定列を対象にN-gram 文字行列 あるいは N-gram ターム・文書行列,あるいはターム共起頻度行列を作成する. [#ca39df7e]
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
> res <- docNgramDF(dat[, "opinion"])
* * * * * * * * * * * * * * * * * * * * * * * * * * *
number of extracted terms = 1077
to make matrix now
> nrow(res);ncol(res)
[1] 331
[1] 1077
> res[1:10, 1000:1005]
[約] [訳] [愉] [癒] [優] [友]
Row1 0 0 0 0 0 0
Row2 0 0 0 0 0 0
Row3 0 0 0 0 0 0
Row4 0 0 0 0 0 1
Row5 0 0 0 0 0 0
Row6 0 0 0 0 0 0
Row7 0 0 0 0 0 0
Row8 0 0 0 0 0 0
Row9 0 0 0 0 0 0
Row10 0 0 0 0 0 0
> res <- docNgramDF(dat[, "opinion"], N = 2)
* * * * * * * * * * * * * * * * * * * * * * * * * * * * * *
number of extracted terms = 7368
to make matrix now
> nrow(res);ncol(res)
[1] 331
[1] 7368
> res[1:10, 1000:1005]
[う-店] [う-配] [う-旅] [え-、] [え-P] [え-ず]
Row1 0 0 0 0 0 0
Row2 0 0 0 0 0 0
Row3 0 0 0 0 0 0
Row4 0 0 0 0 0 0
Row5 0 0 0 0 0 0
Row6 0 0 0 0 0 0
Row7 0 0 0 0 0 0
Row8 0 0 0 0 0 0
Row9 0 0 0 0 0 0
Row10 0 0 0 0 0 0
> res <- docNgramDF(dat[, "opinion"], type = 1)
* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * *
number of extracted terms = 1418
to make matrix now
> nrow(res);ncol(res)
[1] 331
[1] 1418
> res[1:10, 1000:1005]
[体] [体験] [対応] [対向] [対象] [待ち時間]
Row1 0 0 0 0 0 0
Row2 0 0 0 0 0 0
Row3 0 0 0 0 0 0
Row4 0 0 0 0 0 0
Row5 0 0 1 0 0 0
Row6 0 0 0 0 0 0
Row7 0 0 0 0 0 0
Row8 0 0 0 0 0 0
Row9 0 0 0 0 0 0
Row10 0 0 0 0 0 0
> res <- docNgramDF(dat[, "opinion"], type = 1, N = 2)
* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * *
number of extracted terms = 4368
to make matrix now
> nrow(res);ncol(res)
[1] 331
[1] 4368
> res[1:10, 1000:1003]
[テーマパーク-いつか] [テーマパーク-改装] [テーマパーク-古い]
Row1 0 0 0
Row2 0 0 0
Row3 0 0 0
Row4 0 0 0
Row5 0 0 0
Row6 0 0 0
Row7 0 0 0
Row8 0 0 0
Row9 0 0 0
Row10 0 0 0
[テーマパーク-良い]
Row1 0
Row2 0
Row3 0
Row4 0
Row5 0
Row6 0
Row7 0
Row8 0
Row9 0
Row10 0
> res <- docNgramDF(dat[,"opinion"], pos = "名詞", type = 1,
N = 2)
* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * *
to make matrix now
> res[1:3, 1000:1002]
[モノレール-利用] [モラル-皆] [ライト-ため]
Row1 0 0 0
Row2 0 0 0
Row3 0 0 0
>
* &size(20){&color(blue){docDF()関数};}; 2009年3月5日追加 [#icae4377]
2009 年 3月 5日 新規追加 実験中
『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.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
-- type : 0 は文字のGramを 1はタームのGramを作成.デフォルトは0
-- 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記号を含め,すべてを抽出.
-- minFreq : 引数には全ファイルを通じての合計頻度の閾値を指定する.デフォルトは1.つまり,どれか一つのファイルに一度でも出現していれば,データフレームに登録する.対象文書の分量が多い場合は 3 などを指定することを検討ください.
//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.デフォルトは1
//-- sym: 未実装.
//引数は,抽出タームに句読点なので記号を含めるかを指定する.デフォルトでは sym = 0 とセットされており,記号はカウントされないが,sym = 1 とすると,記号を含めてカウントした結果が出力される.pos 引数に記号が含まれた場合は自動的に sym = 1 とセットされる
//-- 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:活用語を原型 (0) にするか,表層形(1) にするか.デフォルトは 0.
-- weight = "tf*idf*norm" などの重みを指定可能.デフォルトは重み無し.
-- nDF : N個のタームそれぞれを独立した列に取る.デフォルトは 0: nDF = 1 とするとNgramDF() 関数, NgramDF2() 関数に似た出力になります.
-- co :共起行列の作成
--- ただし,共起行列は巨大になり,パソコンのスペックによっては途中で R,場合によってはパソコンがフリーズすることもあります.その場合 Matrix パッケージを使って,疎な行列に変換すると有効かもしれません.詳しくは,サンプルデータ data.zip,あるいは data.tar.gz 内の RMeCab.R をご覧ください
> setwd("C:/data")
> (res <- docDF("doc")) # docフォルダの全ファイルを対象に
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 = 15
now making a data frame. wait a while!
Ngram doc1.txt doc2.txt doc3.txt
1 。 1 1 1
2 い 0 0 1
3 す 1 1 1
4 で 1 1 1
5 の 0 1 0
6 は 1 1 1
7 ま 0 0 1
8 を 0 0 1
9 ん 0 0 1
10 女 0 1 1
11 学 1 2 2
12 彼 0 1 1
13 数 0 1 1
14 生 1 1 0
15 私 1 0 0
ターム・文章行列
> (res <- docDF("doc", type = 1, N=1))
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 = 13
now making a data frame. wait a while!
TERM POS1 POS2 doc1.txt doc2.txt doc3.txt
1 。 記号 句点 1 1 1
2 いる 動詞 非自立 0 0 1
3 で 助詞 接続助詞 0 0 1
4 です 助動詞 * 1 1 0
5 の 助詞 連体化 0 1 0
6 は 助詞 係助詞 1 1 1
7 ます 助動詞 * 0 0 1
8 を 助詞 格助詞 0 0 1
9 学ぶ 動詞 自立 0 0 1
10 学生 名詞 一般 1 1 0
11 彼女 名詞 代名詞 0 1 1
12 数学 名詞 一般 0 1 1
13 私 名詞 代名詞 1 0 0
名詞と形容詞を対象にトライグラムで行列
> (res <- docDF("doc", pos = c("名詞","形容詞"), type = 1, N=3))
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
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
データフレームの3列目からバイグラム行列
> (res <- docDF(target, col = 3, N = 2))
# col はデータフレーム列あるいは名前
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
タームのバイグラム
> (res <- docDF(target, col = 3, type = 1, N = 2))
number of extracted terms = 7
now making a data frame. wait a while!
TERM POS1 POS2 Row1 Row2 Row3 Row4 Row5
1 くれる-よ 動詞-助詞 非自立-終助詞 1 0 0 0 0
2 て-くださる 助詞-動詞 接続助詞-非自立 0 1 0 1 0
3 て-くれる 助詞-動詞 接続助詞-非自立 1 0 0 0 0
4 て-っす 助詞-助動詞 接続助詞-* 0 0 0 0 1
5 て-ね 助詞-助詞 接続助詞-終助詞 0 0 1 0 0
6 とる-て 動詞-助詞 自立-接続助詞 1 1 1 1 1
7 写真-とる 名詞-動詞 一般-自立 1 1 1 1 1
タームのバイグラム.活用語は表層型で
> (res <- docDF(target, col = 3, type = 1, N = 2, Genkei = 1))
number of extracted terms = 7
now making a data frame. wait a while!
TERM POS1 POS2 Row1 Row2 Row3 Row4 Row5
1 くれ-よ 動詞-助詞 非自立-終助詞 1 0 0 0 0
2 て-ください 助詞-動詞 接続助詞-非自立 0 1 0 1 0
3 て-くれ 助詞-動詞 接続助詞-非自立 1 0 0 0 0
4 て-っす 助詞-助動詞 接続助詞-* 0 0 0 0 1
5 て-ね 助詞-助詞 接続助詞-終助詞 0 0 1 0 0
6 とっ-て 動詞-助詞 自立-接続助詞 1 1 1 1 1
7 写真-とっ 名詞-動詞 一般-自立 1 1 1 1 1
タームごとに列を分けて作成
> (res <- docDF("doc", type=1, N=2,pos = c("名詞","動詞"),
Genkei = 1, nDF = 1))
number of extracted terms = 5
now making a data frame. wait a while!
N1 N2 POS1 POS2 doc1.txt doc2.txt doc3.txt
1 学ん い 動詞-動詞 自立-非自立 0 0 1
2 彼女 数学 名詞-名詞 代名詞-一般 0 1 1
3 数学 学ん 名詞-動詞 一般-自立 0 0 1
4 数学 学生 名詞-名詞 一般-一般 0 1 0
5 私 学生 名詞-名詞 代名詞-一般 1 0 0
## 鴎外と漱石あわせて 8 テキスト.解析に数分かかります
> res <- docDF("writers", type = 1, N=1)
> 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 ...
...