原文链接：http://tecdat.cn/?p=3994
原文出处：拓端数据部落公众号
最近我们被客户要求撰写关于文本挖掘的研究报告，包括一些图形和统计输出。
对于非结构化的网站中文评论信息，r的中文词频包可能是用来挖掘其潜在信息的好工具，要分析文本内容，最常见的分析方法是提取文本中的词语，并统计频率。频率能反映词语在文本中的重要性，一般越重要的词语，在文本中出现的次数就会越多。词语提取后，还可以做成词云，让词语的频率属性可视化，更加直观清晰。
比如对于如下的网站评论信息：
通过一系列的文本处理和高频词汇的提取，最后结合聚类，我们可以得到如下的可视化结果。
第一类客户：
第二类
第三类
这是根据某网站成交评论制作的可视化词云，词频的统计，分词和词云的制作都是用R，最后做了聚类，将不同的用户聚成了3个类别。这个图能很直观看到，每个类别的客户的特点。不过这张图中的词语还需要进行优化，因为有些术语或词组可能被拆分成了更小的词语，没有展示出来，为了演示，我就没再花更多时间去优化词库，主要介绍分析的过程与方法。
pinglun=readLines("E:\手机评论1.txt")
write.table(pinglun,"E:\手机评论整理.txt")
pinglun1=read.table("E:\\手机评论整理.txt",sep="|")
# == 文本预处理
res=pinglun1[pinglun1!=" "];
#剔除通用标题
res=gsub(pattern="[專賣店【未拆封順豐】||]+"," ",res);
#剔除特殊词
res=gsub(pattern="[我|你|的|了|是]"," ",res);
#清理文本里的回车！否则每个回车就会被识别成一段文本
res=gsub("\n","",res)
###############
library(r;
library(Rwordseg);
# == 分词+频数统计
words=unlist(lapply(X=res, FUN=segmentCN));
word=lapply(X=words, FUN=strsplit, " ");
v=table(unlist(word));
# 降序排序
v=rev(sort(v));
d=data.frame(word=names(v), freq=v);
# 过滤掉1个字和词频小于100的记录
d=subset(d, nchar(as.character(d$word))>1 & d$freq>=100)
# == 输出结果
write.table(d, file="E: \\worldcup_keyword.txt", row.names=FALSE)
#############绘制词汇图####################3
library("wordcloud")
mycolors <- brewer.pal(8,"Dark2")#设置一个颜色系：
wordcloud(d[1:30,]$word,d[1:30,]$freq,random.order=FALSE,random.color=FALSE,colors=mycolors,family="myFont3")
write.csv(d[1:30,], file="E:\\ 30个keyword.csv", row.names=FALSE)
############kmeans聚类#######################
res1=res[1:10000]#筛选500个样本做测试
words=unlist(lapply(X=res1, FUN=segmentCN));
word=lapply(X=words, FUN=strsplit, " ");
v=table(unlist(word));
# 降序排序
v=rev(sort(v));
d=data.frame(word=names(v), freq=v);
# 过滤掉1个字和词频小于100的记录
d=subset(d, nchar(as.character(d$word))>1 & d$freq>=100) #获得高频词汇
rating=matrix(0,length(res1),dim(d)[1])#生成评价矩阵
colnames(rating)=d[,1]#给矩阵列命名
for(i in 1:length(res1)){
words=unlist(lapply(X=res1[i], FUN=segmentCN));#对每一条记录分析获得词频
word=lapply(X=words, FUN=strsplit, " ");
v=table(unlist(word));
# 降序排序
v=rev(sort(v));
dd=data.frame(word=names(v), freq=v);
index=intersect(dd[,1],colnames(rating))#找到每条记录中拥有的高频词汇
if(length(index)==0)next;
for(j in 1:length(index)){
jj=which(dd[,1]==index[j])
rating[i,colnames(rating)==index[j]]=dd[jj,2][[1]]#高频词汇的数量赋值到评价矩阵
}
}
write.table(rating, file="E:\\ 评价矩阵.txt", row.names=FALSE)
kmeans(rating,5)#对评价矩阵进行k均值聚类
result=read.csv("E:\聚类结果.csv")
colnames(result)=d[1:30,1]
###分类别
c1=result[result[,31]==1,]
c2=result[result[,31]==2,]
c3=result[result[,31]==3,]
freq1=apply(c1,2,sum)[-31]
freq2=apply(c2,2,sum)[-31]
freq3=apply(c3,2,sum)[-31]
library("wordcloud")
mycolors <- brewer.pal(8,"Dark2")#设置一个颜色系：
wordcloud(colnames(result)[-17],freq1[-17],random.order=FALSE,random.color=FALSE,colors=mycolors,family="myFont3")
wordcloud(colnames(result)[-17],freq2[-17],random.order=FALSE,random.color=FALSE,colors=mycolors,family="myFont3")
wordcloud(colnames(result)[-17],freq3[-17],random.order=FALSE,random.color=FALSE,colors=mycolors,family="myFont3")
######算法比较
y=rbind(matrix(rnorm(10000,mean=2,sd=0.3),ncol=10),matrix(rnorm(10000,mean=1,sd=0.7),ncol=10))#生成两类随机数合并
colnames(y)=c(paste("y",1:10))#变量名
#Kmeans算法聚类
cl=kmeans(y,2)
pch1=rep("1",1000)#类标号
pch2=rep("2",1000)
plot(y,col=cl$cluster,pch=c(rep("1",1000),rep("2",1000)),main="kmeans算法聚类图")#每个类样本
points(cl$centers,col=3,pch="*",cex=3)#每个类中心最后可以得到直观的用户的聚类特征从而进一步进行研究。
最受欢迎的见解
1.Python主题建模LDA模型、t-SNE 降维聚类、词云可视化文本挖掘新闻组
3.r语言文本挖掘tf-idf主题建模，情感分析n-gram建模研究