由于工作的需要,我想要将繁体字版的《粤港澳大湾区发展规划纲要》的高频词语做成词云(标签云)形式。于是经过多个软件的探索和尝试,最终发现效果非常不理想,在一个知乎问答里面,我了解到R这个英文单词,本着一探到底的好学精神,我又粗浅地掌握了一门技能:用R语言做中文词云。

1、关于R语言及安装

R语言在我看来是一个需要用各种包(程序包)配合来进行操作的。总之如果做中文词语,需要安装 Rjava,Rwordseg这两个包。

在安装这两个包之前,必须在电脑安装JAVA,并进行相应的环境配置。详细可见:
2、R中文分词包( Rjava,Rwordseg )的安装

3、做词云仍需要wordcloud包,关于 wordcloud2的安装与设置

所有包包安装准备就绪后,正式开始做词云啦!

#加载分词以及做词云所用的包

library(rJava)
library(Rwordseg)
library(wordcloud2)

#读入文本数据

#引入文档 的指令

myfile <- read.csv(“D:/myfile/DWQ.txt“, header = TRUE,stringsAsFactors = FALSE)

关于读取文本的指令,@妖精的尾巴导入CSV、TXT文件博客有详细的说明

把繁体字的《粤港澳大湾区发展规划纲要》在word先删除一些字眼,比如:的/为/和…… ,存为txt文档。
其实是可以#引入停用表 来解决的。所谓停用表,就是在分析过程中剔除或者过滤某些词/无意义的词。中文文本分析是非常重要的过程,而停用表的选择也很重要。

我尝试过普通的停用表,以及#进行分词设计,由于纲要的特殊性,还是不能取得很好的效果。分词会把“粤港澳”分成“粤”、“港澳”,“大湾区”分成“大”、“湾区”。而我更想关注产业和态度方向,因此我在整理文档的时候就删除了:
粵港澳大灣區、粵港澳、港澳、 大灣區、發展、建設、提供、具有、形成、的、和、爲、在、與、就、等、及、以、第一/二/三/四/五節……这些词语。

#自定义词典

Rwordseg是有默认词典的,但有一些新词需要额外注意,因此可以自己设定一些关键词,直到达到理想的分词效果。

#手动增加常用词 經過嘗試,增加繁體字後,仍然無法識別,简体字则可以。

insertWords(c(“九市”,”大灣區”,”一帶一路”,”人民币”,”擴大”,”低碳”))

#进行中文分词生成词云数据

#中文分词

myfile.words <- unlist(lapply(X = myfile, FUN = segmentCN))

#去停词

同时也可以导入去停词表,去掉分词中的停用词,包括“的”、“在”、“就”……无意义的词汇。由于文件的特殊性,加上停词表都是简体字,所以我已经提前处理txt文档的个别词语。
网上有很多别人整理的停词表,下载下来存为txt文档。

#引入停用词表

stopwords <- read.csv(“D:/自行下载的停词表.txt”,
header = FALSE, stringsAsFactors = FALSE)

#设置去停词函数

RemoveStopWords <- function(x,stopwords) {
temp <- character(0)
index <- 1
xLen <- length(x)
while (index <= xLen) {
if (sum(stopwords == x[index]) < 1)
temp<- c(temp, x[index])
index <- index + 1
}
temp
}

#对myfile.words去停词

words <- lapply(myfile.words, RemoveStopWords, stopwords)

#生成词数据

生成词云数据(包含具体词语和频数)

wordsNum <- table(unlist(myfile.words )) 如果你去停词了,记得j将myfile.words改为words
wordsNum <- sort(wordsNum, decreasing = TRUE)
wordsData <- data.frame(wordsNum)
wordsData$Var1 <- as.character(wordsData$Var1)

#提取前200个高频词做词云

finaldata <- wordsData[1:200, ]

#制作词云

wordcloud2 函数支持输入自定义图片来作为词云的背景形状,需要注意的是自定义图片的时候需要 “黑白” 的来作为词云的形状输入。

ps处理,变成黑白,背景为透明,文档格式png.

#导入图片

figPath = system.file(“examples/dawanqu.png”,package = “wordcloud2”)

#生成词云

wordcloud2(finaldata, figPath = figPath, size = 1,color = “random-light”)
大功告成!!!点击每个关键词,都会显示词频!

注意:生成后,弹出网页,如果看不到图片,可以手动刷新几次。如果color的参数你选择的是色系,可以通过刷新,每个词语的颜色和位置都会变化,直至选到你满意的为止。

颜色的参数可以参考这张图,同时,还有可以选择‘random-dark’以及‘random-light’,这些颜色色系。

@Daitoue:R 语言colors()657种颜色

折磨了自己这么久,真的很感谢随处可得的网友共享!但是要一一筛选有用的,对于首次接触R的我是很费神的。感谢!
@bushijiangshan:用R语言做自己的微信聊天记录词云
@郎大为:可能是目前最好的词云解决方案 wordcloud2

以下是有关分词的,这次还没有很深入的研究
@WealdPoem:使用R语言进行分词与词云
@王亨:使用R语言进行中文分词
@喜欢算法的女青年: R系列分词、去停用词、画词云(词云形状可自定义)
@悟乙己:R语言︱文本挖掘之中文分词包——Rwordseg包(原理、功能、详解)



关于 Barbara
Barbara成功独立建站就洋洋得意的文科生,真真的「码农」,敲的是文字,偶尔会拿起相机加点颜色。世无难事,学无止境,多功能身份(文字工作者、旅游爱好者、宝妈、业余建站人…其他待续…),喜欢交流,乐于分享。
wechat_pay

本站发展离不开您的支持,多少随意,欢迎来赏!

发表评论

电子邮件地址不会被公开。 必填项已用*标注