r - 向 tdm 矩阵添加虚拟变量

Question

这就是我得到 tdm 矩阵的方法:

    doc.vec <- VectorSource(data$text)
    doc.corpus <- Corpus(doc.vec)
    tdm <- TermDocumentMatrix(doc.corpus, control = list(wordLengths = c(2, Inf)))

我原来的 tdm 矩阵如下所示:

           doc1    doc2    doc3 ... doc10000

    term1    .        1      1   ...     1
    term2    .        .      1   ...     .
    ...
    term99   1        .      1   ...     1

我想要的是:

               doc1     doc2    doc3 ... doc10000   class       
   term1          .       1      1   ...     1        1
   term2          .       .      1   ...     .        0
   ...
   term99         1       .      1   ...     1        0

其中 class 是 0/1 虚拟值，指示该术语是否包含在 0 类或 1 类中。
我在原始数据中定义了这个类虚拟，由 data$class 调用。我想知道是否有办法将此变量“传输”到我的 tdm 中。

非常感谢。

编辑:抱歉之前不清楚——我原来的类虚拟对象是用于文档的，而不是用于术语的。我想做的就是将类重新分配给术语，以便 1 表示术语仅出现在类 1 中，0 表示它仅出现在类 0 中。

Answer 1

您可以使用 tdm 或文档术语矩阵 (dtm) 来代替，目前还不清楚您想从中得到什么，但当每个文档都有一个类时，第二个会有所帮助，例如:

                term1     term2    term3 ... term10000   class      
   doc1          .         1        1   ...     1        1
   doc2          .         .        1   ...     .        0
   ...
  doc99          1         .        1   ...     1        0

现在您可以使用它来训练模型(分类器)来预测新文档的类别。完成此操作的更简单方法是将 dtm 转换为数据框，而不是附加类列，就是这样:

dtmDataFrame <- as.data.frame(inspect(dtm))

您在这里提到的另一件事“将类别重新分配给术语，以便 1 表示术语仅出现在类别 1 中，而 0 表示它仅出现在类别 0 中”对我来说没有多大意义，什么会您处理的术语不属于 1 类和 0 类吗？将它们过滤掉？你的意图是什么？