- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在尝试从数据文本分析中删除拼写错误。所以我使用 Quanteda 包的字典功能。对于 Unigrams 来说效果很好。但它为 Biggram 提供了意想不到的输出。不知道如何处理拼写错误,以免它们潜入我的二元组和三元组。
ZTestCorp1 <- c("The new law included a capital gains tax, and an inheritance tax.",
"New York City has raised a taxes: an income tax and a sales tax.")
ZcObj <- corpus(ZTestCorp1)
mydict <- dictionary(list("the"="the", "new"="new", "law"="law",
"capital"="capital", "gains"="gains", "tax"="tax",
"inheritance"="inheritance", "city"="city"))
Zdfm1 <- dfm(ZcObj, ngrams=2, concatenator=" ",
what = "fastestword",
toLower=TRUE, removeNumbers=TRUE,
removePunct=TRUE, removeSeparators=TRUE,
removeTwitter=TRUE, stem=FALSE,
ignoredFeatures=NULL,
language="english",
dictionary=mydict, valuetype="fixed")
wordsFreq1 <- colSums(sort(Zdfm1))
电流输出
> wordsFreq1
the new law capital gains tax inheritance city
0 0 0 0 0 0 0 0
不使用字典,输出如下:
> wordsFreq
tax and the new new law law included included a a capital
2 1 1 1 1 1
capital gains gains tax and an an inheritance inheritance tax new york
1 1 1 1 1 1
york city city has has raised raised a a taxes taxes an
1 1 1 1 1 1
an income income tax and a a sales sales tax
1 1 1 1 1
预期二元组
The new
new law
law capital
capital gains
gains tax
tax inheritance
inheritance city
附:我假设标记化是在字典匹配后完成的。但根据我看到的结果,情况似乎并非如此。
另一方面,我尝试将字典对象创建为
mydict <- dictionary(list(mydict=c("the", "new", "law", "capital", "gains",
"tax", "inheritance", "city")))
但是没有成功。所以我不得不使用上面的方法,我认为这种方法效率不高。
更新根据 Ken 的解决方案添加了输出:
> (myDfm1a <- dfm(ZcObj, verbose = FALSE, ngrams=2,
+ keptFeatures = c("the", "new", "law", "capital", "gains", "tax", "inheritance", "city")))
Document-feature matrix of: 2 documents, 14 features.
2 x 14 sparse Matrix of class "dfmSparse" features
docs the_new new_law law_included a_capital capital_gains gains_tax tax_and an_inheritance
text1 1 1 1 1 1 1 1 1
text2 0 0 0 0 0 0 1 0
features
docs inheritance_tax new_york york_city city_has income_tax sales_tax
text1 1 0 0 0 0 0
text2 0 1 1 1 1 1
最佳答案
已于 2017 年 12 月 21 日更新为较新版本的 quanteda
很高兴看到您正在使用该包!我认为您正在努力解决的问题有两个。第一个是如何在形成 ngram 之前应用特征选择。第二个是如何一般性地定义特征选择(使用 Quanteda)。
第一个问题:如何在形成 ngram 之前应用特征选择。在这里,您定义了一个字典来执行此操作。 (正如我将在下面展示的,这在这里不是必需的。)您希望删除所有不在选择列表中的术语,然后形成二元组。 Quanteda 默认情况下不会这样做,因为它不是“二元组”的标准形式,其中单词不是根据邻接严格定义的某些窗口进行搭配的。例如,在您的预期结果中,law Capital
不是一对相邻的术语,这是二元组的通常定义。
但是,我们可以通过更“手动”地构建文档特征矩阵来覆盖此行为。
首先,对文本进行标记。
# tokenize the original
toks <- tokens(ZcObj, removePunct = TRUE, removeNumbers = TRUE) %>%
tokens_tolower()
toks
## tokens object from 2 documents.
## text1 :
## [1] "the" "new" "law" "included" "a" "capital" "gains" "tax" "and" "an" "inheritance" "tax"
##
## text2 :
## [1] "new" "york" "city" "has" "raised" "a" "taxes" "an" "income" "tax" "and" "a" "sales" "tax"
现在,我们使用 tokens_select()
将您的字典 mydict
应用于标记化文本:
(toksDict <- tokens_select(toks, mydict, selection = "keep"))
## tokens object from 2 documents.
## text1 :
## [1] "the" "new" "law" "capital" "gains" "tax" "inheritance" "tax"
##
## text2 :
## [1] "new" "city" "tax" "tax"
从这组选定的标记中,我们现在可以形成二元组(或者我们可以将 toksDict
直接提供给 dfm()
):
(toks2 <- tokens_ngrams(toksDict, n = 2, concatenator = " "))
## tokens object from 2 documents.
## text1 :
## [1] "the new" "new law" "law capital" "capital gains" "gains tax" "tax inheritance" "inheritance tax"
##
## text2 :
## [1] "new city" "city tax" "tax tax"
# now create the dfm
(myDfm2 <- dfm(toks2))
## Document-feature matrix of: 2 documents, 10 features.
## 2 x 10 sparse Matrix of class "dfm"
## features
## docs the new new law law capital capital gains gains tax tax inheritance inheritance tax new city city tax tax tax
## text1 1 1 1 1 1 1 1 0 0 0
## text2 0 0 0 0 0 0 0 1 1 1
topfeatures(myDfm2)
# the new new law law capital capital gains gains tax tax inheritance inheritance tax new city city tax tax tax
# 1 1 1 1 1 1 1 1 1 1
功能列表现在非常接近您想要的。
第二个问题是为什么你的字典方法看起来效率低下。这是因为您正在创建一个字典来执行特征选择,但并没有真正将其用作字典 - 换句话说,每个键等于其自己的键作为值的字典并不是真正的字典。只需向其提供一个选择标记的字符向量,它就可以正常工作,例如:
(myDfm1 <- dfm(ZcObj, verbose = FALSE,
keptFeatures = c("the", "new", "law", "capital", "gains", "tax", "inheritance", "city")))
## Document-feature matrix of: 2 documents, 8 features.
## 2 x 8 sparse Matrix of class "dfm"
## features
## docs the new law capital gains tax inheritance city
## text1 1 1 1 1 1 2 1 0
## text2 0 1 0 0 0 2 0 1
关于r - 在 Quanteda 中使用字典创建 Bigram,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/34474601/
前言: 有时候,一个数据库有多个帐号,包括数据库管理员,开发人员,运维支撑人员等,可能有很多帐号都有比较大的权限,例如DDL操作权限(创建,修改,删除存储过程,创建,修改,删除表等),账户多了,管理
所以我用 Create React App 创建并设置了一个大型 React 应用程序。最近我们开始使用 Storybook 来处理和创建组件。它很棒。但是,当我们尝试运行或构建应用程序时,我们不断遇
遵循我正在创建的控件的代码片段。这个控件用在不同的地方,变量也不同。 我正在尝试编写指令来清理代码,但在 {{}} 附近插入值时出现解析错误。 刚接触 Angular ,无法确定我错过了什么。请帮忙。
我正在尝试创建一个 image/jpeg jax-rs 提供程序类,它为我的基于 post rest 的 Web 服务创建一个图像。我无法制定请求来测试以下内容,最简单的测试方法是什么? @POST
我一直在 Windows 10 的模拟器中练习 c。后来我改用dev C++ IDE。当我在 C 中使用 FILE 时。创建的文件的名称为 test.txt ,而我给出了其他名称。请帮助解决它。 下面
当我们创建自定义 View 时,我们将 View 文件的所有者设置为自定义类,并使用 initWithFrame 或 initWithCode 对其进行实例化。 当我们创建 customUITable
我正在尝试为函数 * Producer 创建一个线程,但用于创建线程的行显示错误。我为这句话加了星标,但我无法弄清楚它出了什么问题...... #include #include #include
今天在做项目时,遇到了需要创建JavaScript对象的情况。所以Bing了一篇老外写的关于3种创建JavaScript对象的文章,看后跟着打了一遍代码。感觉方法挺好的,在这里与大家分享一下。 &
我正在阅读将查询字符串传递给 Amazon 的 S3 以进行身份验证的文档,但似乎无法理解 StringToSign 的创建和使用方式。我正在寻找一个具体示例来说明 (1) 如何构造 String
前言:我对 C# 中任务的底层实现不太了解,只了解它们的用法。为我在下面屠宰的任何东西道歉: 对于“我怎样才能开始一项任务但不等待它?”这个问题,我找不到一个好的答案。在 C# 中。更具体地说,即使任
我有一个由一些复杂的表达式生成的 ILookup。假设这是按姓氏查找人。 (在我们简单的世界模型中,姓氏在家庭中是唯一的) ILookup families; 现在我有两个对如何构建感兴趣的查询。 首
我试图创建一个 MSI,其中包含 和 exe。在 WIX 中使用了捆绑选项。这样做时出错。有人可以帮我解决这个问题。下面是代码: 错误 error LGH
在 Yii 中,Create 和 Update 通常使用相同的形式。因此,如果我在创建期间有电子邮件、密码、...other_fields...等字段,但我不想在更新期间专门显示电子邮件和密码字段,但
上周我一直在努力创建一个给定一行和一列的 QModelIndex。 或者,我会满足于在已经存在的 QModelIndex 中更改 row() 的值。 任何帮助,将不胜感激。 编辑: QModelInd
出于某种原因,这不起作用: const char * str_reset_command = "\r\nReset"; const char * str_config_command = "\r\nC
现在,我有以下由 original.df %.% group_by(Category) %.% tally() %.% arrange(desc(n)) 创建的 data.frame。 DF 5),
在今天之前,我使用/etc/vim/vimrc来配置我的vim设置。今天,我想到了创建.vimrc文件。所以,我用 touch .vimrc cat /etc/vim/vimrc > .vimrc 所
我可以创建一个 MKAnnotation,还是只读的?我有坐标,但我发现使用 setCooperative 手动创建 MKAnnotation 并不容易。 想法? 最佳答案 MKAnnotation
在以下代码中,第一个日志语句按预期显示小数,但第二个日志语句记录 NULL。我做错了什么? NSDictionary *entry = [[NSDictionary alloc] initWithOb
我正在使用与此类似的代码动态添加到数组; $arrayF[$f+1][$y][$x+1] = $value+1; 但是我在错误报告中收到了这个: undefined offset :1 问题:尝试创
我是一名优秀的程序员,十分优秀!