r - 从 R 中的 Document-Term-Matrix 过滤行/文档

Question

使用 R 中的 tm-package 创建一个 Document-Term-Matrix:

dtm <- DocumentTermMatrix(cor, control = list(dictionary=c("someTerm")))

结果是这样的:

A document-term matrix (291 documents, 1 terms)

Non-/sparse entries: 48/243
Sparsity           : 84%
Maximal term length: 8 
Weighting          : term frequency (tf) 

                   Terms
Docs                someTerm
doc1                       0
doc2                       0
doc3                       7
doc4                       22
doc5                       0

现在我想根据文档中 someTerm 的出现次数过滤这个 Document-Term-Matrix。例如。仅过滤出 someTerm 至少出现一次的文档。 IE。 doc3 和 doc4 在这里。

我怎样才能做到这一点？

Answer 1

这与对常规 R 矩阵进行子集化的方式非常相似。例如，要从示例 Reuters 数据集创建一个文档术语矩阵，其中仅包含术语“would”出现多次的行:

reut21578 <- system.file("texts", "crude", package = "tm")

reuters <- VCorpus(DirSource(reut21578),
    readerControl = list(reader = readReut21578XMLasPlain))

dtm <- DocumentTermMatrix(reuters)
v <- as.vector(dtm[,"would"]>1)
dtm2 <- dtm[v, ]

> inspect(dtm2[, "would"])
A document-term matrix (3 documents, 1 terms)

Non-/sparse entries: 3/0
Sparsity           : 0%
Maximal term length: 5 
Weighting          : term frequency (tf)

     Terms
Docs  would
  246     2
  489     2
  502     2

一个 tm文档术语矩阵是来自包 slam 的一个简单的三元组矩阵所以 slam文档有助于弄清楚如何操作 dtms。