用R进行文本挖掘与分析：分词、画词云

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。比如下图：

这是根据总理2014年的政府工作报告制作的可视化词云，分词和词云的制作都是用R，词频的统计用了其他软件。这个图能很直观看到，工作报告的重心是"发展"，这是大方向，围绕发展的关键要素有经济建设、改革、农村、城镇等要素。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，主要是讲讲分析的方法。

下面是分析方法：

首先，要获得要分析的内容，做成txt文本文件。这个很简单，把要分析的内容粘贴到记事本，保存为txt文件就可以了。

其次，用R进行分词。这里要分几点来讲：

• 要用R进行分词，需要安装并装载两个library，一个是Rwordseg，另一个是rJava。rJava的作用是提供java的库，供Rwordseg调用。安装后，调用语句如下：

library(rJava)

library(Rwordseg)

• 说说Rwordseg，这是一个R环境下的中文分词工具，引用了Ansj包，Ansj是一个开源的java中文分词工具，基于中科院的ictclas中文分词算法，采用隐马尔科夫模型（HMM）。Rwordseg牛逼的地方三点，一是分词准确，二是分词速度超快，三是可以导入自定义词库，有意思的是还可以导入搜狗输入法的细胞词库（sqel格式），想想细胞词库有多庞大吧，这个真是太厉害了。

• 分词的语法。很简单，一个函数就搞定了，看下面：

segmentCN("待分析文件的完整路径",returnType="tm")

注意：R中的路径用"\"分割文件夹。参数returnType表示返回的分词格式是按空格间隔的格式。执行完成后，会自动在相同目录生成一个"待分析文件名. .segment.txt"的文本文件，打开可以看到是酱紫：

然后，要统计词频。到了这里，每个单词出现的频率是多少，需要统计出来。这个词频统计，我在R中找了一阵，没有找到合适的工具来统计，有人说lm可以统计，试了试不行。于是乎用了其他的软件。这方面的软件不少，大家可以找找，总之，统计出来是酱紫的：

最后，就是画成词云。R有工具可以画词云，当然互联网上有不少网站可以在线制作词云，做得也很漂亮，有兴趣可以去找找，我这里只谈R中的方法：

• 安装并装载画词云的工具包wordcloud：

library(wordcloud)

• 读取已经统计好词频的文件：

mydata<-read.table("已统计好词频的文本文件的完整路径",head=TRUE)

• 设置一个颜色系：

mycolors <- brewer.pal(8,"Dark2")

• 画图：

wordcloud(mydata$词汇,mydata$词频,random.order=FALSE,random.color=FALSE,colors=mycolors,family="myFont3")

然后就可以看到最上面的那个图了。

补充说明：

1、安装rJava：需要先在电脑上下载安装JDK，即java devolop kit，然后再通过R从CRAN上选择安装rJava，否则，即使安装了rJava也用不了。前提是JDK必须先安装好；

2、安装Rwordseg，这个包不在CRAN上，所以不能在R中直接选择在线安装，需要用下面两种方式来安装，输入：

①

install.packages("Rwordseg", repos = "http://R-Forge.R-project.org")

②（如果上面不能安装，则用下面的）

install.packages("Rwordseg", repos = "http://R-Forge.R-project.org", type = "source")

来源：新浪博客

1、回复“数据分析师”查看数据分析师系列文章

2、回复“案例”查看大数据案例系列文章

3、回复“征信”查看相关征信的系列文章

4、回复“可视化”查看可视化专题系列文章

5、回复“SPPS”查看SPSS系列文章

6、回复“答案”查看hadoop面试题题目及答案

7、回复“爱情”查看大数据与爱情的故事

8、回复“笑话”查看大数据系列笑话

9、回复“大数据1、大数据2、大数据3、大数据4”查看大数据历史机遇连载

原文始发于微信公众号（PPV课数据科学社区）：用R进行文本挖掘与分析：分词、画词云