[R] tm package version 0.6 大解析(text mining文字探勘套件)

圖片來源：http://www.adrtoolbox.com/2014/05/analyzing-financial-fraud-cases-using-a-linguistics-based-text-mining-approach/

        有在玩text mining的同好，最近不知道有沒有碰過類似的問題，就是很多以前用tm套件的程式跑不出來或有問題(先前文章[R] TEXT MINING(文字探勘、文本分析練習)就有使用這個套件)。這是因為tm套件在今年的6/1號升級到了0.6版（http://cran.r-project.org/web/packages/tm/index.html）改變了包裝corpus的方式（http://cran.r-project.org/web/packages/tm/news.html）很多東西都必須rebuild才能正常運作(其實這也是我個人的血淚經驗）．




先來做一個簡單的corpus:

用inspect可以看到這個corpus有兩個文件．
（熟悉tm套件的人應該有發現現在物件結構長得跟以前不太一樣，但是結構的事晚點再看，以下先來示範如果用以前的程式碼會發生什麼事情）

這是一個很簡單的範例，將文件中的“今天”，代換成“昨天”，用inspect看還一切正常，接著我們要把文件轉換成文字矩陣：

這時候會發現轉不過去（晴天霹靂!!!）
原因在於0.6版的tm套件改變了包裝文件的方式...
我們先來看一下新的文件結構長什麼樣子：

怕了吧？看起來超複雜的ＸＤ
簡單來說就是現在包裝文件的方式變成像書本一樣，每個文件分別存放在一個獨立的textDocument的list裏面，美個textDucument又分別裝著content和meta檔，content裝著文件內容，meta裝著類似作者，標題，建立日期等一些關於文件說明的部分．

過去的tm_map功能能夠自動存取每個文件的內容，但是現在如果直接套用tm_map（如上面的範例）會強至將文件變成單純的chr，喪失文件屬性:

如果現在要對文件內容作調整（無論是分詞還是替換單字），要引用新的function==> content()或是content_transformer():

這樣就可以在保有原本corpus屬性下調整內容，自然也可以順利轉成文字矩陣:

希望能幫助到有在玩text mining但是最近無法使用的朋友ＸＤ