Text Mining mit R: Verwendung von Sub

Question

Ich bin auf einem Projekt mit R und ich fange an, meine Hände damit schmutzig zu machen.

Im ersten Teil versuche ich die Daten von Vektor msg zu bereinigen. Aber später, wenn ich die termdocumentmatrix baue, erscheinen diese Zeichen noch. Ich möchte Worte entfernen mit weniger als 4 Buchstaben und entfernen Interpunktion

gsub("\\b\\w{1,4}\\b ", " ", pclbyshares$msg) 
gsub("[[:punct:]]", "", pclbyshares$msg) 
corpus <- Corpus(VectorSource(pclbyshares$msg)) 
TermDocumentMatrix(corpus) 
tdm <- TermDocumentMatrix(corpus) 
findFreqTerms(tdm, lowfreq=120, highfreq=Inf) 

Answer 1

Sie haben die ersten beiden Zeilen Code nicht gespeichert als Variablen später zu verwenden. In der dritten Zeile, in der Sie Ihre corpus Variable erstellen, verwenden Sie also die unveränderten Daten msg. Geben Sie dieses einen Versuch:

msg_clean <- gsub("\\b\\w{1,4}\\b ", " ", pclbyshares$msg) 
msg_clean <- gsub("[[:punct:]]", "", msg_clean) 
corpus <- Corpus(VectorSource(msg_clean)) 
TermDocumentMatrix(corpus) 
tdm <- TermDocumentMatrix(corpus) 
findFreqTerms(tdm, lowfreq = 120, highfreq = Inf)