使用R语言进行中文分词

1.准备包

①rJava包

② Rwordseg包

③java环境

④搜狗词库（此为扩展词库）

Rwordseg包依赖于rJava包。由于Rwordseg包并没有托管在CRAN上面，而是在R-Forge上面，因此在在R软件上面直接输入install.packages("Rwordseg")会提示错误。因此，我们需要在软件菜单栏点击程序包

选择软件库在选择R-Forge 即可，然后输入install.packages("Rwordseg")应该就OK了。或者输入下面代码：

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

一切准备工作做好了我们就可以进行分词了。首先加载我们所需要的包。然后对“ 我非常喜欢《跟着菜鸟一起学R语言》这个微信公众号 ”这句话进行分词。

library(Rwordseg)
library(rJava)
text<-"我非常喜欢《跟着菜鸟一起学R语言》这个微信公众号"
segmentCN(text)

分词结果为：

[1] "我" "非常" "喜欢" "跟" "着" "菜" "鸟" "一起" "学" "R语言" "这个" "微信" "公众" "号"

我们可以发现这个分词有问题，比如说 “菜鸟”和“公众号”是一个词，但这里却分开了。我们该怎么处理呢？Rwordseg包里面提供了一个insertWords函数，具体如下

insertWords(strwords,analyzer = get("Analyzer", envir = .RwordsegEnv),strtype = rep("userDefine", length(strwords)),numfreq = rep(1000, length(strwords)), save = FALSE)

这就是insertWords函数，其中save参数是指是否把这个词保存到词典里面。

insertWords(c("菜鸟","公众号"),save=TRUE)

这样的话，菜鸟和公众号就成两个词了。再次运行

text<-"我非常喜欢《跟着菜鸟一起学R语言》这个微信公众号"
segmentCN(text)

结果为

[1] "我" "非常" "喜欢" "跟" "着" "菜鸟" "一起" "学" "R语言" "这个" "微信" "公众号"

但是如果我们不需要“菜鸟”这个分词了怎么办，这个时候我们就可以使用deleteWords（）函数来从词典中删除这个分词。

deleteWords(c("菜鸟","公众号"),save=TRUE)

这次我们在看看结果。

[1] "我" "非常" "喜欢" "跟" "着" "菜" "鸟" "一起" "学" "R语言" "这个" "微信" "公众" "号"

接下来我们使用一下搜狗的扩展词库，由于电影跟新速度较快，我这里下载了搜狗的热门电影大全词库，如何加载使用搜狗词库，点击可以查看我的另一篇博客。

installDict("热门电影大全.scel","movie")

59391 words were loaded! ... New dictionary 'movie' was installed!

我把下载的词库放在了当前的工作目录下面了，所以直接输入词典名，没有添加地址。加载了该词典。如果出现上面的句子则表示这个词典加载成功了，我们命名为movie。

现在我们来测试一下面这个句子：你喜欢看最后的巫师猎人吗

text2<-"你喜欢看最后的巫师猎人吗"
segmentCN(text2)

"你" "喜欢" "看" "最后的巫师猎人" "吗"

可以看到“最后的巫师猎人”是一个词，如何我们把movie这个词典删除点会怎么样呢？

uninstallDict("movie")
text2<-"你喜欢看最后的巫师猎人吗"
segmentCN(text2)

[1] "你" "喜欢" "看" "最后" "的" "巫师" "猎人" "吗"

其实加载搜狗词典的话我们就不用自己定义词典，就比如前面我们往词典里面插入“菜鸟”和“微信公众号”一样。这样可以很方便的分词，也省去了自己新建词典的时间。

注：本博客及其相关资源也会发布在《跟着菜鸟一起学R语言》微信公众平台一起发布

转载请声明原文链接 http://blog.csdn.net/wzgl__wh/article/details/52528925

使用R语言进行中文分词相关推荐

R语言进行中文分词和聚类
目标:对大约6w条微博进行分类环境:R语言由于时间较紧,且人手不够,不能采用分类方法,主要是没有时间人工分类一部分生成训练集--所以只能用聚类方法,聚类最简单的方法无外乎:K-means与层次聚类 ...
《R语言与数据挖掘》③-①使用R语言进行中文分词
RWordseg包文本分词 library(rJava) library(Rwordseg) 文本分词 text = "今天天气真好呀,好想出去玩" segmentCN(text) ...
Elasticsearch 多语言及中文分词与检索详解
文章目录 1. 自然语言与查询 Recall 2. 混合多语言的挑战 3. 分词的挑战 4. 中文分词方法的演变 - 字典法 5. 中文分词方法的演变 - 基于统计法的机器学习算法 6. 中文分词器现 ...
多语言及中文分词与检索
多语言及中文分词与检索 Ik pinyin 中文分词分词标准:哈工大标准中,姓和名分开,HanLp是在一起的 http://www.hanlp.com Ik pinyin keep_first_l ...
R语言含中文数据导入的方法
文章目录写在前面 txt文本型数据的导入 xlsx表格型数据的导入 CSV逗号分隔符型数据的导入写在前面最近学习R语言,常常会遇到带有中文标签的数据,这时候进行处理的话,会出现数据显示不全,甚至 ...
R语言读取文件中文乱码，R语言画图中文不显示
R语言读入excel文件:用openxlsx install.packages(openxlsx) library(openxlsx) a<-read.xlsx("exercise1 ...
R语言，中文排序问题
在一次数据分析的实验上,需要处理数据分析的问题,最后需要根据姓和名进行排序,但是由于姓名是中文,排序的结果有问题没有处理中文的排序处理之后的排序初步想法是根据中文的笔画排序,然后百度到了可以使用 ...
R语言中文分词包jiebaR
R的极客理想系列文章,涵盖了R的思想,使用,工具,创新等的一系列要点,以我个人的学习和体验去诠释R的强大. R语言作为统计学一门语言,一直在小众领域闪耀着光芒.直到大数据的爆发,R语言变成了一门炙手可 ...
R语言——中文分词包jiebaR
R的极客理想系列文章,涵盖了R的思想,使用,工具,创新等的一系列要点,以我个人的学习和体验去诠释R的强大. R语言作为统计学一门语言,一直在小众领域闪耀着光芒.直到大数据的爆发,R语言变成了一门炙手可 ...

使用R语言进行中文分词

使用R语言进行中文分词相关推荐

最新文章

热门文章