"IT有得聊”是机械工业出版社旗下IT专业资讯和服务平台，致力于帮助读者在广义的IT领域里，掌握更专业、实用的知识与技能，快速提升职场竞争力。 点击蓝色微信名可快速关注我们！

中国文化底蕴深厚，在漫长的历史中，我们的语言文字形成了大量特定的组合，用来表达特定的意思。成语是中国传统文化的一大特色，有的来源于典故，有的则来源于固定的使用方法。在成语类的比赛中，经常有“成语接龙”的比赛，往往是双方对战，一方先提出一个成语，然后另一方根据这个成语最后一个字的拼音，作为下一个成语的首拼，承接下去。

本文中，我们希望借助R语言的文本处理工具做一个简单的成语接龙小游戏，可以满足简单的人机对战的需求。首先，让我们在R中加载基本的环境：

if(!require(pacman)) install.packages("pacman")

## Loading required package: pacman

pacman::p_load(tidyfst,pinyin,stringr)

在上面加载的包中，tidyfst包用于数据的处理，pinyin包用于把汉字转化为其拼音，stringr包则被用于字符串的处理。

首先，我们需要对成语的数据集进行加载。这需要我们有中华成语的语料库，在GitHub中有相关的库可以用，详情见：https://github.com/pwxcoo/chinese-xinhua。这个项目中的idiom.json文件包含了成语的信息，可以使用jsonlite包将其读入并转化为数据框。这里我们不详细展开数据获取和转化的过程，我们最终把数据存储在名为“chengyu.csv”的文件中，它只有一列，我们在这里进行简单展示：

fread("chengyu.csv",encoding = "UTF-8") # 编码格式需要设置，否则可能显示乱码

##                    word
##                  <char>
##     1:           阿谀奉承
##     2:           阿党比周
##     3:           阿党相为
##     4:           阿狗阿猫
##     5:           阿姑阿翁
##    ---
## 30891:   做一天和尚撞一天钟
## 30892:           做贼心虚
## 30893:           做张做势
## 30894:           做张做致
## 30895:           做张做智

我们看到，这份数据只有一列成语，共30895行，列名为word。仅仅是这个数据框还不足够，我们还需要有每一个成语的首字拼音（简称“首拼”）和尾字拼音（简称“尾拼”）。关于这个步骤，我们可以使用pinyin包进行实现，具体操作如下：

my_dic = pydic(method = "tone",dic = "pinyin2") # 设置词典# 取得成语的首拼和尾拼
chengyu = fread("chengyu.csv",encoding = "UTF-8")%>%mutate_dt(shoupin = str_sub(word,1,1)%>% py(dic = my_dic),weipin = str_sub(word,-1,-1) %>% py(dic = my_dic))# 展示结果
chengyu

##                      word shoupin weipin
##                    <char>  <char> <char>
##     1:           阿鼻地狱      a1    yu4
##     2:           阿党比周      a1  zhou1
##     3:           阿党相为      a1   wei2
##     4:           阿狗阿猫      a1   mao1
##     5:           阿姑阿翁      a1  weng1
##    ---
## 30891:   做一天和尚撞一天钟    zuo4 zhong1
## 30892:           做贼心虚    zuo4    xu1
## 30893:           做张做势    zuo4   shi4
## 30894:           做张做致    zuo4   zhi4
## 30895:           做张做智    zuo4   zhi4

在上面的操作中，str_sub函数用来提取成语的第一个字和最后一个字，然后利用py函数来将其转化为首拼和尾拼。pinyin包中有两套词典，这里用“pinyin2”词典来完成转化，因为它的错误率较低

（“pinyin1”词典有bug，详情可参考：https://github.com/pzhaonet/pinyin/issues/16）

下面，我们要设置一个小游戏。游戏中，我们首先提示用户输入一个成语，然后把用户写入的字符串导入，然后把匹配到的第一个成语输出来，作为接龙的结果。如果库内没有匹配的成语，那么就输出“好吧，你赢了。”，然后换行。如果匹配上了，就直接输出匹配结果。当用户想退出的时候，键入大写字母Q，然后按回车即可。实现代码如下：

game = function(){chengyu1 = chengyurepeat{cat("请输入一个成语（认输或离开请按Q）：")input = readline()if(input == "Q") break else chengyu1 = chengyu1[word != input]str_sub(input,-1,-1) %>% py(dic = my_dic) -> input_weipinres = chengyu1[shoupin == input_weipin]if(nrow(res) == 0) {cat("好吧，你赢了。\n")}else{cat(res$word[1])chengyu1 = chengyu1[word != res$word[1]]cat("\n")}}
}

现在，game函数中就封装了我们这个游戏的所有过程。下面我们进行简单的解释：

1、把chengyu这个数据框复制一份放在chengyu1中，因为我们在成语接龙中不允许成语重复出现，因此出现过一次的成语都会删掉。

2、readline函数可以让用户交互式地读入一段字符串；

3、cat函数可以在屏幕中输出一段文字对话；

4、repeat语句相当于while(1)，如果没有跳出语句（break），它会一直执行下去。

下面，我们可以尝试玩耍，从而进行测试：

成语接龙测试

我们可以看到，基于命令行的小游戏没有出现明显的问题。这样，我们就用了不到30行的代码完成了成语接龙的小游戏，实现的完成代码如下：

if(!require(pacman)) install.packages("pacman")
pacman::p_load(tidyfst,pinyin,stringr)my_dic = pydic(method = "tone",dic = "pinyin2")chengyu = fread("chengyu.csv",encoding = "UTF-8")%>%mutate_dt(shoupin = str_sub(word,1,1)
%>% py(dic = my_dic),weipin = str_sub(word,-1,-1) %>% py(dic = my_dic))chengyugame = function(){chengyu1 = chengyurepeat{cat("请输入一个成语（认输或离开请按Q）：")input = readline()if(input == "Q") break else chengyu1 = chengyu1[word != input]str_sub(input,-1,-1) %>% py(dic = my_dic) -> input_weipinres = chengyu1[shoupin == input_weipin]if(nrow(res) == 0) {cat("好吧，你赢了。\n")}else{cat(res$word[1])chengyu1 = chengyu1[word != res$word[1]]cat("\n")}}
}game()

在这个基础上，我们还可以让电脑和电脑自己玩接龙游戏，从而得到一大串没有重复的成语接龙结果。此外，还可以利用shiny包做一个漂亮的人机交互界面。

通过这个例子中，我们可以看到R语言强大的文本挖掘能力，但这都是比较零散的知识。要系统地学习一套R语言文本挖掘的系统知识与技术，可以参考机械工业出版社出版的新作《文本数据挖掘——基于R语言》。

该书立足于R语言与文本挖掘知识基础，实用性和趣味性兼具，循序渐进地引导读者掌握各项文本挖掘实现。书中包含大量代码，因此也可以作为工具书为文本挖掘用户提供R代码参考。

-推荐阅读-

知乎R语言方面的大V新作

深入浅出地介绍文本数据挖掘技术原理与方法

简明扼要地介绍R语言编程基础

结合大量实例循序渐进地讲解

基于R语言的文本数据挖掘步骤、方法、技巧

（点击封面可进入详情页面）

作者：黄天元

关键词：文本数据挖掘 基于R语言 数据科学 非结构化数据 机器学习

适合人群：本书适合对文本数据挖掘感兴趣的学生、科研人员和数据科学从业者阅读。同时，本书还可以作为工具书，为需要经常进行文本数据挖掘的读者提供快速检索

文本是一种特殊的非结构化数据，在当今的大数据时代，其价值日趋凸显。本书利用开源而强大的R软件，对文本数据挖掘的概念、技术及技巧进行了系统的介绍。本书共11章，内容包括：走进文本数据挖掘，R语言快速入门，字符串的基本处理，用好正则表达式，导入各类文本数据，对各类文本数据进行预处理，文本特征提取的4种方法，基于机器学习的文本分类方法，文本情感分析，文本可视化，文本数据挖掘项目实践。本书还提供了丰富的应用案例和程序源代码引导读者高效学习。