TM-Auffrischung (I)

Im Kurs Text Mining: Bag of Words hast du gelernt, dass ein Korpus eine Sammlung von Texten ist, und du hast einige Funktionen zur Vorverarbeitung von Texten kennengelernt. Zur Wiederholung: Eine Möglichkeit, einen Korpus zu erstellen und zu bereinigen, ist mit den folgenden Funktionen. Auch wenn dies ein anderer Kurs ist, gehört Sentimentanalyse zum Text Mining – eine Auffrischung kann also hilfreich sein.

Wandle einen Character-Vektor mit VectorSource() in eine Textquelle um.
Wandle eine Textquelle mit VCorpus() in einen Korpus um.
Entferne unerwünschte Zeichen aus dem Korpus mit Bereinigungsfunktionen wie removePunctuation() und stripWhitespace() aus tm sowie replace_abbreviation() aus qdap.

In dieser Übung wurde eine benutzerdefinierte Funktion clean_corpus() erstellt, die gängige Vorverarbeitungsfunktionen für eine einfachere Anwendung bündelt.

clean_corpus() akzeptiert die Ausgabe von VCorpus() und wendet Bereinigungsfunktionen an. Zum Beispiel:

processed_corpus <- clean_corpus(my_corpus)

Diese Übung ist Teil des Kurses

<Kurs>Sentimentanalyse in R</Kurs>

Kurs ansehen

Übungsanweisungen

Deine R-Session enthält einen Textvektor tm_define mit zwei kleinen Dokumenten und die Funktion clean_corpus().

Erzeuge ein Objekt namens tm_vector, indem du VectorSource() auf tm_define anwendest.
Erzeuge tm_corpus, indem du VCorpus() auf tm_vector anwendest.
Untersuche mit content() den Inhalt des ersten Dokuments in tm_corpus.
- Auf Dokumente im Korpus greifst du mit Listensyntax zu, also mit doppelten eckigen Klammern, z. B. [[1]].
Bereinige den Korpus-Text, indem du die benutzerdefinierte Funktion clean_corpus() auf tm_corpus anwendest. Nenne dieses neue Objekt tm_clean.
Untersuche das erste Dokument des neuen Objekts tm_clean erneut, um zu sehen, wie sich der Text nach Anwendung von clean_corpus() verändert hat.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# clean_corpus(), tm_define are pre-defined
clean_corpus
tm_define

# Create a VectorSource
tm_vector <- ___

# Apply VCorpus
tm_corpus <- ___

# Examine the first document's contents
___(___[[___]])

# Clean the text
tm_clean <- ___

# Reexamine the contents of the first doc
___

Code bearbeiten und ausführen