データフレームから VCorpus を作成する
テキストデータがデータフレームにある場合は、分析に DataframeSource() を使えます。DataframeSource() に渡すデータフレームは次のような特定の構造である必要があります。
- 1列目 は
doc_idという列名で、各行に一意の文字列が入っていること。 - 2列目 は "UTF-8" エンコーディング（一般的です）の
textという列名であること。 - それ以外の 3列目以降 はメタデータと見なされ、そのまま保持されます。
この演習では、各ドキュメントに関連付けられたメタデータを抽出する meta() を紹介します。実務のデータには、著者、日付、トピックタグ、場所など、分析に役立つメタデータが含まれていることがよくあります。テキストをコーパスにしたら、meta() を使ってドキュメントレベルの追加情報を確認できます。
この演習はコースの一部です
Rで学ぶBag-of-Wordsによるテキストマイニング
演習の手順
ワークスペースには、正しい列名といくつかのメタデータを持つシンプルなデータフレーム example_text があります。VectorSource() で作成した揮発性コーパス vec_corpus も用意されています。
example_textを使ってDataframeSource()からdf_sourceを作成してください。df_sourceをVCorpus()で揮発性コーパスオブジェクトに変換し、df_corpusを作成してください。df_corpusを出力してみましょう。含まれるドキュメント数と、保持されているドキュメントレベルのメタデータの数に注目してください。df_corpusに対してmeta()を使い、ドキュメントに関連するメタデータを表示してください。- 事前に読み込まれている
vec_corpusオブジェクトを確認し、df_corpusとドキュメント数を比較してください。 vec_corpusに対してもmeta()を使い、vec_corpusとdf_corpusの間で見つかるメタデータの違いを比較してください。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# Create a DataframeSource from the example text
df_source <- ___
# Convert df_source to a volatile corpus
df_corpus <- ___
# Examine df_corpus
df_corpus
# Examine df_corpus metadata
___
# Compare the number of documents in the vector source
vec_corpus
# Compare metadata in the vector corpus
___