tm で頻出語を見る
すでに用語-文書行列（term-document matrix）と、その転置である文書-用語行列（document-term matrix）の作り方を学びました。ここでは、それを分析の土台として使います。分析するには、Chapter 1 と同様に as.matrix() を使って、単純な行列へ変換する必要があります。
新しく作った行列に rowSums() を適用すると、その文章で使われた用語の総数が集計されます。rowSums() の結果は、decreasing = TRUE を指定して sort() すれば、最もよく使われる用語に注目できます。
最後に、term_frequency の上位5語を次のコードで barplot() にします。
barplot(term_frequency[1:5], col = "#C0DE25")
もちろん、プロットをさらに自在にカスタマイズしたいなら、ggplot2 コースもおすすめです… :)
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
- 前章の用語-文書行列
coffee_tdmを使って、行列coffee_mを作成します。 coffee_mにrowSums()を適用し、term_frequencyを作成します。term_frequencyを降順に並べ替え、結果を同じterm_frequencyに代入します。- 1つの角かっこ（
[）による部分選択を使って、term_frequencyの上位10語を表示します。 - 上位10 語の棒グラフを作成します。
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。
## coffee_tdm is still loaded in your workspace
# Convert coffee_tdm to a matrix
coffee_m <- ___
# Calculate the row sums of coffee_m
term_frequency <- ___
# Sort term_frequency in decreasing order
term_frequency <- ___
# View the top 10 most common words
___
# Plot a barchart of the 10 most common words
___(___, col = "tan", las = 2)