Agora que você conhece duas formas de criar um corpus, pode focar na limpeza — ou pré-processamento — do texto. Primeiro, você vai limpar um pequeno trecho de texto; depois, seguirá para corpora maiores.

No método bag-of-words para mineração de texto, a limpeza ajuda a agrupar termos. Por exemplo, pode fazer sentido considerar as palavras "miner", "mining" e "mine" como um único termo. As etapas específicas de pré-processamento variam conforme o projeto. Por exemplo, as palavras usadas em tweets são bem diferentes das usadas em documentos jurídicos, então o processo de limpeza também pode ser bastante diferente.

Funções comuns de pré-processamento incluem:

tolower(): Colocar todos os caracteres em minúsculas
removePunctuation(): Remover toda a pontuação
removeNumbers(): Remover números
stripWhitespace(): Remover espaços em branco em excesso

tolower() faz parte do R base, enquanto as outras três funções vêm do pacote tm. A partir de agora, vamos carregar tm e qdap para você quando forem necessários. Sempre que apresentarmos um pacote novo, pediremos para você carregá-lo na primeira vez.

A variável text, contendo uma sentença, está mostrada no script.

Entendendo TDM e DTM

Mineração de Texto com Bag-of-Words em R

Exercício interativo prático