Transformă vectorul într-un obiect VCorpus (2)

Acum că am convertit vectorul într-un obiect de tip Source, îl transmitem unei alte funcții din tm, și anume VCorpus(), pentru a crea corpusul nostru volatil. Simplu, nu-i așa?

Obiectul VCorpus este o listă imbricată – mai exact, o listă de liste. La fiecare index al obiectului VCorpus se află un obiect PlainTextDocument, care este la rândul său o listă ce conține textul propriu-zis (content) și metadatele corespunzătoare (meta). Poate fi util să vizualizezi un obiect VCorpus pentru a înțelege mai bine structura sa de ansamblu.

Pentru a examina un singur document (de exemplu, al 10-lea), folosești subsetarea cu paranteze pătrate duble.

coffee_corpus[[10]]

Pentru a accesa textul propriu-zis, indexezi lista de două ori. Pentru a accesa metadatele documentului, cum ar fi marcajul de timp, înlocuiește [1] cu [2]. O altă metodă de a accesa textul este funcția content(), care nu necesită al doilea set de paranteze.

coffee_corpus[[10]][1]

content(coffee_corpus[[10]])

Acest exercițiu face parte din cursul

Text Mining cu Bag-of-Words în R

Vezi cursul

Instrucțiuni pentru exercițiu

Apelează funcția VCorpus() pe obiectul coffee_source pentru a crea coffee_corpus.
Verifică că coffee_corpus este un obiect de tip VCorpus afișându-l în consolă.
Afișează în consolă al 15-lea element din coffee_corpus pentru a confirma că este un PlainTextDocument care conține textul și metadatele celui de-al 15-lea tweet. Folosește subsetarea cu paranteze duble.
Afișează conținutul celui de-al 15-lea tweet din coffee_corpus. Folosește paranteze duble pentru a selecta tweet-ul corespunzător, urmate de paranteze simple pentru a extrage conținutul acestuia.
Afișează content()-ul celui de-al 10-lea tweet din coffee_corpus.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

## coffee_source is already in your workspace

# Make a volatile corpus from coffee_source
coffee_corpus <- ___

# Print out coffee_corpus
___

# Print the 15th tweet in coffee_corpus
___

# Print the contents of the 15th tweet in coffee_corpus
___

# Now use content to review the plain text of the 10th tweet
___(___[[___]])

Editează și rulează codul