Creează un VCorpus dintr-un data frame

Dacă datele tale text se află într-un data frame, poți folosi DataframeSource() pentru analiză. Data frame-ul transmis către DataframeSource() trebuie să aibă o structură specifică:

Prima coloană trebuie să se numească doc_id și să conțină un șir de caractere unic pentru fiecare rând.
A doua coloană trebuie să se numească text și să aibă codificarea „UTF-8" (standard).
Orice alte coloane, de la 3 în sus, sunt considerate metadate și vor fi păstrate ca atare.

Acest exercițiu introduce funcția meta(), care permite extragerea metadatelor asociate fiecărui document. Adesea, datele tale vor conține metadate precum autori, date, etichete tematice sau locații, care pot îmbogăți analiza. Odată ce textul este transformat într-un corpus, poți aplica meta() pentru a examina informațiile suplimentare la nivel de document.

Acest exercițiu face parte din cursul

Text Mining cu Bag-of-Words în R

Vezi cursul

Instrucțiuni pentru exercițiu

În spațiul tău de lucru există un data frame simplu numit example_text, cu numele de coloane corecte și câteva metadate. Există, de asemenea, vec_corpus — un corpus volatil creat cu VectorSource().

Creează df_source folosind DataframeSource() cu example_text.
Creează df_corpus convertind df_source într-un obiect corpus volatil cu VCorpus().
Afișează df_corpus. Observă câte documente conține și câte metadate la nivel de document sunt păstrate.
Aplică meta() pe df_corpus pentru a afișa metadatele asociate documentelor.
Examinează obiectul vec_corpus preîncărcat. Compară numărul de documente cu cel din df_corpus.
Aplică meta() pe vec_corpus pentru a compara metadatele găsite între vec_corpus și df_corpus.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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
___

Editează și rulează codul