R语言︱词典型情感分析文本操作技巧汇总（打标签、词典与数据匹配等）

每每以为攀得众山小，可、每每又切实来到起点，大牛们，缓缓脚步来俺笔记葩分享一下吧，please~

———————————————————————————

笔者寄语：情感分析中对文本处理的数据的小技巧要求比较高，笔者在学习时候会为一些小技巧感到头疼不已。

主要包括以下内容：

1、批量读取txt字符文件（导入、文本内容逐行读取、加入文档名字）、

2、文本清洗（一级清洗，去标点；二级清洗去内容；三级清洗，去停用词）

3、词典之间匹配（有主键join、词库匹配%in%）

4、分词之后档案id+label的加入

5、情感打分（关联情感词join、情感分数aggerate、情感偏向）

————————————————————————————————————————————

1、批量读取txt字符文件

难题：一个文件夹有许多txt文件，如何导入，并且读出来，还要加上文档名字？

1.1 如何导入？

如何用函数批量导入文本，并且能够留在R的环境之中?循环用read.table，怎么解决每个文本文件命名问题？

list函数能够有效的读入，并且存放非结构化数据。

reviewpath <- "F:/R语言/train2"
completepath <- list.files(reviewpath, pattern = "*.txt$", full.names = TRUE)

代码解读：reviewpath为文件夹的目录名字，completepath为读取文件夹中所有的文件，生成字符串（character）格式。

详细的文本文件读取方法，可见博客。

1.2 如何读取单文本内容？

前面文档导入，相当于是给每个文档定了位，现在需要读入单个文档内的文本信息。

文本文档读取的时候会出现很多问题，比如分隔符、制表符等，而出现乱码，需要逐行读取。

######批量读入文本
read.txt <- function(x) {
  des <- readLines(x)                   #每行读取
  return(paste(des, collapse = ""))     #没有return则返回最后一个函数对象
}
review <- lapply(completepath, read.txt)
#如果程序警告，这里可能是部分文件最后一行没有换行导致，不用担心。

代码解读：read.txt是一个简单的逐行读取的函数，readLines函数，是将一段文字分成以下的形式，需要粘贴起来；

[1] ""
[2] "刚买的这款电脑，在自提点打开的，就发现键盘已经坏了，有个按键都快掉了，自提点不管，让去联系退换货部门，退换货部门说键盘坏了不管退换，让去惠普自己更换新键盘。"
[3] ""
[4] "在京东刚买的东西出现问题就要四处跑去修理，他们把责任推的一干二净，现在除非你出具惠普的质检报告，他们才给受理。"
[5] ""    

return(paste)函数将每一行粘贴在一起，最后返回完整的文本内容；

lapply表示逐文本读取。

1.3 加入文档名字

读取了每个文档到list之中，怎么跟每个文档名字匹配在一起？

docname <- list.files(reviewpath, pattern = "*.txt$")
reviewdf <- as.data.frame(cbind(docname, unlist(review)),
                          stringsAsFactors = F)
colnames(reviewdf) <- c("id", "msg")   #列名

代码解读：list.files中，full.names=F代表返回文档名字（默认），full.names=T则定位文档；

利用as.data.frame成为一个数据框，并且不变成因子型，stringsAsFactors是因为文档名字列，很容易变成字符因子型，需要关闭这功能；

colnames修改列名，还有names也可以达到同样的效果。

图 1

————————————————————————————————————————————

2、文本清洗工作

文本挖掘中，对文本的清洗工作尤为重要，会出现比如：英文逗号、波浪线、英文单引号、英文双引号、分隔符等

2.1 一级清洗——去标点

如图1,所示的msg，对其进行一些标点清洗，比如双引号，波浪号等。

reviewdf$msg <- gsub(pattern = " ", replacement ="", reviewdf$msg)  #gsub是字符替换函数，去空格
reviewdf$msg <- gsub("\t", "", reviewdf$msg) #有时需要使用\\\t
reviewdf$msg <- gsub(",", "，", reviewdf$msg)#文中有英文逗号会报错，所以用大写的“，”
reviewdf$msg <- gsub("~|'", "", reviewdf$msg)#替换了波浪号（~）和英文单引号（'），它们之间用“|”符号隔开，表示或的关系
reviewdf$msg <- gsub("\\\"", "", reviewdf$msg)#替换所有的英文双引号（"），因为双引号在R中有特殊含义，所以要使用三个斜杠（\\\）转义

代码解读：英文单引号（'）、英文双引号（"）、波浪号（~），都会引起读取时发生警告，带来csv文件或txt文件读取不完整的后果。还有一些字符型会出现乱码的标点等，详见博客：R语言︱文本（字符串）处理与正则表达式

2.2 二级清洗——去内容

如图1 ,msg，对文档进行二级清洗，比如清楚全英文字符、清除数字等。

sentence <- as.vector(test$msg) #文本内容转化为向量sentence

sentence <- gsub("[[:digit:]]*", "", sentence) #清除数字[a-zA-Z]
sentence <- gsub("[a-zA-Z]", "", sentence)   #清除英文字符
sentence <- gsub("\\.", "", sentence)      #清除全英文的dot符号
sentence <- sentence[!is.na(sentence)]   #清除对应sentence里面的空值（文本内容），要先执行文本名
sentence <- sentence[!nchar(sentence) < 2] #`nchar`函数对字符计数，英文叹号为R语言里的“非”函数

代码解读：在进行二级清洗的过程中，需要先转化为向量形式，as.vector；

字符数过小的文本也需要清洗，nchar就是字符计数函数。

2.3 三级清理——停用词清理（哎呦，哎，啊...）

去除原理就是导入停用词列表，是一列chr[1:n]的格式；

先与情感词典匹配，在停用词库去掉情感词典中的单词，以免删除了很多情感词，构造新的停用词；

再与源序列匹配，在原序列中去掉停用词。

第一种方法：

stopword <- read.csv("F:/R语言/R语言与文本挖掘/情感分析/数据/dict/stopword.csv", header = T, sep = ",", stringsAsFactors = F)
stopword <- stopword[!stopword$term %in% posneg$term,]#函数`%in%`在posneg$term中查找stopword的元素，如果查到了就返回真值，没查到就返回假
#结果是一个和stopword等长的波尔值向量，“非”函数将布尔值反向
testterm <- testterm[!testterm$term %in% stopword,]#去除停用词

代码解读:

管道函数A %in% B，代表在A中搜索B，存在则生成（TRUE,FALSE,TRUE）布尔向量,其中TURE代表A/B共有的。形成一个与原序列的等长的波尔值向量，“非”函数将布尔值反向就可以去除停用词。

stopword[!stopword$term %in% posneg$term,]，去掉stopword中与posneg共有的词；

testterm[!testterm$term %in% stopword$term,]，去掉testtrerm（原序列）与stopword共有的词。

第二种方法：

stopword <- read.csv("F:/R语言/R语言与文本挖掘/情感分析/数据/dict/stopword.csv", header = T, sep = ",", stringsAsFactors = F)
stopword <- setdiff(stopword$term,posneg$term)
testterm<- setdiff(testterm$term,stopword)

setdiff（x,y），代表在x中去掉xy共有的元素。

setdiff与%in%都是集合运算符号，可见其他的一些符号：R语言︱集合运算

————————————————————————————————————————————

3、文档之间匹配

3.1 有主键的情况

如图1 中的id，就是一个主键，建立主键之间的关联可以用plyr中的Join函数，`join`默认设置下执行左连接。

#plyr包里的`join`函数会根据名称相同的列进行匹配关联，`join`默认设置下执行左连接
reviewdf <- join(表1,表2)
reviewdf <- 表1[!is.na(表1$label),]  #非NA值的行赋值

代码解读：表1为图1中的数据表，表2是id+label；

join之后，在表1中加入匹配到的表2的label；

并且通过[!x,]去掉了，没有label的文本。
其他关于主键合并的方法有，dplyr包等，可见博客：R语言数据集合并、数据增减

3.2 词库之间相互匹配

1、集合运算（%in%/setdiff()）——做去除数据

在2.3的三级停用词清理的过程中，就会用到这个。两个词库，但是没有主键，两个词库都有共有的一些词语，那么怎么建立两个词库的连接呢？

管道函数%in%，可以很好的解决。A%in%B，代表在A中搜索B，存在B则生成（TRUE,FALSE,TRUE）布尔向量,其中TURE代表A/B共有的。

向量长度依存于A，会生成一个与A相同长度的布尔向量，通过A[布尔向量,]就可以直接使用。

回忆一下，缺失值查找函数，A[na.is(x)],也是生成布尔向量。

详细见2.3的停用词删除的用法。

2、left_join——词库匹配打标签

以上%in%较为适合做去除数据来做，因为可以生成布尔向量，作为过渡。但是如何连接词库，并且匹配过去标签呢。

现在有两个数据：

> head(temp)
        term           df
1     阿波罗 0.0000573263
2 阿尔卑斯山 0.0000573263
3     阿富汗 0.0001719789
4       阿哥 0.0001146526
5     阿根廷 0.0000573263
6     阿拉伯 0.0001146526
> head(traintfidf[,1:3])
         id label       term
1  4995.txt     1     阿波罗
2 16443.txt     1 阿尔卑斯山
3 12897.txt     1     阿富汗
4  7001.txt     1     阿富汗
5  9427.txt     1     阿富汗
6 12368.txt     1       阿哥

通过left_join之后，就可以根据每个词语匹配DF值，并且在源数据重复的情况下，还是能够顺利匹配上。

用在监督式算法情感分析之中，可见R语言︱监督算法式的情感分析笔记。

> head(traintfidf[,1:5])
         id label       term tf           df
1  4995.txt     1     阿波罗  1 0.0000573263
2 16443.txt     1 阿尔卑斯山  1 0.0000573263
3 12897.txt     1     阿富汗  2 0.0001719789
4  7001.txt     1     阿富汗  1 0.0001719789
5  9427.txt     1     阿富汗  1 0.0001719789
6 12368.txt     1       阿哥  1 0.0001146526

————————————————————————————————————————————

4、分词之后文档如何整理？——构造一个单词一个文档名一个label

分词之后，一个文档可能就有很多单词，应该每个单词都单独列出来，并且一个单词一个文档名一个label。

图 2

system.time(x <- segmentCN(strwords = sentence))
#每次可能耗费时间较长的过程，都要使用少量数据预估一下时间，这是一个优秀的习惯
temp <- lapply(x, length) #每一个元素的长度,即文本分出多少个词
temp <- unlist(temp)  #lapply返回的是一个list，所以3行unlist
id <- rep(test[, "id"], temp) #将每一个对应的id复制相应的次数，就可以和词汇对应了
label <- rep(test[, "label"], temp)#id对应的情感倾向标签复制相同的次数
term <- unlist(x) #6行将list解散为向量
testterm <- as.data.frame(cbind(id, term, label), stringsAsFactors = F)
#将一一对应的三个向量按列捆绑为数据框，分词整理就基本结束了

代码解读：segmentCN是分词函数；lapply求得每个文本单词个数；

unlist，可以让单词变成向量化,单词操作的时候都需要这步骤，比如前面对单词进行清洗，需要展平数据；

rep，重复id以及label，按照单词个数，rep(c("id","su"),c(2,1))，执行之后为“id”“id”“su”。

————————————————————————————————————————————

5、情感打分

5.1 关联情感词

现在有了图2的数据以及情感词典数据图3，以term为主键，进行join合并。情感词典中没有的词，则删除。

图 3

library(plyr)
testterm <- join(testterm, posneg)
testterm <- testterm[!is.na(testterm$weight), ]
head(testterm)

代码解读：join，以term进行左关联合并，在A表中，会多出来weigh的一列，但是会出现（1,NA,2，3，NA），一些没有匹配到的NA，

用[is.na(testterm$weight),]来进行删除。

5.2 情感分数

有了图2的id+weight列，就可以直接分组汇总，比如aggregate，其他汇总函数可见比博客：R语言数据集合并、数据增减

dictresult <- aggregate(weight ~ id, data = testterm, sum)

对weight列以文本id分组求和，即为情感打分。

5.3 情感偏向

有了情感分数，我想单单知道这些ID正负，就像图2中的label。

可以利用布尔向量建立连接。

dictlabel <- rep(-1, length(dictresult[, 1]))
dictlabel[dictresult$weight > 0] <- 1
dictresult <- as.data.frame(cbind(dictresult, dictlabel), stringsAsFactors = F)

先生成一个原数列长度的-1数列；

在原数列$weight>0会生成一个布尔向量，然后进行赋值，就可以构造label了。

——代码很多来自《数据挖掘之道》的情感分析章节。

每每以为攀得众山小，可、每每又切实来到起点，大牛们，缓缓脚步来俺笔记葩分享一下吧，please~

———————————————————————————