[R-es] wordcloud y tabla de palabras
Alfredo David Alvarado Ríos
david.alvarado.r en gmail.com
Lun Jul 28 21:24:37 CEST 2014
Buenas tardes, grupo. Agradecido Carlos por tu orientación y Eduardo.
Efectivamente, seguí el ejemplo de wordclouds, y al igual que
anteriormente logró hacer la nube de texto, pero sólo por cada uno de
los textos considerados.
Tengo los dos "corpus clean" por cada uno de los informes que estoy
considerando: año 2005 y 2013.
>tdm05<-TermDocumentMatrix(cor.05.cl)
>tdm13<-TermDocumentMatrix(cor.13.cl)
> m05<-as.matrix(tdm05)
> m13<-as.matrix(tdm13)
>v05 <- sort(rowSums(m05),decreasing=TRUE)
> v13 <- sort(rowSums(m13),decreasing=TRUE)
> df05<-data.frame(word = names(v05), freq=v05)
> df13<-data.frame(word = names(v13), freq=v13)
> wordcloud(df05$word,df05$freq)
There were 50 or more warnings (use warnings() to see the first 50)
> head(df05)
word freq
seguridad seguridad 56
ciudadana ciudadana 40
funcionarios funcionarios 33
policiales policiales 32
nacional nacional 28
policial policial 28
> wordcloud(df13$word,df13$freq)
There were 34 warnings (use warnings() to see them)
> head(df13)
word freq
seguridad seguridad 33
homicidios homicidios 29
año año 27
país país 21
inseguridad inseguridad 20
violencia violencia 20
Como ven, puedo seguir el procedimiento hasta obtener el wordcloud por
cada uno de los informes, pero no logro encontrar la manera de unir
los dos documentos de manera que pueda mostrarlos comparativamente en
dos wordclouds.
En este sentido, he leído, y por lo que entiendo los dos documentos se
unen en un solo corpus, que debería contener los dos documentos. Eso
lo hice, con los informes, y efectivamente podría representar una sola
ventana con el wordcloud de ambos informes.
Sin embargo, cuando trato de aplicar colnames, el mensaje de error
sigue siendo "length of 'dimnames' [2] not equal to array extent", es
decir, como si no pudiera aplicar las columnas porque se trata de un
solo documento.
Entonces, solicito una vez más su valiosa ayuda en lo relacionado con
lo siguiente:
Después de tener ambos data.frame (año 2005 y año 2013) es que se
deben unir los datos. Ahora bien, esto debe realizarse con la orden
Corpus? Como dije, lo trabajé uniéndolos en esa orden y me dio el
mensaje "dimnames [2] no equal to array extent en el paso de
aplicación de nombres de columnas.
Los uní antes, como en el siguiente ejemplo
http://www.webmining.cl/2014/05/text-mining-comparacion-de-2-discursos-presidenciales-del-21-de-mayo-usando-r/
y tampoco logré aplicarle colnames, ni tener la forma de matriz que se
requiere para colocar los años en las columnas y las palabras contadas
en las filas.
Realmente he estado estudiando la herramienta R, y leído varios
artículos y revisado materiales relacionados para buscar la manera,
pero no logro dar con la manera de visualizar.
Gracias nuevamente por la atención. Y gracias por la disposición.
Cordial y atentamente,
El día 25 de julio de 2014, 0:16, Alfredo David Alvarado Ríos
<david.alvarado.r en gmail.com> escribió:
> Buenas noches grupo. Saludos cordiales.
>
> He seguido en la búsqueda de una forma que me permita realizar la
> comparación de dos documentos pertenecientes a los años 2005 y 2013, y
> que pueda representar finalmente con wordcloud y con una table en la
> que las columnas sean los años de cada informe "2005" y "2013", y las
> filas sean las palabras con la frecuencia de cada una de ellas por
> cada informe:
>
>
> ----------------------------------
> | | 2005 | 2013 |
> ----------------------------------
> | terminos | | |
> ----------------------------------
> | terminos | | |
> ----------------------------------
>
>
> De manera que buscando y experimentando, adaptando de otras
> experiencias logré llegar a lo siguiente:
>
> ##########
>
>>informes<-c("2013", "2005")
>>pathname<-"C:/Users/d_2/Documents/Comision/PLAN de INSPECCIONES/Informes/"
>
>>TDM<-function(informes, pathname) {
> info.dir<-sprintf("%s/%s", pathname, informes)
> info.cor<-Corpus(DirSource(directory=info.dir, encoding="UTF-8"))
> info.cor.cl<-tm_map(info.cor, content_transformer(tolower))
> info.cor.cl<-tm_map(info.cor.cl, stripWhitespace)
> info.cor.cl<-tm_map(info.cor.cl,removePunctuation)
> sw<-readLines("C:/Users/d_2/Documents/StopWords.txt", encoding="UTF-8")
> sw<-iconv(enc2utf8(sw), sub = "byte")
> info.cor.cl<-tm_map(info.cor.cl, removeWords, stopwords("spanish"))
> info.tdm<-TermDocumentMatrix(info.cor.cl)
> result<-list(name = informes, tdm= info.tdm)
> }
>>tdm<-lapply(informes, TDM, path = pathname)
>
> Resultado:
>
>> tdm
> [[1]]
> [[1]]$name
> [1] "2013"
> [[1]]$tdm
> <<TermDocumentMatrix (terms: 1540, documents: 1)>>
> Non-/sparse entries: 1540/0
> Sparsity : 0%
> Maximal term length: 18
> Weighting : term frequency (tf)
>
> [[2]]
> [[2]]$name
> [1] "2005"
> [[2]]$tdm
> <<TermDocumentMatrix (terms: 1849, documents: 1)>>
> Non-/sparse entries: 1849/0
> Sparsity : 0%
> Maximal term length: 19
> Weighting : term frequency (tf)
>
>> str(tdm)
> List of 2
> $ :List of 2
> ..$ name: "2013"
> ..$ tdm :List of 6
> .. ..$ i : int [1:1540] 1 2 3 4 5 6 7 8 9 10 ...
> .. ..$ j : int [1:1540] 1 1 1 1 1 1 1 1 1 1 ...
> .. ..$ v : num [1:1540] 1 5 8 1 1 1 1 3 1 1 ...
> .. ..$ nrow : int 1540
> .. ..$ ncol : int 1
> .. ..$ dimnames:List of 2
> .. .. ..$ Terms: [1:1540] "070812" "100" "100000" "117735" ...
> .. .. ..$ Docs : "2013_21SeguridadCiudadana.txt"
> .. ..- attr(*, "class")= [1:2] "TermDocumentMatrix" "simple_triplet_matrix"
> .. ..- attr(*, "weighting")= [1:2] "term frequency" "tf"
> $ :List of 2
> ..$ name: "2005"
> ..$ tdm :List of 6
> .. ..$ i : int [1:1849] 1 2 3 4 5 6 7 8 9 10 ...
> .. ..$ j : int [1:1849] 1 1 1 1 1 1 1 1 1 1 ...
> .. ..$ v : num [1:1849] 1 1 1 1 1 1 1 1 1 1 ...
> .. ..$ nrow : int 1849
> .. ..$ ncol : int 1
> .. ..$ dimnames:List of 2
> .. .. ..$ Terms: [1:1849] "071004" "100000" "101005" "1022" ...
> .. .. ..$ Docs : "05_seguridad_ciudadana.txt"
> .. ..- attr(*, "class")= [1:2] "TermDocumentMatrix" "simple_triplet_matrix"
> .. ..- attr(*, "weighting")= [1:2] "term frequency" "tf"
>>
>>m<-as.matrix(tdm)
>
> ########
>
> Al probar str(tdm), se obtiene lo siguiente:
>
> List of 2
> $ :List of 2
> ..$ name: chr "2013"
> ..$ tdm :List of 6
> .. ..$ i : int [1:1540] 1 2 3 4 5 6 7 8 9 10 ...
> .. ..$ j : int [1:1540] 1 1 1 1 1 1 1 1 1 1 ...
> .. ..$ v : num [1:1540] 1 5 8 1 1 1 1 3 1 1 ...
> .. ..$ nrow : int 1540
> .. ..$ ncol : int 1
> .. ..$ dimnames:List of 2
> .. .. ..$ Terms: chr [1:1540] "070812" "100" "100000" "117735" ...
> .. .. ..$ Docs : chr "2013_21SeguridadCiudadana.txt"
> .. ..- attr(*, "class")= chr [1:2] "TermDocumentMatrix"
> "simple_triplet_matrix"
> .. ..- attr(*, "weighting")= chr [1:2] "term frequency" "tf"
> $ :List of 2
> ..$ name: chr "2005"
> ..$ tdm :List of 6
> .. ..$ i : int [1:1849] 1 2 3 4 5 6 7 8 9 10 ...
> .. ..$ j : int [1:1849] 1 1 1 1 1 1 1 1 1 1 ...
> .. ..$ v : num [1:1849] 1 1 1 1 1 1 1 1 1 1 ...
> .. ..$ nrow : int 1849
> .. ..$ ncol : int 1
> .. ..$ dimnames:List of 2
> .. .. ..$ Terms: chr [1:1849] "071004" "100000" "101005" "1022" ...
> .. .. ..$ Docs : chr "05_seguridad_ciudadana.txt"
> .. ..- attr(*, "class")= chr [1:2] "TermDocumentMatrix"
> "simple_triplet_matrix"
> .. ..- attr(*, "weighting")= chr [1:2] "term frequency" "tf"
> - attr(*, "dim")= int [1:2] 2 1
>
>
>> m<-as.matrix(tdm)
>
>> m
> [,1]
> [1,] List,2
> [2,] List,2
>
>
> #######
>
> Pero no logro poder avanzar en los pasos para tener la comparativa de
> palabras por años par avanzar en una visualización de wordcloud.
> Si alguien se le ocurre alguna idea, agradecería mucho la ayuda.
Más información sobre la lista de distribución R-help-es