[R-es] wordcloud y tabla de palabras
Alfredo David Alvarado Ríos
david.alvarado.r en gmail.com
Mar Jul 29 19:35:45 CEST 2014
Buenas tardes grupo.
Carlos, siguiendo tu sugerencia hice dos cosas: releí el ejemplo de la
referencia que coloqué en el correo anterior; y leí un poco más acerca
de tm.
También seguí el ejemplo que yo mismo coloqué de referencia, y acá más
abajo reproduzco el código:
Versión de R: 3.1.1
####
require(tm)
require(wordcloud)
require(Rcpp)
require(slam)
> info.05<-readLines("./PLANIFICACION/Informes/2005/05_seguridad_ciudadana.txt", encoding="UTF-8")
> info.13<-readLines("./PLANIFICACION/Informes/2013/2013_21SeguridadCiudadana.txt", encoding="UTF-8")
> info.05<-iconv(enc2utf8(info.05), sub="byte")
> info.13<-iconv(enc2utf8(info.13), sub="byte")
> informes<-c(info.05, info.13)
> corpus<-Corpus(VectorSource(informes))
> inspect(corpus[1:2])
<<VCorpus (documents: 2, metadata (corpus/indexed): 0/0)>>
[[1]]
<<PlainTextDocument (metadata: 7)>>
Derecho a la seguridad ciudadana. Toda persona tiene derecho a la
protección del Estado a través de los órganos de seguridad ciudadana
regulados por ley, frente a situaciones que constituyan amenazas,
vulnerabilidad o riesgo para la integridad física de las personas, sus
propiedades, el disfrute de sus derechos y el cumplimiento de sus
deberes. La participación de los ciudadanos y las ciudadanas en los
programas destinados a la prevención, seguridad ciudadana y
administración de emergencias será regulada por una ley especial. Los
cuerpos de seguridad del Estado respetarán la dignidad y los derechos
humanos de las personas. El uso de armas o sustancias tóxicas por
parte del funcionariado policial y de seguridad estará limitado por
principios de necesidad, oportunidad, proporcionalidad, conforme a la
ley.
[[2]]
<<PlainTextDocument (metadata: 7)>>
La situación del derecho a la seguridad ciudadana en el período que
cubre este Informe, presentó cambios en algunas cifras (descensos en
homicidios y robos); sin embargo, la situación desde el punto de vista
estructural permanece igual, ya que no existe política pública de
seguridad ciudadana democrática, con participación real de las
comunidades, sino que se insiste en propuestas
> d<-tm_map(corpus, content_transformer(tolower))
> d<-tm_map(d, removePunctuation)
> d<-tm_map(d, stripWhitespace)
> d<-tm_map(d, removeWords, sw)
> d<-tm_map(d, removeWords, stopwords("spanish"))
> tdm<-TermDocumentMatrix(d)
> colnames(m) = c("2005","2013")
Error in `colnames<-`(`*tmp*`, value = c("2005", "2013")) : length of
'dimnames' [2] not equal to array extent
#####
Y una vez más vuelvo a tener el error en colnames. El resto de los
pasos, incluso el wordcloud lo llego a hacer, pero no logro llegar a
establecer que las columnas de la matrix serán los años, y la
intención que tengo es poder comparar los textos, incluso con gráfico
de barras por palabras más frecuentes.
El día 28 de julio de 2014, 15:28, Carlos Ortega
<cof en qualityexcellence.es> escribió:
> Hola,
>
> La referencia (gracias por proporcionarla) que has incluido es bastante
> clara y se puede seguir.
> ¿Has podido sobre tus dos discursos utilizar la misma lógica?
>
> La forma de salir de dudas, para empezar, es que adjuntaras el código que
> estás empleando por ver si hay algún error evidente. Aunque la forma
> adecuada para que te podamos ayudar es con un ejemplo reproducible: código +
> datos.
>
> Saludos,
> Carlos Ortega
> www.qualityexcellence.es
>
>
> El 28 de julio de 2014, 21:24, Alfredo David Alvarado Ríos
> <david.alvarado.r en gmail.com> escribió:
>>
>> 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.
>>
>> _______________________________________________
>> R-help-es mailing list
>> R-help-es en r-project.org
>> https://stat.ethz.ch/mailman/listinfo/r-help-es
>
>
>
>
> --
> Saludos,
> Carlos Ortega
> www.qualityexcellence.es
Más información sobre la lista de distribución R-help-es