タグクラウドもしくはワードクラウドの練習（続）

Rを使ってワードクラウド（タグクラウド）を作る練習の第2弾。

今回は文章（テキストデータ）を使って，その中のキーワードを抽出し，タグクラウドで出現回数を表示してみる。

まず，今回，対象とするテキストは今まで翻訳に取り組んできた（参照）：

ウィンストン・チャーチル『マラカンド野戦軍物語』

の全文である。テキストデータはグーテンベルク・プロジェクトのページから手に入る：

"The Story of the Malakand Field Force: An Episode of Frontier War by Churchill"

テキストデータをダウンロードしたら，次は保存先に注意。

Rのワーキングディレクトリの下に"corpus"というディレクトリを作り，さらにその中に"target"を作っておき，この"target"ディレクトリの中に保存する。

そしてRを立ち上げて，以下の通り作業に移る：

＜パッケージの読み込み＞

まず，パッケージを読み込む。

# # load packages # library(ctv) library(tm) library(SnowballC) library(wordcloud)

＜テキストデータの読み込み＞

つぎに，分析対象とするテキストデータを読み込む。今回は"./corpus/target"の中に保存したので，そのディレクトリに到達できるようにパスを設定する。

そして，そのテキストデータをもとに「コーパス」を作る。コーパスは"docs"というオブジェクトに保存される：

# # Store all text files in the location(folder) "./corpus/target" # Identify text files and create a corpus # cname <- file.path(".", "corpus", "target") docs <- Corpus(DirSource(cname))

＜コーパスの整形＞

次に，コーパス内のデータを整形する。例えば，"/"とか"@"とかいった記号を半角スペースに変換したり，大文字を小文字にしたり，"a"とか"the"とか"I"とか，頻出する単語を削ったりする。

# # Data processing on the text files # # Replace symbols "/", "@", "-", with a blank space for (j in seq(docs)) { docs[[j]] <- gsub("/", " ", docs[[j]]) docs[[j]] <- gsub("@", " ", docs[[j]]) docs[[j]] <- gsub("-", " ", docs[[j]]) } # # Remove words like "a", "an", "the", "I", etc.. docs <- tm_map(docs, tolower) docs <- tm_map(docs, removeWords, stopwords("english")) docs <- tm_map(docs, removePunctuation) docs <- tm_map(docs, stripWhitespace) docs <- tm_map(docs, PlainTextDocument)

＜コーパスの構造化＞

コーパスを構造化して，wordcloud関数が読めるようにする。

# # Create structured data # dtm <- DocumentTermMatrix(docs)

＜ワードクラウドの作成＞

単語とそれぞれの登場回数をまとめたデータフレームを作り，それをwordcloud関数に読み込ませて，ワードクラウドを作成する。

# # Making the word cloud # m <- as.matrix(dtm) v <- sort(colSums(m), decreasing=TRUE) head(v, 14) words <- names(v) d <- data.frame(word=words, freq=v) wordcloud(d$word, d$freq, min.freq=100, colors=brewer.pal(8, "Dark2"))

さて，こういうのができたら完成：

"enemy"がトップ。そして軍人の階級やら兵科やらの単語が良く登場する。やはり戦記物らしい結果。