开源的企业网站管理系统,肇庆专业网站建设公司,婚纱摄影网站源码下载,搜索引擎营销的主要模式1写在前面 今天可算把key搞好了#xff0c;不得不说#x1f3e5;里手握生杀大权的人#xff0c;都在自己的能力范围内尽可能的难为你。#x1f602; 我等小大夫也是很无奈#xff0c;毕竟奔波霸、霸波奔是要去抓唐僧的。 #x1f910; 好吧#xff0c;今天是词云#x… 1写在前面 今天可算把key搞好了不得不说里手握生杀大权的人都在自己的能力范围内尽可能的难为你。 我等小大夫也是很无奈毕竟奔波霸、霸波奔是要去抓唐僧的。 好吧今天是词云Wordcloud教程大家都说简单但实际操作起来又有一些难度一起试试吧。 2用到的包 rm(list ls())library(tidyverse)library(tm)library(wordcloud) 3示例数据 这里我准备好了2个文件用于绘图首先是第一个文件每行含有n个词汇。 dataset - read.delim(./wordcloud/dataset.txt, headerFALSE)DT::datatable(dataset) 接着是第2个文件代表dataset文件中每一行的label。 dataset_labels - read.delim(./wordcloud/labels.txt,headerFALSE)dataset_labels - dataset_labels[,1]dataset_labels_p - paste(class,dataset_labels,sep_)unique_labels - unique(dataset_labels_p)unique_labels 4数据初步整理 然后我们利用sapply函数把数据整理成list。 可能会有小伙伴问sapply和lapply有什么区别呢 ok sapply()函数与lapply()函数类似但返回的是一个简化的对象例如向量或矩阵。 如果应用函数的结果具有相同的长度和类型则sapply()函数将返回一个向量。 如果结果具有不同的长度或类型则sapply()函数将返回一个矩阵。 dataset_s - sapply(unique_labels,function(label) list( dataset[dataset_labels_p %in% label,1] ) )str(dataset_s) 5数据整理成Corpus 接着我们把上面整理好的list中每个元素都整理成一个单独的Corpus。 dataset_corpus - lapply(dataset_s, function(x) Corpus(VectorSource( toString(x) ))) 然后再把Cporus合并成一个。 dataset_corpus_all - dataset_corpus 6去除部分词汇 修饰一下 去除标点、数字、无用的词汇等等。 dataset_corpus_all - lapply(dataset_corpus_all, tm_map, removePunctuation)dataset_corpus_all - lapply(dataset_corpus_all, tm_map, removeNumbers)dataset_corpus_all - lapply(dataset_corpus_all, tm_map, function(x) removeWords(x,stopwords(english))) words_to_remove - c(said,from,what,told,over,more,other,have, last,with,this,that,such,when,been,says, will,also,where,why,would,today)dataset_corpus_all - lapply(dataset_corpus_all, tm_map, function(x)removeWords(x, words_to_remove)) 7计算term matrix并去除部分词汇 document_tm - TermDocumentMatrix(dataset_corpus_all)document_tm_mat - as.matrix(document_tm)colnames(document_tm_mat) - unique_labelsdocument_tm_clean - removeSparseTerms(document_tm, 0.8)document_tm_clean_mat - as.matrix(document_tm_clean)colnames(document_tm_clean_mat) - unique_labels # 去除长度小于4的termindex - as.logical(sapply(rownames(document_tm_clean_mat), function(x) (nchar(x)3) ))document_tm_clean_mat_s - document_tm_clean_mat[index,] head(document_tm_clean_mat_s) 8可视化 8.1 展示前500个词汇 comparison.cloud(document_tm_clean_mat_s, max.words500, random.orderF, use.r.layout F, scale c(10,0.4), title.size1.4, title.bg.colors white ) 8.2 展示前2000个词汇 comparison.cloud(document_tm_clean_mat_s, max.words2000, random.orderF, use.r.layout T, scale c(6,0.4), title.size1.4, title.bg.colors white ) 8.3 展示前2000个common词汇 commonality.cloud(document_tm_clean_mat_s, max.words2000, random.orderF) 最后祝大家早日不卷!~ 点个在看吧各位~ ✐.ɴɪᴄᴇ ᴅᴀʏ 〰 往期精彩 LASSO | 不来看看怎么美化你的LASSO结果吗 chatPDF | 别再自己读文献了让chatGPT来帮你读吧~ WGCNA | 值得你深入学习的生信分析方法~ ComplexHeatmap | 颜狗写的高颜值热图代码 ComplexHeatmap | 你的热图注释还挤在一起看不清吗 Google | 谷歌翻译崩了我们怎么办附完美解决方案 scRNA-seq | 吐血整理的单细胞入门教程 NetworkD3 | 让我们一起画个动态的桑基图吧~ RColorBrewer | 再多的配色也能轻松搞定~ rms | 批量完成你的线性回归 CMplot | 完美复刻Nature上的曼哈顿图 Network | 高颜值动态网络可视化工具 boxjitter | 完美复刻Nature上的高颜值统计图 linkET | 完美解决ggcor安装失败方案附教程 ...... 本文由 mdnice 多平台发布
