时间戳

首页 > 解决方案 > Quanteda - 从具有多个文档的数据框创建语料库

r - Quanteda - 从具有多个文档的数据框创建语料库

问题描述

这里的第一个问题，所以为任何失礼道歉。我在 R 中有一个包含 4 个变量的 657 个观测值的数据框。每个观察都是澳大利亚总理的演讲或采访。所以变量是：

我正试图把它变成 Quanteda 中的语料库

我第一次尝试corp <- corpus(all_content)，但这给了我一条错误消息

Error in corpus.data.frame(all_content) : 
  text_field column not found or invalid

这虽然有效：corp <- corpus(paste(all_content))

然后summary(corp)这给了我

Corpus consisting of 4 documents, showing 4 documents:

  Text Types  Tokens Sentences
 text1   243    1316         1
 text2  1095    6523         3
 text3   661    2630         1
 text4 25243 1867648     62572

我的理解是，这样做是有效地将每一列变成一个文档，而不是每一行？

如果重要，txt变量将保存为列表。用于创建每一行的代码是

```{r new_function}
scrape_speech <- function(url){
speech_page <- read_html(url)
     
     date <- speech_page %>% html_nodes(".date-display-single") %>% html_text() %>% dmy()
     title <- speech_page %>% html_nodes(".pagetitle") %>% html_text()
     txt <- speech_page %>% html_nodes("#block-system-main p") %>% html_text() %>% list()
     
     tibble (date = date, title = title, URL = url, txt=txt)}

然后，我使用该map_dfr函数遍历并抓取了 657 个单独的 URL。

有人向我建议这是因为它txt被保存为列表。我试过不使用list()in 函数，得到 21,904 个观察结果，因为全文文档中的每个段落都变成了单独的观察结果。我可以把它变成一个语料库corp <- corpus(paste(all_content_not_list)) （再一次，没有paste我得到与上面相同的错误）。这同样给了我语料库中的 4 个文档！ summary(corp) 给我

Corpus consisting of 4 documents, showing 4 documents:

  Text Types  Tokens Sentences
 text1   243   43810         1
 text2  1092  214970        25
 text3   657   87618         1
 text4 25243 1865687     62626

提前感谢丹尼尔

标签： rcorpusquanteda

解决方案

很难准确解决这个问题，因为您的 data.frame 对象没有可重现的示例，但如果结构包含您列出的变量，那么应该这样做：

corpus(all_content, text_field = "txt")

详情请参阅?corpus.data.frame。如果这样做不行，请尝试将输出添加到您的问题中

str(all_content)

以便我们可以更详细地查看您的all_content对象中的内容。

在 OP 添加新数据后进行了编辑：

好的，所以txt在你的小标题中是一个字符元素列表。您需要将它们组合成一个字符才能将其用作corpus.data.frame(). 就是这样：

library("quanteda")
## Package version: 3.0.0
## Unicode version: 10.0
## ICU version: 61.1
## Parallel computing: 12 of 12 threads used.
## See https://quanteda.io for tutorials and examples.

dframe <- structure(list(
  date = structure(18620, class = "Date"),
  title = " Prime Minister's Christmas Message to the ADF",
  URL = "https://www.pm.gov.au/media/prime-ministers-christmas-message-adf",
  txt = list(c(
    "G'day and Merry Christmas to everyone in our Australian Defence Force.",
    "You know, throughout our history, successive Australian governments... And this year was no different.",
    "God bless."
  ))
),
row.names = c(NA, -1L),
class = c("tbl_df", "tbl", "data.frame")
)

dframe$txt <- vapply(dframe$txt, paste, character(1), collapse = " ")

corp <- corpus(dframe, text_field = "txt")
print(corp, max_nchar = -1)
## Corpus consisting of 1 document and 3 docvars.
## text1 :
## "G'day and Merry Christmas to everyone in our Australian Defence Force. You know, throughout our history, successive Australian governments... And this year was no different. God bless."

由reprex 包于 2021-04-08 创建(v1.0.0)

推荐阅读