Rによるテキストマイニング ―tidytextを活用したデータ分析と可視化の基礎

72

■

4

章 単語間の関係：

n

グラムと相関

4.2

 

widyr

パッケージによる

2

つの単語の

出現頻度と相関

n

グラムによるトークン化は、隣り合った単語のペアを探索するための方法とし

て便利なものです。しかし、特定の文書や特定の章で共起する傾向がある単語（隣

り合っていなくても）にも興味がわきます。

整理データは、行単位で変数やグループを比較するときには役立ちますが、行と

行の比較は難しくなります。たとえば、同じ文書で

2

つの単語が出現する回数を数

えたり、両者の相関が強いかどうかを解析したりといったことです。ペア単位での

出現頻度や相関の計算では、ほとんどの場合、データをまずワイド行列に変換しま

す。

整理テキストをワイド行列に変換する方法については、第

5

章でいくつか紹介し

ますが、この場合はそのようなものは不要です。

widyr

パッケージ（

https://github.

com/dgrtwo/widyr

）は、「データをワイド化し、処理を実行してから、整理形

式に

戻す」というパターン（図 4-7）を単純化して出現頻度や相関を計算するといった操

作を単純化します。ここでは、観測対象（たとえば、文書や節）のグループの間でペ

アごとの比較を行う関数に注目していきます。

図4-7 整理データセットに含まれる2 つの値を数えたり、両者の相関を調べたりすることが

できるwidyrパッケージの考え方。widyrは、まず整理データセットをwide matrixに

「キャスト」してから、相関等の操作を実行し、結果を整理デー