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

92

■

5

章 未整理形式へ（から）の変換

## Non-/sparse entries: 40379/46741

## Sparsity : 54%

## Maximal term length: 19

## Weighting : term frequency (tf)

このキャスト処理を使えば、

dplyr

などの整理ツールで読み出し、フィルタリン

グ、処理を行った上で、その結果を機械学習アプリケーションが使う

DTM

に変換

することができます。第

6

章では、処理のために整理テキスト形式のデータセット

を

DocumentTermMatrix

に変換しなければならない例について検討します。

5.3

 

メタデータを持つコーパスオブジェクトの整理

トークン化する前の文書コレクションを格納するために設計されたデータ構造が

いくつかあります。これらは「コーパス」と呼ばれています。

tm

パッケージのコー

パスオブジェクトは、よく知られた

例の

1

つです。この種のコーパスは、テキスト

ともにメタデータ（

metadata

）を格納しています。メタデータとしては、各文書の

ID

、日時、タイトル、言語などが含まれます。

たとえば、

tm

パッケージには、ロイターの

50

本のニュース記事を収録する

acq

コーパスが含まれています。

data("acq")

acq

## <<VCorpus>>

## Metadata: corpus specific: 0, document level (indexed): 0

## Content: documents: ...