У меня есть корпус из 600 текстовых файлов, которые я хочу извлечь из него каждую числовую комбинацию после термина mim
и создать document term matrix
, чтобы найти frequencies per file
.. Я использовал этот код, он извлек все нужные условия, но возвращает 0
при применении документа Термин матрицы .. мой корпус представляет собой простой текстовый файл корпус, который содержит только текст этот мой код
library("tm")
library("stringr")
mim<-stringr::str_extract_all(DBcorp,"(mim)[[:blank:]]*[[:digit:]]+")
#extract numbers
mim<-stringr::str_extract_all(mim,"[[:digit:]]+")
#set the result as list + delete duplicated extracted terms
mim<-unique(unlist(mim[[1]]))
mim
[1] "608106" "606843" "103600" "231550"
class(omim)
[1] "character"
#document term matrix
dtm_mim <- DocumentTermMatrix(DBcorp, control=list(dictionary=mim))
# turn document term matrix into data.frame
df_mim <- data.frame(DOC = dtm_mim$dimnames$Docs, as.matrix(dtm_mim), row.names = NULL , check.names = FALSE)
df_mim
608106 606843 103600 231550
1.txt 0 0 0 0
2.txt 0 0 0 0
3.txt 0 0 0 0
это образец моих данных, когда я использую их таким образом; хорошо работает
docs = c(doc1 = "mim 608106 letters 123 mim 606843 letters 1 letters 123456789 ",
doc2 = "letters letters 1 mim 231550 123 letters",
doc3 = "mim 103600 letters 123456")
docs<-Corpus(VectorSource(docs))
но когда я создаю документ в отдельном текстовом файле, происходит сбой при извлечении
DBcorp<- VCorpus(DirSource("c:\Users\Desktop\files"))
> DBcorp
<<VCorpus>>
Metadata: corpus specific: 0, document level (indexed): 0
Content: documents: 154