2 варианта. Первый пример использует quanteda, второй пример использует udpipe.
Обратите внимание, что печать столбцов с помощью фарси странная, особенности и значения, как правило, печатаются в неправильных столбцах, но данные правильно хранятся внутри объекты для дальнейшей обработки. Существует небольшая разница в выходных данных между двумя вариантами. Но они имеют тенденцию быть незначительными. Обратите внимание, что для чтения данных я использовал пакет readtext. Это имеет тенденцию играть хорошо с Quanteda.
1 квантеда
library(quanteda)
library(readtext)
# library(stopwords)
stp_test <- readtext("stp_test.csv", encoding = "UTF-8")
stp_test$Message[stp_test$Message != ""]
stp_test$text[stp_test$text != ""]
# remove records with empty messages
stp_test <- stp_test[stp_test$Message != "", ]
stp_corp <- corpus(stp_test,
docid_field = "doc_id",
text_field = "Message")
stp_toks <- tokens(stp_corp, remove_punct = TRUE)
stp_toks <- tokens_remove(stp_toks, stopwords::stopwords(language = "fa", source = "stopwords-iso"))
# step for creating ngrams 1-3 can be done here, after removing stopwords.
# stp_ngrams <- tokens_ngrams(stp_toks, n = 1L:3L, concatenator = "_")
stp_dfm <- dfm(stp_toks)
textstat_frequency(stp_dfm)
# transform into tidy data.frame
library(dplyr)
library(tidyr)
quanteda_tidy_out <- convert(stp_dfm, to = "data.frame") %>%
pivot_longer(-document, names_to = "features")
2 udpipe
library(udpipe)
model <- udpipe_download_model(language = "persian-seraji")
ud_farsi <- udpipe_load_model(model$file_model)
# use stp_test from quanteda example.
x <- udpipe_annotate(ud_farsi, doc_id = stp_test$doc_id, stp_test$Message)
stp_df <- as.data.frame(x)
# selecting only nouns and verbs and removing stopwords
ud_tidy_out <- stp_df %>%
filter(upos %in% c("NOUN", "VERB"),
!token %in% stopwords::stopwords(language = "fa", source = "stopwords-iso"))
Оба пакета имеют хорошие виньетки и страницы поддержки.