文本數(shù)據(jù)挖掘 基于R語言

目錄

前言
第1章 走進(jìn)文本數(shù)據(jù)挖掘1
1.1 什么是文本數(shù)據(jù)挖掘1
1.2 為什么要做文本數(shù)據(jù)挖掘2
1.3 如何進(jìn)行文本數(shù)據(jù)挖掘2
1.3.1 文本數(shù)據(jù)挖掘的流程2
1.3.2 文本數(shù)據(jù)挖掘的基本任務(wù)及方法4
1.4 文本數(shù)據(jù)挖掘軟件工具概覽5
第2章 文本數(shù)據(jù)挖掘利器—R語言7
2.1 開發(fā)環(huán)境配置7
2.1.1 下載并安裝R軟件7
2.1.2 包的管理8
2.1.3 版本升級9
2.1.4 集成開發(fā)環(huán)境10
2.2 R的基本數(shù)據(jù)類型11
2.2.1 數(shù)值型12
2.2.2 邏輯型12
2.2.3 字符型12
2.2.4 因子型13
2.3 R的常用數(shù)據(jù)結(jié)構(gòu)13
2.3.1 向量13
2.3.2 矩陣14
2.3.3 列表14
2.3.4 數(shù)據(jù)框15
2.4 R的基礎(chǔ)編程知識15
2.4.1 賦值15
2.4.2 函數(shù)16
2.4.3 強(qiáng)制類型轉(zhuǎn)換16
2.4.4 條件判斷17
2.4.5 循環(huán)操作17
2.5 數(shù)據(jù)操作入門19
2.5.1 文件讀寫19
2.5.2 數(shù)據(jù)框的檢視25
2.5.3 單表操作28
2.5.4 多表操作37
2.5.5 缺失值處理42
2.5.6 長寬數(shù)據(jù)轉(zhuǎn)換46
第3章 從基礎(chǔ)做起1—字符串的基本處理51
3.1 字符串的構(gòu)造51
3.2 字符串的辨識、計數(shù)與定位52
3.3 字符串的提取53
3.4 字符串的定制化輸出54
3.5 字符串的替換與刪除56
3.6 字符串的拼接與拆分57
3.7 字符串的排序57
第4章 從基礎(chǔ)做起2—用好正則表達(dá)式59
4.1 通配符解析59
4.1.1 點(diǎn)運(yùn)算符（“.”）60
4.1.2 字符集（“[]”）60
4.1.3 否定字符集（“[^ ]”）61
4.1.4 出現(xiàn)0次或更多（“*”）61
4.1.5 出現(xiàn)1次或更多（“+”）62
4.1.6 出現(xiàn)0次或1次（“?”）62
4.1.7 出現(xiàn)次數(shù)范圍限制（“{}”）62
4.1.8 特征標(biāo)群（“(...)”）62
4.1.9 或運(yùn)算符（“|”）63
4.1.10 轉(zhuǎn)義字符（“\\\\”）63
4.1.11 匹配開頭部分（“^”）63
4.1.12 匹配結(jié)尾部分（“$”）64
4.2 反向引用64
4.3 簡寫字符集65
4.4 貪婪匹配與惰性匹配66
4.5 零寬斷言67
4.5.1 正先行斷言（“?=...”）67
4.5.2 負(fù)先行斷言（“?!...”）68
4.5.3 正后發(fā)斷言（“?
4.5.4 負(fù)后發(fā)斷言（“?4.5.5 提取括號中的內(nèi)容68
第5章 步入正題—導(dǎo)入各類文本數(shù)據(jù)70
5.1 readtext包簡介70
5.2 不同格式文本文件的導(dǎo)入70
5.2.1 讀取txt文件71
5.2.2 讀取csv/tsv文件72
5.2.3 讀取json文件74
5.2.4 讀取pdf文件74
5.2.5 讀取Word文件75
5.2.6 讀取html文件75
5.2.7 讀取壓縮包75
5.3 讀入不同編碼格式的文檔76
5.4 文件數(shù)據(jù)結(jié)構(gòu)的轉(zhuǎn)化77
第6章 更進(jìn)一步—對各類文本數(shù)據(jù)進(jìn)行預(yù)處理79
6.1 拼寫糾錯79
6.2 文本切分80
6.2.1 段落切分81
6.2.2 句子切分82
6.2.3 詞語切分82
6.2.4 n元切分85
6.2.5 字符切分85
6.3 去除標(biāo)點(diǎn)86
6.4 去除停用詞86
6.5 擴(kuò)展縮寫87
6.6 詞干提取87
6.7 詞形還原與詞性標(biāo)注88
6.8 批量文檔預(yù)處理90
第7章 上手文本數(shù)據(jù)挖掘—文本特征提取的4種方法92
7.1 基本特征提取92
7.2 基于TF-IDF的特征提取94
7.3 詞嵌入96
7.3.1 基于BOW96
7.3.2 基于word2vec98
7.3.3 基于GloVe100
7.3.4 基于fastText101
7.4 文檔向量化：doc2vec102

第8章 文本分類—基于機(jī)器學(xué)習(xí)的方法105
8.1 無監(jiān)督分類105
8.1.1 基于文本相似度的聚類105
8.1.2 基于網(wǎng)絡(luò)集群識別的自動化聚類120
8.1.3 基于主題模型的分類125
8.2 有監(jiān)督分類129
8.2.1 二分類129
8.2.2 多分類136
第9章 深入理解文本內(nèi)涵—文本情感分析142
9.1 英文情感分析142
9.1.1 RSentiment143
9.1.2 sentimentr144
9.1.3 SentimentAnalysis145
9.1.4 meanr147
9.1.5 sentometrics148
9.2 中文情感分析151
9.2.1 環(huán)境與數(shù)據(jù)準(zhǔn)備151
9.2.2 情感詞典準(zhǔn)備151
9.2.3 中文分詞152
9.2.4 分值計算152
9.2.5 小結(jié)152
第10章 文本數(shù)據(jù)的直觀表達(dá)—文本可視化153
10.1 條形圖153
10.2 克利夫蘭點(diǎn)圖155
10.3 矩形樹狀圖156
10.4 詞云157
10.5 詞匯位置分布圖159
10.6 網(wǎng)絡(luò)圖164
10.7 雙文檔對比可視化167
第11章 舉一反三—文本數(shù)據(jù)挖掘項目實(shí)踐170
11.1 情感分析案例：量化中文新聞報道中的情感走勢170
11.2 文本分類案例：基于詞袋模型對英文期刊摘要來源進(jìn)行分類176
11.3 關(guān)鍵詞提取案例：根據(jù)CRAN的介紹文本提取R包關(guān)鍵字181