用R进行文本挖掘与分析：分词、画词云

关键词：文本挖掘分词、r语言数据挖掘、数据分析师、数据分析

要分析文本内容，最常见的分析方法是提取文本中的词语，并统计频率。频率能反映词语在文本中的重要性，一般越重要的词语，在文本中出现的次数就会越多。词语提取后，还可以做成词云，让词语的频率属性可视化，更加直观清晰。比如下图：

这是根据总理2014年的政府工作报告制作的可视化词云，分词和词云的制作都是用R，词频的统计用了其他软件。这个图能很直观看到，工作报告的重心是”发展”，这是大方向，围绕发展的关键要素有经济建设、改革、农村、城镇等要素。不过这张图中的词语还需要进行优化，因为有些术语或词组可能被拆分成了更小的词语，没有展示出来，为了演示，我就没再花更多时间去优化词库，主要是讲讲分析的方法。

下面是分析方法：

首先，要获得要分析的内容，做成txt文本文件。这个很简单，把要分析的内容粘贴到记事本，保存为txt文件就可以了。

其次，用R进行分词。这里要分几点来讲：

要用R进行分词，需要安装并装载两个library，一个是Rwordseg，另一个是rJava。rJava的作用是提供java的库，供Rwordseg调用。安装后，调用语句如下：

library(rJava)

library(Rwordseg)

说说Rwordseg，这是一个R环境下的中文分词工具，引用了Ansj包，Ansj是一个开源的java中文分词工具，基于中科院的ictclas中文分词算法，采用隐马尔科夫模型（HMM）。Rwordseg牛逼的地方三点，一是分词准确，二是分词速度超快，三是可以导入自定义词库，有意思的是还可以导入搜狗输入法的细胞词库（sqel格式），想想细胞词库有多庞大吧，这个真是太厉害了。
分词的语法。很简单，一个函数就搞定了，看下面：

segmentCN(“待分析文件的完整路径”,returnType=”tm”)

注意：R中的路径用”\\”分割文件夹。参数returnType表示返回的分词格式是按空格间隔的格式。执行完成后，会自动在相同目录生成一个”待分析文件名. .segment.txt”的文本文件，打开可以看到是酱紫：