使用R语言进行中文分词

1.准备包

①rJava包

② Rwordseg包

③java环境

④搜狗词库（此为扩展词库）

Rwordseg包依赖于rJava包。由于Rwordseg包并没有托管在CRAN上面，而是在R-Forge上面，因此在在R软件上面直接输入install.packages(“Rwordseg”)会提示错误。因此，我们需要在软件菜单栏点击程序包

选择软件库在选择R-Forge 即可，然后输入install.packages(“Rwordseg”)应该就OK了。或者输入下面代码：

install.packages("Rwordseg", repos = "http://R-Forge.R-project.org")

一切准备工作做好了我们就可以进行分词了。首先加载我们所需要的包。然后对“ 我非常喜欢《跟着菜鸟一起学R语言》这个微信公众号 ”这句话进行分词。

library(Rwordseg)
library(rJava)
text<-"我非常喜欢《跟着菜鸟一起学R语言》这个微信公众号"
segmentCN(text)

分词结果为：

[1] “我” “非常” “喜欢” “跟” “着” “菜” “鸟” “一起” “学” “R语言” “这个” “微信” “公众” “号”

我们可以发现这个分词有问题，比如说 “菜鸟”和“公众号”是一个词，但这里却分开了。我们该怎么处理呢？Rwordseg包里面提供了一个insertWords函数，具体如下

insertWords(strwords,
    analyzer = get("Analyzer", envir = .RwordsegEnv),
    strtype = rep("userDefine", length(strwords)),
    numfreq = rep(1000, length(strwords)), save = FALSE)

这就是insertWords函数，其中save参数是指是否把这个词保存到词典里面。

insertWords(c("菜鸟","公众号"),save=TRUE)

这样的话，菜鸟和公众号就成两个词了。再次运行

text<-"我非常喜欢《跟着菜鸟一起学R语言》这个微信公众号"
segmentCN(text)

结果为

[1] “我” “非常” “喜欢” “跟” “着” “菜鸟” “一起” “学” “R语言” “这个” “微信” “公众号”

但是如果我们不需要“菜鸟”这个分词了怎么办，这个时候我们就可以使用deleteWords（）函数来从词典中删除这个分词。

deleteWords(c("菜鸟","公众号"),save=TRUE)

这次我们在看看结果。

[1] “我” “非常” “喜欢” “跟” “着” “菜” “鸟” “一起” “学” “R语言” “这个” “微信” “公众” “号”

接下来我们使用一下搜狗的扩展词库，由于电影跟新速度较快，我这里下载了搜狗的热门电影大全词库，如何加载使用搜狗词库，点击可以查看我的另一篇博客。

installDict("热门电影大全.scel","movie")

59391 words were loaded! … New dictionary ‘movie’ was installed!

我把下载的词库放在了当前的工作目录下面了，所以直接输入词典名，没有添加地址。加载了该词典。如果出现上面的句子则表示这个词典加载成功了，我们命名为movie。

现在我们来测试一下面这个句子：你喜欢看最后的巫师猎人吗

text2<-"你喜欢看最后的巫师猎人吗"
segmentCN(text2)

“你” “喜欢” “看” “最后的巫师猎人” “吗”

可以看到“最后的巫师猎人”是一个词，如何我们把movie这个词典删除点会怎么样呢？

uninstallDict("movie")
text2<-"你喜欢看最后的巫师猎人吗"
segmentCN(text2)

[1] “你” “喜欢” “看” “最后” “的” “巫师” “猎人” “吗”
其实加载搜狗词典的话我们就不用自己定义词典，就比如前面我们往词典里面插入“菜鸟”和“微信公众号”一样。这样可以很方便的分词，也省去了自己新建词典的时间。

转载请注明：数据分析 » 使用R语言进行中文分词_R语言中文分词