差分
この文書の現在のバージョンと選択したバージョンの差分を表示します。
memo:r:rtextmining [2010/05/21 06:48] hasegawa 作成 |
memo:r:rtextmining [2016/07/17 04:22] |
||
---|---|---|---|
ライン 1: | ライン 1: | ||
- | {{tag>R toolbox memo textmining}} | ||
- | ====== Rでテキストマイニング ====== | ||
- | ===== MeCabとRMeCabのインストール ===== | ||
- | ==== MeCab ==== | ||
- | http://sourceforge.net/projects/mecab/files/ | ||
- | からmecab-0.98.exe(バージョンは2009/10/15現在)をダウンロードし,インストール(僕はC:\MeCabに入れた). | ||
- | |||
- | ==== RMeCab ==== | ||
- | http://groups.google.co.jp/group/rmecab/files | ||
- | からRMeCab_0.84.zip(バージョンは2009/10/15現在)をダウンロードし,Rのライブラリに追加(Rコンソール>パッケージ>ローカルにあるzip~). | ||
- | |||
- | コンソールに | ||
- | library(RMeCab) | ||
- | と入力し,RMeCabパッケージを使おうとすると,**libmecab.dllが見つからなかったため~**というエラーが出るので,OKを押し,**C:\MeCab\bin**にある**libmecab.dll**を**C:\R\R-2.9.2\library\RMeCab\libs**にコピーする. | ||
- | |||
- | 以上でRからMeCabを使う準備は完了 | ||
- | |||
- | ==== UniDic ==== | ||
- | MeCabには最初からipa辞書が入っているが,人工知能学会誌にunidicの記事があり,気になったのでさっそく使ってみる. | ||
- | |||
- | http://www.tokuteicorpus.jp/dist/からMeCab版バイナリ辞書(Shift_JIS)をダウンロード・解凍する. | ||
- | なお,ダウンロードにはユーザ登録が必要となる. | ||
- | |||
- | 中身を**C:\MeCab\dic\unidic**(長谷川環境の場合)にコピー | ||
- | |||
- | 使用方法は, | ||
- | * MeCab実行時に-dオプションを使って使用する辞書を指定する. | ||
- | mecab -d "C:\MeCab\dic\unidic" 入力ファイル | ||
- | |||
- | 一々指定するのが面倒だったり,RMeCabから使う場合には, | ||
- | * MeCabの設定ファイル(**C:\MeCab\etc**にある**mecabrc**)を以下のように書き換える. | ||
- | |||
- | dicdir = $(rcpath)\..\dic\ipadic | ||
- | を | ||
- | |||
- | dicdir = $(rcpath)\..\dic\unidic | ||
- | |||
- | ===== 形態素解析 ===== | ||
- | 試しに青空文庫のテキストファイル(有島武郎の生まれいずる悩み)を解析してみる. | ||
- | > setwd("C:/eclipse/workspace/RMeCabTest") | ||
- | > library(RMeCab) | ||
- | > | ||
- | > res <- RMeCabFreq("umareizuru_nayami.txt") | ||
- | file = umareizuru_nayami.txt | ||
- | mode(res) #結果はリスト | ||
- | length = 4871 | ||
- | > [1] "list" | ||
- | > summary(res) | ||
- | Term Info1 Info2 Freq | ||
- | Length:4871 Length:4871 Length:4871 Min. : 1.000 | ||
- | Class :character Class :character Class :character 1st Qu.: 1.000 | ||
- | Mode :character Mode :character Mode :character Median : 1.000 | ||
- | Mean : 7.375 | ||
- | 3rd Qu.: 3.000 | ||
- | Max. :1627.000 | ||
- | > res[1000:1010,] #1000から1010までを抜き出してみる | ||
- | Term Info1 Info2 Freq | ||
- | 1000 気に入る 動詞 自立 2 | ||
- | 1001 祈る 動詞 自立 5 | ||
- | 1002 起きる 動詞 自立 2 | ||
- | 1003 起こす 動詞 自立 10 | ||
- | 1004 起こる 動詞 自立 15 | ||
- | 1005 輝く 動詞 自立 2 | ||
- | 1006 戯れる 動詞 自立 2 | ||
- | 1007 疑う 動詞 自立 7 | ||
- | 1008 逆らう 動詞 自立 1 | ||
- | 1009 休む 動詞 自立 1 | ||
- | 1010 休める 動詞 自立 1 | ||
- | |||
- | リスト内の要素に個別にアクセスするには, | ||
- | res$Term #形態素 | ||
- | res$Info1 #品詞 | ||
- | res$Info2 #品詞細分類 | ||
- | res$Freq #頻度 |