r - 创建 TermDocument Matrix 后无法将单个数字/字母视为术语

Question

我TermDocument在 R 中使用了 Matrix，并且文档（字符串）也包括单字母单词。使用TermDocumentMatrix 后，术语不包含那些单字母单词，请建议我应该包含哪个控件作为输入参数，以便在我的术语文档矩阵中包含单字母单词。`

Answer 1

默认情况下min wordlength是3. 您需要指定参数control以覆盖默认值，请查看以下代码。

library(tm)
docs <- c("This is a text","When Will u start", "1 12 123")
corpus <- Corpus(VectorSource(docs))

as.matrix(DocumentTermMatrix(corpus)) #words with length < 3 ('a','u','1','12') are excluded
#    Terms
#Docs 123 start text this when will
#   1   0     0    1    1    0    0
#   2   0     1    0    0    1    1
#   3   1     0    0    0    0    0

as.matrix(DocumentTermMatrix(corpus, control = list(wordLengths=c(1,Inf))))
#    Terms
#Docs 1 12 123 a is start text this u when will
#   1 0  0   0 1  1     0    1    1 0    0    0
#   2 0  0   0 0  0     1    0    0 1    1    1
#   3 1  1   1 0  0     0    0    0 0    0    0