r - 如何在 R 中将 TermDocumentMatrix 用于波斯文本？

Question

我想查看文档中的词频，我的文档包含波斯语文本。我使用 R 如下：

keycorpus <- Corpus(DirSource("E:\\Sample\\farsi texts"))
tm.matrix <- TermDocumentMatrix(keycorpus)
View(as.matrix(tm.matrix))

尽管此代码适用于英文文本，但不幸的是它不适用于波斯文本。我怎样才能做到这一点？

Answer 1

假设您有一个名为 1.txt 的文本文件，那么：

 Sys.setlocale(locale = "Persian",category = "LC_ALL")
 setwd("E:\\Sample\\farsi_texts")
 text<-readLines("1.txt",encoding = "windows-1256")
 keycorpus <- Corpus(VectorSource(text))
 tm.matrix <- TermDocumentMatrix(keycorpus)
 View(as.matrix(tm.matrix))

它显示每行中的每个单词重复，您可以使用此代码进行聚合：

tm.iteration<-as.data.frame(apply(tm.matrix,1 ,sum)) View(as.matrix(tm.iteration))