合并具有字数不等长的R数据帧-文本挖掘

问题描述

对于我的文本挖掘任务，我正在尝试创建一个矩阵，其中包含三个独立文本的字数统计（我已经对其进行了过滤和标记化）。我知道每个文本都有这个数据框：

word          count
film             82
camera           18
director         10
action            5
character         2

我还创建了一个列表，其中将三个文本的所有单词组合在一起，并将单词计数组合在一起，但是我试图达到以下目的：

word           text1.       text2.        text3. 
film.             82.         16.           8
camera.           18.         76.           3
director.         10.          2.           91
character.        2.           20.          0
screen.           0.           4.           10
movie.            12.          0.           0
action.           5.           23.          54
dance.            0.           1.           16

为此使用什么代码？如上例所示，我想为文本中没有出现数字“ 0”的每个单词填写。我总共约有4459个单词，其中的文字分别为1804、1522和1133个单词。

非常感谢！

解决方法

如果您已经计算了三个表。然后，您只需要对这些表进行完全合并，然后再删除NA。就像

library(dplyr)

first <- data.frame(word = sample(letters,10),count = sample(1:100,10))

second <- data.frame(word = sample(letters,10))

third <- data.frame(word = sample(letters,10))

combined <- merge(first,second,by = "word",all = TRUE)
combined <- merge(combined,third,all = TRUE)
  
combined %>% 
  mutate_all(.funs = function(x){
    ifelse(is.na(x),x)
  })

,

使用dplyr和tidyr的解决方案

library(dplyr)
library(tidyr)

full_join(df1,df2,suffix = c(".text1",".text2")) %>%
   full_join(.,df3,by = "word") %>%
   rename(count.text3 = count) %>%
   mutate_at(vars(count.text1:count.text3),tidyr::replace_na,0)
#>        word count.text1 count.text2 count.text3
#> 1      film          82          16           8
#> 2    camera          18          76           3
#> 3  director          10           2          91
#> 4    action           5          23          54
#> 5 character           2          20           0
#> 6    screen           0           4          10
#> 7     dance           0           1          16

模拟您的数据示例

df1 <- data.frame(
   word = c("film","camera","director","action","character"),count = c(82,18,10,5,2)
)

df2 <- data.frame(
   word = c("film","character","screen","dance"),count = c(16,76,2,20,4,23,1)
)

df3 <- data.frame(
   word = c("film",count = c(8,3,91,54,16)
)