문서에 들어있는 단어의 수 세기

다음은 R에서 Text를 처리하는 간단한 예를 보여줍니다. countWordsIn2 함수는 파일 또는 http 주소를 받아서 관심있는 단어가 몇 번이나 나왔는지를 세어서 보여줍니다.

countWordsIn2 = function(filename, wInterested, to.lower=F)

filename은 화일 또는 url로, 벡터가 가능합니다. wInterested는 횟수를 세고자 하는 단어로, 역시 벡터가 가능합니다. to.lower는 알파벳의 경우 “Love"와 "love"를 구분할 것인지를 결정합니다. F는 "Love"를 "love"로 취급합니다.

countWordsIn2 <- function(filename, wInterested, to.lower = F) {
    result = data.frame(filename = filename)
    resultMatrix = matrix(rep(NA, length(filename) * length(wInterested)), nrow = length(filename), 
        ncol = length(wInterested))
    if (to.lower) {
        wInterested = tolower(wInterested)
    }
    for (i in 1:length(filename)) {
        lines = readLines(filename[i])
        words = strsplit(lines, "\\s+")
        words <- unlist(words)
        words <- words[words != ""]
        words <- tolower(words)
        words2 <- gsub("\\W", "", words)
        tblWords = table(words2)
        resultMatrix[i, ] = tblWords[wInterested]
    }
    result2 = as.data.frame(resultMatrix)
    names(result2) = wInterested
    cbind(result, result2)
}

이제 이 함수를 이용하여 구텐베르크 프로젝트의 소설에 특정한 단어가 몇 번이나 사용되었는지를 확인해 봅시다.

book.title = c("Alice’s Adventrues in Wonderland", "Les Miserables", "Romeo and Juliet")
book.url = c("http://www.gutenberg.org/cache/epub/28885/pg28885.txt", "http://www.gutenberg.org/cache/epub/135/pg135.txt", 
    "http://www.gutenberg.org/cache/epub/2261/pg2261.txt")

library(xtable)
result <- countWordsIn2(book.url, c("love", "loved", "loving", "hate", "hated", 
    "hating"), to.lower = T)
result$filename = book.title
print(xtable(result), type = "html")

	filename	love	loved	loving	hate	hated	hating
1	Alice’s Adventrues in Wonderland	3		1	1
2	Les Miserables	361	88	16	18	15	5
3	Romeo and Juliet				11	1