如何避免在使用R与tm包时删除标点符号

Question

我在R中使用tm包来计算在矢量中包含短划线的单词的频率。

我的代码是这样的：

a = c("happy_day", "great_book", "funny_movie") 

myCorpus = Corpus(VectorSource(a)) 

myDTM = DocumentTermMatrix(myCorpus, control = list(minWordLength = 1)) 

freq = sort(colSums(as.matrix(myDTM)), decreasing = T) 

我预计TM包数三个文本字符串作为三个词，但实际上它把每个字符串作为两个单词。

我的频率的预期的内容是：

funny_movie great_book happy_day 

    1    1   1 

不过，我实际上得到的是

book day funny great happy movie 

1  1  1  1  1  1 

我已经在几个星期前使用类似的代码，在那个时刻的代码便从我预期的结果。但是现在我总能得到意想不到的结果，即使我使用myDTM = DocumentTermMatrix(myCorpus, control = list(minWordLength = 1, removePunctuation = FALSE))。

你知道我能做什么来计算我的文件中带有下划线“_”的单词吗？

非常感谢！

Answer 1

如果更改

myCorpus = Corpus(VectorSource(a)) 

到

myCorpus = VCorpus(VectorSource(a)) 

你应该得到你想要的结果。 Corpus通话默认为返回SimpleCorpus。当你运行DocumentTermMatrix时，它会执行效率管道，包含大多数（？）用户想要的任务（基本上忽略了control=参数。您可以通过明确创建一个VCorpus