R语言PDF词频统计函数

该博客介绍了如何使用R语言进行PDF文件的词频统计,并解决了无意义词汇和数字干扰的问题。通过自定义函数`wordstat.pdf`,实现了对英文停用词的删除和数字的过滤,确保了统计的准确性。以雅思备考资料为例,展示了函数的使用方法,结果显示词频最高的词汇为'children'。
摘要由CSDN通过智能技术生成

一、Introduction

有关R语言对PDF词频统计的博客已很多,但有以下问题未解决:

  • 英文进行词频统计时,“a” “an” "it"等词汇无实际意义,数字的出现也会干扰词频统计。
  • 未把相关代码整合成自定义函数,导致使用不方便。

二、代码

hasdigit <- function(str){
   
  if(!is.character(str)){
   
    stop("'str' should be character.")
  }
  n <- nchar(str)
  for(i in 1:n){
   
    ch <- substr(str, i, i)
    if(ch>="0"&&ch<="9"){
   
      return(T)
    }
  }
  return(F)
}

wordstat.pdf <- function(file, lo=3, simplify=T, del_num=T){
   
  # lo: minimum word length
  # simplify: whether to delete simple words like "a", "an", "we", etc
  # del_num: whether to delete numbers
  if(!"pdftools" %in% .packages
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

HaoranWu_ZJU

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值