R语言PDF词频统计函数

最新推荐文章于 2024-09-24 15:57:15 发布

HaoranWu_ZJU

最新推荐文章于 2024-09-24 15:57:15 发布

阅读量1.3k

点赞数 1

文章标签： r语言

本文链接：https://blog.csdn.net/Robby_Wu/article/details/109225128

版权

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：

对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