（R）机器学习--学习笔记--第四章节学习笔记

install.packages("tm")
library(tm)
install.packages("ggplot2")
library(ggplot2)
data.path<-"G:R/ML_for_Hackers-master/03-Classification/data/"
easyham.path<-paste(data.path,"easy_ham/",sep="")
//数据处理的方法
parse.email<-function(path){
  full.msg<-msg.full(path)
  date<-get.date(full.msg)
  from<-get.from(full.msg)
  subj<-get.subject(full.msg)
  msg<-get.msg(full.msg)
  return(c(date,from,subj,msg,path))
}
//第一个函数，用来获取所有的数据
msg.full<-function(path){
  con<-file(path,open="rt",encoding="latin1")
  msg<-readLines(con)
  close(con)
  return(msg)
}
//第二个函数，用来获取邮件发件人
//这里传入的是正则，需要详细了解
get.from<-function(msg.vec){
  from<-msg.vec[grepl("From: ",msg.vec)]
  if(length(strsplit(from,'[":<> ]'))>=1){
    from<-strsplit(from,'[":<> ]')[[1]]
    from<-from[which(from!=""&from!=" ")]
    return(from[grepl("@",from)][1])
  }else{
    return("")
  }
}
//第三个函数，获取邮件内容
get.msg<-function(msg.vec){
  if(!(is.na(which(msg.vec=="")[1]+1))){
    msg<-msg.vec[seq(which(msg.vec=="")[1]+1,length(msg.vec),1)]
    return(paste(msg,collapse="\n"))
  }else{
    return("")
  }
}
//第四个函数，获取邮件主题
get.subject<-function(msg.vec){
  subj<-msg.vec[grepl("Subject: ",msg.vec)]
  if(length(subj)>0){
    return(strsplit(subj,"Subject: ")[[1]][2])
  }else{
    return("")
  }
}
//第五个函数，获取邮件的接收时间和日期
//用冒号，加号或者减号分割日期
//替换掉首尾的空格
get.date<-function(msg.vec){
  date.grep<-grepl("^Date: ",msg.vec)
  date.grepl<-which(date.grep==TRUE)
  date<-msg.vec[date.grepl[1]]
  date<-strsplit(date,"\\+|\\-|: ")[[1]][2]
  date<-gsub("^\\s+|\\s+$","",date)
  return(strtrim(date,25))
}
//数据最终整理
easyham.docs<-dir(easyham.path)
easyham.docs<-easyham.docs[whic