-
Notifications
You must be signed in to change notification settings - Fork 1
/
ch-text-mining.R
executable file
·279 lines (221 loc) · 9.46 KB
/
ch-text-mining.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
### R code from vignette source 'ch-text-mining.rnw'
###################################################
### code chunk number 1: ch-text-mining.rnw:6-9
###################################################
# free memory
rm(list = ls())
gc()
###################################################
### code chunk number 2: ch-text-mining.rnw:27-32 (eval = FALSE)
###################################################
## library(twitteR)
## # retrieve the first 200 tweets (or all tweets if fewer than 200) from the
## # user timeline of @rdatammining
## rdmTweets <- userTimeline("rdatamining", n=200)
## (nDocs <- length(rdmTweets))
###################################################
### code chunk number 3: ch-text-mining.rnw:36-39
###################################################
library(twitteR)
load(file = "data/rdmTweets.RData")
(nDocs <- length(rdmTweets))
###################################################
### code chunk number 4: ch-text-mining.rnw:49-50 (eval = FALSE)
###################################################
## rdmTweets[11:15]
###################################################
### code chunk number 5: ch-text-mining.rnw:54-58
###################################################
for (i in 11:15) {
cat(paste("[[", i, "]] ", sep=""))
writeLines(strwrap(rdmTweets[[i]]$getText(), width=73))
}
###################################################
### code chunk number 6: ch-text-mining.rnw:71-78
###################################################
# convert tweets to a data frame
df <- do.call("rbind", lapply(rdmTweets, as.data.frame))
dim(df)
library(tm)
# build a corpus, and specify the source to be character vectors
myCorpus <- Corpus(VectorSource(df$text))
###################################################
### code chunk number 7: ch-text-mining.rnw:82-97
###################################################
# convert to lower case
myCorpus <- tm_map(myCorpus, tolower)
# remove punctuation
myCorpus <- tm_map(myCorpus, removePunctuation)
# remove numbers
myCorpus <- tm_map(myCorpus, removeNumbers)
# remove URLs
removeURL <- function(x) gsub("http[[:alnum:]]*", "", x)
myCorpus <- tm_map(myCorpus, removeURL)
# add two extra stop words: "available" and "via"
myStopwords <- c(stopwords('english'), "available", "via")
# remove "r" and "big" from stopwords
myStopwords <- setdiff(myStopwords, c("r", "big"))
# remove stopwords from corpus
myCorpus <- tm_map(myCorpus, removeWords, myStopwords)
###################################################
### code chunk number 8: ch-text-mining.rnw:110-121
###################################################
# keep a copy of corpus to use later as a dictionary for stem completion
myCorpusCopy <- myCorpus
# stem words
myCorpus <- tm_map(myCorpus, stemDocument)
# inspect documents (tweets) numbered 11 to 15
# inspect(myCorpus[11:15])
# The code below is used for to make text fit for paper width
for (i in 11:15) {
cat(paste("[[", i, "]] ", sep=""))
writeLines(strwrap(myCorpus[[i]], width=73))
}
###################################################
### code chunk number 9: ch-text-mining.rnw:125-127
###################################################
# stem completion
myCorpus <- tm_map(myCorpus, stemCompletion, dictionary=myCorpusCopy)
###################################################
### code chunk number 10: ch-text-mining.rnw:132-133 (eval = FALSE)
###################################################
## inspect(myCorpus[11:15])
###################################################
### code chunk number 11: ch-text-mining.rnw:137-141
###################################################
for (i in 11:15) {
cat(paste("[[", i, "]] ", sep=""))
writeLines(strwrap(myCorpus[[i]], width=73))
}
###################################################
### code chunk number 12: ch-text-mining.rnw:156-164
###################################################
# count frequency of "mining"
miningCases <- tm_map(myCorpusCopy, grep, pattern="\\<mining")
sum(unlist(miningCases))
# count frequency of "miners"
minerCases <- tm_map(myCorpusCopy, grep, pattern="\\<miners")
sum(unlist(minerCases))
# replace "miners" with "mining"
myCorpus <- tm_map(myCorpus, gsub, pattern="miners", replacement="mining")
###################################################
### code chunk number 13: ch-text-mining.rnw:176-178
###################################################
myTdm <- TermDocumentMatrix(myCorpus, control=list(wordLengths=c(1,Inf)))
myTdm
###################################################
### code chunk number 14: ch-text-mining.rnw:182-184
###################################################
idx <- which(dimnames(myTdm)$Terms == "r")
inspect(myTdm[idx+(0:5),101:110])
###################################################
### code chunk number 15: ch-text-mining.rnw:188-189 (eval = FALSE)
###################################################
## myTdm <- TermDocumentMatrix(myCorpus, control=list(minWordLength=1))
###################################################
### code chunk number 16: ch-text-mining.rnw:201-203
###################################################
# inspect frequent words
findFreqTerms(myTdm, lowfreq=10)
###################################################
### code chunk number 17: ch-text-mining.rnw:213-217
###################################################
termFrequency <- rowSums(as.matrix(myTdm))
termFrequency <- subset(termFrequency, termFrequency>=10)
library(ggplot2)
qplot(names(termFrequency), termFrequency, geom="bar", xlab="Terms") + coord_flip()
###################################################
### code chunk number 18: ch-text-mining.rnw:225-226 (eval = FALSE)
###################################################
## barplot(termFrequency, las=2)
###################################################
### code chunk number 19: ch-text-mining.rnw:231-235
###################################################
# which words are associated with "r"?
findAssocs(myTdm, 'r', 0.25)
# which words are associated with "mining"?
findAssocs(myTdm, 'mining', 0.25)
###################################################
### code chunk number 20: wordcloud
###################################################
library(wordcloud)
m <- as.matrix(myTdm)
# calculate the frequency of words and sort it descendingly by frequency
wordFreq <- sort(rowSums(m), decreasing=TRUE)
# word cloud
set.seed(375) # to make it reproducible
grayLevels <- gray( (wordFreq+10) / (max(wordFreq)+10) )
wordcloud(words=names(wordFreq), freq=wordFreq, min.freq=3, random.order=F,
colors=grayLevels)
###################################################
### code chunk number 21: ch-text-mining.rnw:273-279
###################################################
# remove sparse terms
myTdm2 <- removeSparseTerms(myTdm, sparse=0.95)
m2 <- as.matrix(myTdm2)
# cluster terms
distMatrix <- dist(scale(m2))
fit <- hclust(distMatrix, method="ward")
###################################################
### code chunk number 22: ch-text-mining.rnw:283-286
###################################################
# save m2 for social network analysis later
termDocMatrix <- m2
save(termDocMatrix, file="data/termDocMatrix.rdata")
###################################################
### code chunk number 23: ch-text-mining.rnw:292-296
###################################################
plot(fit)
# cut tree into 10 clusters
rect.hclust(fit, k=10)
(groups <- cutree(fit, k=10))
###################################################
### code chunk number 24: ch-text-mining.rnw:313-322
###################################################
# transpose the matrix to cluster documents (tweets)
m3 <- t(m2)
# set a fixed random seed
set.seed(122)
# k-means clustering of tweets
k <- 8
kmeansResult <- kmeans(m3, k)
# cluster centers
round(kmeansResult$centers, digits=3)
###################################################
### code chunk number 25: ch-text-mining.rnw:326-333
###################################################
for (i in 1:k) {
cat(paste("cluster ", i, ": ", sep=""))
s <- sort(kmeansResult$centers[i,], decreasing=T)
cat(names(s)[1:3], "\n")
# print the tweets of every cluster
# print(rdmTweets[which(kmeansResult$cluster==i)])
}
###################################################
### code chunk number 26: ch-text-mining.rnw:343-356
###################################################
library(fpc)
# partitioning around medoids with estimation of number of clusters
pamResult <- pamk(m3, metric="manhattan")
# number of clusters identified
(k <- pamResult$nc)
pamResult <- pamResult$pamobject
# print cluster medoids
for (i in 1:k) {
cat(paste("cluster", i, ": "))
cat(colnames(pamResult$medoids)[which(pamResult$medoids[i,]==1)], "\n")
# print tweets in cluster i
# print(rdmTweets[pamResult$clustering==i])
}
###################################################
### code chunk number 27: ch-text-mining.rnw:363-368
###################################################
# plot clustering result
layout(matrix(c(1,2),2,1)) # set to two graphs per page
plot(pamResult, color=F, labels=4, lines=0, cex=.8, col.clus=1,
col.p=pamResult$clustering)
layout(matrix(1)) # change back to one graph per page
###################################################
### code chunk number 28: ch-text-mining.rnw:380-381
###################################################
pamResult2 <- pamk(m3, krange=2:8, metric="manhattan")