我试图从这个文件中逐年绘制推文主题
https://www.mediafire.com/file/64lzbt46v01jbe1/cleaned.xlsx/file
工作正常,以获得主题,但当我尝试按年绘制它时,我有一个尺寸问题:
library(readxl)
library(tm)
tweets <- read_xlsx("C:/cleaned.xlsx")
mytextdata <- tweets$textdata
# Convert to tm corpus and use its API
corpus <- Corpus(VectorSource(mytextdata)) # Create corpus object
dtm <- DocumentTermMatrix(corpus)
ui = unique(dtm$i)
dtm.new = dtm[ui,]
k <- 7
ldaTopics <- LDA(dtm.new, method = "Gibbs", control=list(alpha = 0.1, seed = 77), k = k)
tmResult <- posterior(ldaTopics)
theta <- tmResult$topics
dim(theta)
dim(theta)= 4857我在clean.xls文件中有4876个日期,我需要它们才能运行这个聚合函数
topic_proportion_per_decade <- aggregate(theta, by = list(decade = textdata$decade), mean)
从这里
https://tm4ss.github.io/docs/Tutorial_6_Topic_Models.html
我认为问题是clean.xls文件不够干净,这就是为什么theta错过了一些行..但实际上我真的不知道为什么theta错过了一些行..我也不知道如何清理文件更好,如果这是问题,文件看起来不错,有些行只是数字或非英语单词,但我更喜欢保留它们..
问题是ui = unique(dtm$i)
删除了几个文件(我不知道你为什么这样做,所以我不会评论那个部分)。因此,您的theta与数据的行数不同。我们可以通过仅保留仍在theta中的行来解决这个问题:
library("dplyr")
library("reshape2")
library("ggplot2")
tweets_clean <- tweets %>%
mutate(id = rownames(.)) %>%
filter(id %in% rownames(theta)) %>% # keep only rows still in theta
cbind(theta) %>% # now we can attach the topics to the data.frame
mutate(year = format(date, "%Y")) # make year variable
然后我使用dplyr
函数进行聚合,因为我认为这样可以更容易地读取代码:
tweets_clean_yearly <- tweets_clean %>%
group_by(year) %>%
summarise_at(vars(as.character(1:7)), funs(mean)) %>%
melt(id.vars = "year")
然后我们可以绘制这个:
ggplot(tweets_clean_yearly, aes(x = year, y = value, fill = variable)) +
geom_bar(stat = "identity") +
ylab("proportion")
注意:我测试了θ和推文是否真的具有相同的文档:
tweets_clean <- tweets %>%
mutate(id = rownames(.)) %>%
filter(id %in% rownames(theta))
all.equal(tweets_clean$id, rownames(theta))