请看下面的MWE,自定义标记器不起作用,为什么? tm包版本是0.71
library(tm)
ts <- c("This is a testimonial")
corpDs <- Corpus(VectorSource(ts))
#This is not working
ownTokenizer <- function(x) unlist(strsplit(as.character(x), "i+"))
tdm <- DocumentTermMatrix(corpDs,control=list(tokenize=ownTokenizer))
as.matrix(tdm)
#This is working
ownTokenizer(ts)
输出:
条款
文档证明了这一点
1 1 1
[1]“Th”的“s”“测试”“我的”“al”
谢谢,
托比亚斯
我知道这有点陈旧,但也许它仍然有助于其他人:你必须用corpDS <-VCorpus(...)替换corpDS <-Corpus(...)作为TermDocumentMatrix描述中的文档状态,“SimpleCorpus”语料库总是用固定的标记器进行标记化 - 没有经济化 - 对于“语料库”似乎是相同的......