R语言进行网站评论文本数据挖掘聚类

对于非结构化的网站中文评论信息，r的中文词频包可能是用来挖掘其潜在信息的好工具，要分析文本内容，最常见的分析方法是提取文本中的词语，并统计频率。频率能反映词语在文本中的重要性，一般越重要的词语，在文本中出现的次数就会越多。词语提取后，还可以做成词云，让词语的频率属性可视化，更加直观清晰。

比如对于如下的网站评论信息：

通过一系列的文本处理和高频词汇的提取，最后结合聚类，我们可以得到如下的可视化结果。

第一类客户：

第二类

第三类

这是根据某网站成交评论制作的可视化词云，词频的统计，分词和词云的制作都是用R，最后做了聚类，将不同的用户聚成了3个类别。这个图能很直观看到，每个类别的客户的特点。不过这张图中的词语还需要进行优化，因为有些术语或词组可能被拆分成了更小的词语，没有展示出来，为了演示，我就没再花更多时间去优化词库，主要介绍分析的过程与方法。
                                                                                                    pinglun=readLines("E:\\ 手机评论1.txt")
                                                                                                      write.table(pinglun,"E:\\ 手机评论整理.txt")
                                                                                                      pinglun1=read.table("E:\\手机评论整理.txt",sep="|")

# == 文本预处理
res=pinglun1[pinglun1!=" "];
#剔除通用标题
res=gsub(pattern="[專賣店【未拆封順豐】||]+"," ",res);
#剔除特殊词
res=gsub(pattern="[我|你|的|了|是]"," ",res);
#清理文本里的回车！否则每个回车就会被识别成一段文本
res=gsub("\n","",res)
###############
library(rJava);
library(Rwordseg);  

# == 分词+频数统计
words=unlist(lapply(X=res, FUN=segmentCN));
word=lapply(X=words, FUN=strsplit, " ");
v=table(unlist(word));
# 降序排序
v=rev(sort(v));
d=data.frame(word=names(v), freq=v);
# 过滤掉1个字和词频小于100的记录
d=subset(d, nchar(as.character(d$word))>1 & d$freq>=100)  

# == 输出结果
                                                                                                       write.table(d, file="E: \\worldcup_keyword.txt", row.names=FALSE)
#############绘制词汇图####################3
library("wordcloud")
mycolors <- brewer.pal(8,"Dark2")#设置一个颜色系：
wordcloud(d[1:30,]$word,d[1:30,]$freq,random.order=FALSE,random.color=FALSE,colors=mycolors,family="myFont3")
                                                                                                        write.csv(d[1:30,], file="E:\\ 30个keyword.csv", row.names=FALSE)  

############kmeans聚类#######################
res1=res[1:10000]#筛选500个样本做测试
words=unlist(lapply(X=res1, FUN=segmentCN));
word=lapply(X=words, FUN=strsplit, " ");
v=table(unlist(word));
# 降序排序
v=rev(sort(v));
d=data.frame(word=names(v), freq=v);
# 过滤掉1个字和词频小于100的记录
d=subset(d, nchar(as.character(d$word))>1 & d$freq>=100)  #获得高频词汇

rating=matrix(0,length(res1),dim(d)[1])#生成评价矩阵
colnames(rating)=d[,1]#给矩阵列命名

for(i in 1:length(res1)){
  words=unlist(lapply(X=res1[i], FUN=segmentCN));#对每一条记录分析获得词频
  word=lapply(X=words, FUN=strsplit, " ");
  v=table(unlist(word));
  # 降序排序
  v=rev(sort(v));
  dd=data.frame(word=names(v), freq=v);
  index=intersect(dd[,1],colnames(rating))#找到每条记录中拥有的高频词汇
  if(length(index)==0)next;
  for(j in 1:length(index)){
    jj=which(dd[,1]==index[j])
    rating[i,colnames(rating)==index[j]]=dd[jj,2][[1]]#高频词汇的数量赋值到评价矩阵
  }
}
                                                                                                      write.table(rating, file="E:\\ 评价矩阵.txt", row.names=FALSE)  

kmeans(rating,5)#对评价矩阵进行k均值聚类

                                                                                                      result=read.csv("E:\\ 聚类结果.csv")
colnames(result)=d[1:30,1]

###分类别
c1=result[result[,31]==1,]
c2=result[result[,31]==2,]
c3=result[result[,31]==3,]

freq1=apply(c1,2,sum)[-31]
freq2=apply(c2,2,sum)[-31]
freq3=apply(c3,2,sum)[-31]

library("wordcloud")
mycolors <- brewer.pal(8,"Dark2")#设置一个颜色系：
wordcloud(colnames(result)[-17],freq1[-17],random.order=FALSE,random.color=FALSE,colors=mycolors,family="myFont3")

wordcloud(colnames(result)[-17],freq2[-17],random.order=FALSE,random.color=FALSE,colors=mycolors,family="myFont3")

wordcloud(colnames(result)[-17],freq3[-17],random.order=FALSE,random.color=FALSE,colors=mycolors,family="myFont3")

######算法比较
y=rbind(matrix(rnorm(10000,mean=2,sd=0.3),ncol=10),matrix(rnorm(10000,mean=1,sd=0.7),ncol=10))#生成两类随机数合并
colnames(y)=c(paste("y",1:10))#变量名

#Kmeans算法聚类
cl=kmeans(y,2)
pch1=rep("1",1000)#类标号
pch2=rep("2",1000)
plot(y,col=cl$cluster,pch=c(rep("1",1000),rep("2",1000)),main="kmeans算法聚类图")#每个类样本
points(cl$centers,col=3,pch="*",cex=3)#每个类中心

原文地址：https://www.cnblogs.com/tecdat/p/11214920.html