tm在应用tm_map时丢失元数据

Question

我对tm r库有一个(小)问题.说我有一个语料库:

# boilerplate
bcorp <- c("one","two","three","four","five")
myCorpus <- Corpus(VectorSource(bcorp), list(lanuage = "en_US"))
tdm <- TermDocumentMatrix(myCorpus)
Docs(tdm)

结果:

[1] "1" "2" "3" "4" "5"

这有效.但是当我尝试使用转换tm_map()时:

# this does not work
myCorpus <- Corpus(VectorSource(bcorp), list(lanuage = "en_US"))
myCorpus <- tm_map(myCorpus, tolower)
tdm <- TermDocumentMatrix(myCorpus)

给

Error: inherits(doc, "TextDocument") is not TRUE

在这种情况下提出的解决方案是转换为PlainTextDocument.

# this works but erase the metadata
myCorpus <- Corpus(VectorSource(bcorp), list(lanuage = "en_US"))
myCorpus <- tm_map(myCorpus, tolower)
myCorpus <- tm_map(myCorpus, PlainTextDocument)
tdm <- TermDocumentMatrix(myCorpus)
Docs(tdm)

结果:

[1] "character(0)" "character(0)" "character(0)" "character(0)" "character(0)"

现在它可以工作,但擦除所有元数据(在本例中为doc名称).有一种方法来保存元数据,或保存然后恢复它们？

Answer 1

我找到了.

这条线:

myCorpus <- tm_map(myCorpus, PlainTextDocument)

解决了问题但删除了元数据.

我找到了这个答案,解释了使用tm_map()的更好方法.我只需要替换:

myCorpus <- tm_map(myCorpus, tolower)

有:

myCorpus <- tm_map(myCorpus, content_transformer(tolower))

一切正常!