문서 변환

어떤 문서에 Computer라는 단어가 있다고 하자. 일반적으로 이 단어는 computer, COMPUTER와 같은 단어일 것이다. 또, 복수 형태인 computers와도 같은 단어다. 뿐만 아니라 ‘computer’와 같이 따옴표가 붙어 있어도 같은 단어다.

이들을 모두 같은 단어로 처리하려면 문서에서 문장 부호를 제거하거나, 문자를 모두 소문자로 바꾸거나, 단어를 그 원형이 되는 뿌리root 형태로 바꿔주는 스테밍Stemming[20]을 적용하는 등 문서를 변환할 필요가 있다. 이때 사용하는 함수가 tm_map( )이다.

tm::tm_map(
  x,   # 코퍼스
  FUN  # 변환에 사용할 함수

tm_map에 지정하는 함수는 사용자가 직접 만든 함수여도 되고, tm이 제공하는 함수여도 된다. tm이 제공하는 변환 함수들의 목록은 getTransformations( )로 볼 수 있다. 다음에 이들 중 몇 가지 함수를 보였다.

다음은 crude 문서들의 글자들을 모두 소문자로 바꾸고, 문장 부호를 제거하는 예다.

> inspect(tm_map(tm_map(crude, tolower), removePunctuation)[1])
A corpus with 1 text document

The metadata consists of 2 tag-value pairs and a data frame
Available tags are:
  create_date creator
Available variables in the data frame are:
  MetaID

$`reut-00001.xml`
diamond shamrock corp said that
effective today it had cut its contract prices for crude oil by
150 dlrs a barrel
    the reduction brings its posted price for west texas
intermediate to 1600 dlrs a barrel the copany said
    the price reduction today was made in the light of falling
oil product prices and a weak crude oil market a company
spokeswoman said
    diamond is the latest in a line of us oil companies that
have cut its contract or posted prices over the last two days
citing weak oil markets
 reuter