R语言中你应该知道的5个文本分析包
——科学家应该知道的用R进行文本数据分析最有用的包概述
1. 全能型：Quanteda
install.packages("quanteda")library(quanteda)
Quanteda是用于定量文本分析的通用软件包。由KennethBenoit和其他合作者开发，该包是任何从事文本分析的数据科学家必备的。
为什么？因为这个包能让你做很多事情。从自然语言处理的基础知识——词汇多样性、文本预处理、构建语料库、标记对象、文档特征矩阵——到更高级的统计分析，如wordscores或wordfish、文档分类（如Naive Bayes）和主题建模。
这个软件包的一个比较好的教程由渡边康夫和斯特凡·穆勒制作（https://tutorials.quanteda.io/）。
2. 转换型：Text2vec
install.packages("text2vec")library(text2vec)
如果想要基于文本数据构建机器学习算法，Text2vec是一个非常有用的包。此包允许您基于文档构造文档术语矩阵（dtm）或术语共现矩阵（tcm）。因此，可以通过创建从单词或n-grams到向量空间的映射来对文本进行向量化。基于此，您可以将模型拟合到该dtm或tcm。包括主题建模（LDA、LSA）、单词嵌入（GloVe）、搭配、相似性搜索等。
这个包的灵感来自于Gensim，一个著名的自然语言处理python库。你可以从（http://text2vec.org/index.html）找到有用的教程。
3. 适配型：Tidytext
install.packages("tidytext")library(tidytext)
Tidytext是一个很重要的数据包，主要用于数据整理和可视化。它的一个好处是，它与R中的其他清理工具（如dplyr或tidyr）配合得非常好。事实上，它就是为了这个目的而开发的。由于认识到数据清理往往需要大量的工作，且许多方法不容易适用于文本清理。Silge&Robinson（2016）开发了tidytext，以使文本挖掘任务更简单、有效，并与已经广泛使用的工具保持一致。
因此，这个包提供了一些命令，允许您将文本转换成更加整洁的格式。分析和可视化的选择很多：从情感分析到tf-idf统计、n-grams或主题建模。这个包特别突出了输出的可视化。
你可以在这里找到一个有用的教程（https://www.tidytextmining.com/）。
4. 匹配型：stringr
install.packages("stringr")library(stringr)
作为一名数据科学家，你肯定已经使用过字符串。它们在许多数据清理和准备任务中扮演着重要的角色。stringr包是tidyverse的一部分，属于同一生态系统（包括ggplot和dplyr），它提供了一组内聚的函数，可以使您轻松地使用字符串。
在文本分析方面，stringr提供了一些高效的模式匹配函数，在处理正则表达式方面比较方便。其他函数包括字符操作（操作字符向量中字符串的单个字符）和空字符工具（添加、删除、操作空格）。
CRAN-R项目中有一个关于该包（https://cran.r-project.org/web/packages/stringr/vignettes/stringr.html）的有用教程。
5. 酷炫型：Spacyr
install.packages("spacyr")library(spacyr)spacy_install()spacy_initialize()
大多数人可能知道Python中的spaCy包。spaCy R在R中提供了这个包的一个安装器，使得以简单方式使用spaCy的强大功能变得很容易。事实上，如果你仔细想想，这是一个非常令人难以置信的包，允许R利用Python的强大功能。为了访问这些Python功能，spacyr通过在R会话中初始化来打开连接。
此软件包对于更高级的自然语言处理模型（例如为深度学习准备文本）和其他功能（如词性标注、文本切分、语法分析等）的实现是必不可少的。此外，它还可以与quanteda和tidytext包结合使用。
你可以在这里（https://spacyr.quanteda.io/articles/using_spacyr.html）找到一个有用的教程。
注：本文译自Céline Van den Rul在2019年10月6日发布于Medium上的文章《The 5 Packages You Should Know for Text Analysis with R》（原文网址为：https://towardsdatascience.com/r-packages-for-text-analysis-ad8d86684adb）