#r
#r
Вопрос:
Прежде всего, вот пример данных для воспроизведения проблемы, которая у меня есть, и я попытаюсь объяснить ниже: https://drive.google.com/file/d/0B4RCdYlVF8otUll6V2x0cDJORGc/view?usp=sharing
Дело в том, что я получаю разные результаты от removeSparseTerms, несмотря на то, что я ввел ему то же значение. Кажется, это противоречит человеческой логике или, по крайней мере, моей. У меня есть эта функция:
generateTDM <- function (Room_name, dest.train, RST){
s.dir <- sprintf("%s/%s", dest.train, Room_name)
s.cor <- Corpus(DirSource(directory = s.dir, pattern = "txt", encoding = "UTF-8")) #Crea unos corpora de los archivos txt ya limpios.
s.tdm <- TermDocumentMatrix(s.cor, control = list(bounds = list(local = c(2, Inf)), tokenize = TrigramTokenizer)) #Crea una matriz de terminos a partir de los corpora teniendo en cuenta unigramas, bigramas y trigramas.
s.tdm <- removeSparseTerms(s.tdm, RST) #Mantiene aquellos términos que aparezcan en el (1-RST)% de los archivos, el resto los elimina.
}
Ну, когда я вызываю эту функцию таким образом:
tdm.train <- lapply(Room_name, generateTDM, dest.train, RST[p])
Я получаю разные выходные данные в зависимости от того, где переменная RST расположена внутри вектора, в зависимости от других элементов. То есть, несмотря на то, что это одно и то же значение, я получаю разные результаты.
Например:
Случай 1:
RST <-seq (0.45, 0.6, 0.05)
p<-4
Сначала у меня будет = (0.45, 0.5, 0.55, 0.6), тогда RST[p] равно 0.6.
Результат в этом случае:
> tdm.train
[[1]]
<<TermDocumentMatrix (terms: 84, documents: 51)>>
Non-/sparse entries: 2451/1833
Sparsity : 43%
Maximal term length: 10
Weighting : term frequency (tf)
[[2]]
<<TermDocumentMatrix (terms: 82, documents: 52)>>
Non-/sparse entries: 2409/1855
Sparsity : 44%
Maximal term length: 11
Weighting : term frequency (tf)
[[3]]
<<TermDocumentMatrix (terms: 68, documents: 51)>>
Non-/sparse entries: 1926/1542
Sparsity : 44%
Maximal term length: 13
Weighting : term frequency (tf)
[[4]]
<<TermDocumentMatrix (terms: 36, documents: 48)>>
Non-/sparse entries: 985/743
Sparsity : 43%
Maximal term length: 10
Weighting : term frequency (tf)
[[5]]
<<TermDocumentMatrix (terms: 48, documents: 50)>>
Non-/sparse entries: 1295/1105
Sparsity : 46%
Maximal term length: 10
Weighting : term frequency (tf)
[[6]]
<<TermDocumentMatrix (terms: 27, documents: 50)>>
Non-/sparse entries: 756/594
Sparsity : 44%
Maximal term length: 8
Weighting : term frequency (tf)
Случай 2:
RST <-seq (0.45, 0.8, 0.05)
p<-4
Теперь у меня будет это ПЕРВОЕ = (0.45, 0.5, 0.55, 0.6, 0.65, 0.7, 0.75, 0.8), следовательно, RST[p] на этот раз то же самое (0.6).
Тогда почему у меня другой результат? Я не могу этого понять.
> tdm.train
[[1]]
<<TermDocumentMatrix (terms: 84, documents: 51)>>
Non-/sparse entries: 2451/1833
Sparsity : 43%
Maximal term length: 10
Weighting : term frequency (tf)
[[2]]
<<TermDocumentMatrix (terms: 82, documents: 52)>>
Non-/sparse entries: 2409/1855
Sparsity : 44%
Maximal term length: 11
Weighting : term frequency (tf)
[[3]]
<<TermDocumentMatrix (terms: 68, documents: 51)>>
Non-/sparse entries: 1926/1542
Sparsity : 44%
Maximal term length: 13
Weighting : term frequency (tf)
[[4]]
<<TermDocumentMatrix (terms: 36, documents: 48)>>
Non-/sparse entries: 985/743
Sparsity : 43%
Maximal term length: 10
Weighting : term frequency (tf)
[[5]]
<<TermDocumentMatrix (terms: 57, documents: 50)>>
Non-/sparse entries: 1475/1375
Sparsity : 48%
Maximal term length: 10
Weighting : term frequency (tf)
[[6]]
<<TermDocumentMatrix (terms: 34, documents: 50)>>
Non-/sparse entries: 896/804
Sparsity : 47%
Maximal term length: 8
Weighting : term frequency (tf)
Я не знаю … это очень странно, не так ли?. Если значение RST одинаковое, почему результат removeSparseTerms в последних двух каталогах отличается в каждом случае. Пожалуйста, помогите мне, не зная причины, меня убивает.
Большое вам спасибо и хорошего дня.
Воспроизводимый пример, основанный на обновлении операционной системы:
library(tm)
library(RWeka)
download.file("https://docs.google.com/uc?authuser=0amp;id=0B4RCdYlVF8otUll6V2x0cDJORGcamp;export=download", tf <- tempfile(fileext = ".zip"), mode = "wb")
unzip(tf, exdir = tempdir())
TrigramTokenizer <- function(x) NGramTokenizer(x, Weka_control(min = 1, max = 3))
generateTDM <- function (Room_name, dest.train, rst){
s.dir <- sprintf("%s/%s", dest.train, Room_name)
s.cor <- Corpus(DirSource(directory = s.dir, pattern = "txt", encoding = "UTF-8")) #Crea unos corpora de los archivos txt ya limpios.
s.tdm <- TermDocumentMatrix(s.cor, control = list(bounds = list(local = c(2, Inf)), tokenize = TrigramTokenizer)) #Crea una matriz de terminos a partir de los corpora teniendo en cuenta unigramas, bigramas y trigramas.
t <- table(s.tdm$i) > (s.tdm$ncol * (1 - rst)) # from tm::removeSparseTerms()
termIndex <- as.numeric(names(t[t]))
return(s.tdm[termIndex, ])
}
dest.train <- file.path(tempdir(), "stackoverflow", "TrainDocs")
Room_name <- "Venus"
p <- 4
RST1 <- seq(0.45, 0.6, 0.05)
RST2 <- seq(0.45, 0.8, 0.05)
RST2[p]
# [1] 0.6
RST1[p]
# [1] 0.6
identical(RST2[p], RST1[p])
# [1] FALSE # ?!?
lapply(Room_name, generateTDM, dest.train, RST1[p])
# <<TermDocumentMatrix (terms: 48, documents: 50)>>
lapply(Room_name, generateTDM, dest.train, RST2[p])
# <<TermDocumentMatrix (terms: 57, documents: 50)>> # ?!?
Комментарии:
1. Имхо, было бы лучше выделить различия и предоставить примеры данных для воспроизведения вместо того, чтобы подчеркивать «Я не знаю… Я не могу понять это «несколько раз. 🙂
2. Да, верно. Я подготовлю zip-файл с важными документами и частями скрипта, чтобы прикрепить его сюда, как только это будет возможно. Извините за это.
3. Выполнено. Пример данных прилагается, и уровень ударения в предложениях уменьшился… немного. 🙂
4. Интересно.
identical(RST2[p], RST1[p])
этоFALSE
, чего я не понимаю, и, похоже, таким образомtable(m$i) > m$ncol * (1 - sparse)
, insideremoveSparseTerms
дает несколько иные результаты.5. Спасибо lukeA за ваше время и усилия. Воспроизводимый пример, который вы сделали, потрясающий и гораздо более понятный. Спасибо за это, я уже знаю, как правильно поделиться кодом в следующий раз. Что касается вопроса, я использовал
all.equal
иstr
для сравнения обоих значений (я не знал инструкцииidentical
), поэтому я предположил, что они одинаковые, потому что так и должно быть. Действительно, действительно странно. :S
Ответ №1:
Проблема, похоже, связана с популярным вопросом «7.31 Почему R не считает, что эти числа равны?«:
Единственными числами, которые могут быть представлены точно в числовом типе R, являются целые числа и дроби, знаменатель которых равен степени 2. Все остальные числа внутренне округлены до (обычно) точности 53 двоичных цифр. В результате два числа с плавающей запятой не будут надежно равны, если они не были вычислены с помощью одного и того же алгоритма, и даже тогда не всегда
Учитывая
(x <- seq(0.45, 0.6, 0.05))
# [1] 0.45 0.50 0.55 0.60
(y <- seq(0.45, 0.8, 0.05))
# [1] 0.45 0.50 0.55 0.60 0.65 0.70 0.75 0.80
затем
x==y
# [1] TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE
x[4]==y[4]
# [1] FALSE
x[4]-y[4]
# [1] -1.110223e-16
x[3]-y[3]
# [1] 0
Поскольку
MASS::as.fractions(x)
# [1] 9/20 1/2 11/20 3/5
Я думаю, что здесь они .5
надежно равны. Таким образом, ваша функция может давать разные результаты.
Комментарии:
1. Большое вам спасибо, lukeA. После вашего ответа мне удалось решить проблему, создав ПЕРВЫЙ вектор с целочисленными значениями:
RST <-seq (45, 60, 5)
, и во время вызова функции я ввожу ПЕРВОЕ значение, разделенное на 100:tdm.train <- lapply(Room_name, TDM_roomRST, dest.train, (RST[p]/100))
. Таким образом, результат, который я получаю, уже точно такой же в каждом случае. Серьезно, я действительно ценю вашу помощь и вклад здесь, приятель. Я желаю вам всего наилучшего. Приветствую и благодарю вас.