Удаление текста без текста из Corpus в R с помощью tm()

Я использую tm() и wordcloud() для некоторого базового интеллектуального анализа данных в R, но я сталкиваюсь с трудностями, потому что в моем наборе данных есть неанглийские символы (хотя я пытался отфильтровать другие языки на основе на фоновые переменные.

Скажем, что некоторые из строк в моем TXT файле (сохраненные как UTF-8 в TextWrangler) выглядят следующим образом:

Special
satisfação
Happy
Sad
Potential für

Затем я прочитал свой txt файл в R:

words <- Corpus(DirSource("~/temp", encoding = "UTF-8"),readerControl = list(language = "lat"))

Это дает предупреждающее сообщение:

Warning message:
In readLines(y, encoding = x$Encoding) :
  incomplete final line found on '/temp/file.txt'

Но поскольку это предупреждение, а не ошибка, я продолжаю продвигаться вперед.

words <- tm_map(words, stripWhitespace)
words <- tm_map(words, tolower)

Это приводит к ошибке:

Error in FUN(X[[1L]], ...) : invalid input 'satisfa��o' in 'utf8towcs'

Я открыт для поиска способов отфильтровать неанглийские символы либо в TextWrangler, либо в R; что наиболее целесообразно. Спасибо за вашу помощь!

Ответы

Ответ 1

Здесь метод удаления слов с символами, отличными от ASCII, перед созданием корпуса:

# remove words with non-ASCII characters
# assuming you read your txt file in as a vector, eg. 
# dat <- readLines('~/temp/dat.txt')
dat <- "Special,  satisfação, Happy, Sad, Potential, für"
# convert string to vector of words
dat2 <- unlist(strsplit(dat, split=", "))
# find indices of words with non-ASCII characters
dat3 <- grep("dat2", iconv(dat2, "latin1", "ASCII", sub="dat2"))
# subset original vector of words to exclude words with non-ASCII char
dat4 <- dat2[-dat3]
# convert vector back to a string
dat5 <- paste(dat4, collapse = ", ")
# make corpus
require(tm)
words1 <- Corpus(VectorSource(dat5))
inspect(words1)

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 

[[1]]
Special, Happy, Sad, Potential