如何在语料库中手动设置文档 ID？答案

【问题标题】：How can I manually set the document id in a corpus?如何在语料库中手动设置文档 ID？
【发布时间】：2016-03-23 18:26:44
【问题描述】：

我正在从数据框创建一个 Copus。我将它作为VectorSource 传递，因为我只想将一列用作文本源。这项工作发现但是我需要语料库中的文档 ID 来匹配数据框中的文档 ID。文档 ID 存储在原始数据框中的单独列中。

df <- as.data.frame(t(rbind(c(1,3,5,7,8,10), 
                        c("text", "lots of text", "too much text", "where will it end",         "give peas a chance","help"))))
colnames(df) <- c("ids","textColumn")
library("tm")
library("lsa")
corpus <- Corpus(VectorSource(df[["textColumn"]]))

运行此代码会创建一个语料库，但文档 ID 的范围是 1-6。有什么方法可以创建文档 ID 为 1、3、5、7、8、10 的语料库？

【问题讨论】：

标签： r tm

【解决方案1】：

我知道@user1098798 可能已经晚了，但是有一种方法可以在创建语料库时直接指定 ID。您需要将数据加载为DataframeSource() 并将映射添加到列：

corpus = VCorpus(DataframeSource(df), readerControl = list(reader = readTabular(mapping = list(content = "textColumn", id = "ids"))))

【讨论】：

【解决方案2】：

好吧，一种简单但不是很优雅的方式来将您的 id 分配给您的文档，可能如下：

for (i in 1:length(corpus)) {
   attr(corpus[[i]], "ID") <- df$ids[i]
}

【讨论】：

有效！我会稍等一下，看看是否有人能想出更优雅的东西，也许在实际的语料库创建过程中分配它们。但如果他们不能，我很乐意接受这一点，如果不是为了你的回答速度;)
@user1098798 谢谢！我稍微修改了我的答案，因为显然您可以直接重用原始数据中的 id...

【解决方案3】：

这里有一个解决这个问题的 qdap 方法，可以在没有循环的情况下处理它：

从一开始就使用qdap version >= 1.1.0 将数据帧转换为Corpus，ID 标签将被自动添加。

with(df, as.Corpus(textColumn, ids))

## <<VCorpus>>
## Metadata:  corpus specific: 0, document level (indexed): 3
## Content:  documents: 6


## Look around a bit
meta(with(df, as.Corpus(textColumn, ids)), tag="id")
inspect(with(df, as.Corpus(textColumn, ids)))

【讨论】：

df2tm_corpus 已弃用；你可以编辑你的答案并用as.Corpus代替吗？
这不起作用！，我的结果中总是有空值