如何在语料库中手动设置文档id？

Question

我正在从数据帧创建一个Copus。我将其作为VectorSource传递，因为只有一列希望用作文本源。然而，这项工作发现，我需要语料库中的文档I来匹配数据帧中的文档I。文档ids存储在原始数据帧中的单独列中。

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"]]))

运行这段代码会创建一个语料库，但是文档ids从1到6运行。有没有办法创建文档ids为1、3、5、7、8、10的语料库？

Answer 1

好吧，一种简单但不是很优雅的方法可以在之后为您的文档分配您的ids：

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

Answer 2

我知道@user1098798可能为时已晚，但是有一种方法可以在创建语料库时直接指定ids。您需要将数据作为DataframeSource()加载，并将映射添加到列：

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

Answer 3

这里是一个解决这个问题的qdap方法，它可以在没有循环的情况下处理它：

从get go开始使用qdap version >= 1.1.0将数据帧转换为Corpus，ID标签将自动添加。

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)))