tm在应用tm_map时丢失元数据

Question

我对tm r库有一个(小)问题。说我有一个语料库：

# boilerplate
bcorp <- c("one","two","three","four","five")
myCorpus <- Corpus(VectorSource(bcorp), list(lanuage = "en_US"))
tdm <- TermDocumentMatrix(myCorpus)
Docs(tdm)

结果：

[1] "1" "2" "3" "4" "5"

这个很管用。但是，当我尝试使用转换时，tm_map()：

# this does not work
myCorpus <- Corpus(VectorSource(bcorp), list(lanuage = "en_US"))
myCorpus <- tm_map(myCorpus, tolower)
tdm <- TermDocumentMatrix(myCorpus)

给出

Error: inherits(doc, "TextDocument") is not TRUE

在这种情况下提出的解决方案是转换为PlainTextDocument。

# this works but erase the metadata
myCorpus <- Corpus(VectorSource(bcorp), list(lanuage = "en_US"))
myCorpus <- tm_map(myCorpus, tolower)
myCorpus <- tm_map(myCorpus, PlainTextDocument)
tdm <- TermDocumentMatrix(myCorpus)
Docs(tdm)

结果：

[1] "character(0)" "character(0)" "character(0)" "character(0)" "character(0)"

现在它起作用了，但是删除所有元数据(在本例中是文档名)。有一种方法可以对元数据进行分类，或者保存并恢复元数据？

Answer 1

我找到了。

这句话：

myCorpus <- tm_map(myCorpus, PlainTextDocument)

解决了问题，但删除了元数据。

我找到了解释使用this answer ()的更好方法的tm_map()。我只需要替代：

myCorpus <- tm_map(myCorpus, tolower)

通过以下方式：

myCorpus <- tm_map(myCorpus, content_transformer(tolower))

一切都成功了！