如何将 DTM 与其原始数据框相结合，减少删除的推文/文档？

Question

所以我正在为我的推文研究建立一个框架。我的部分框架包括构建最终数据集，以供以后用于分类和主题建模目的。

我有三个对象：
1.) ngram.features.df - 包含 44159 行/推文，3 列，即 ID、X1 和 X2
2.) tweets.corpus - 从 ngram.features.df 列 X1 创建的语料库，X1 包含用于处理的已清理推文
3.) mydtm - 是一个文档术语矩阵，减少到 44043 行/推文，因为我已经消除了 doc.lengths = 0 的行/推文。这是通过：
doc.lengths <- rowSums(as.matrix(DocumentTermMatrix(tweets.corpus))) mydtm <- DocumentTermMatrix(tweets.corpus[doc.lengths > 0], control = list(wordLengths = c(3,10)))

> mydtm <<DocumentTermMatrix (documents: 44043, terms: 9252)>> Non-/sparse entries: 325412/407160424 Sparsity : 100% Maximal term length: 10 Weighting : term frequency (tf)

如您所见，mydtm 减少到 44043 行，而我的原始数据框 ngram.features.df 构建 mydtm 的地方有 44159 行。

现在，我无法将原始文档/推文的 ID's 从数据框中保留到 mydtm 中。

我尝试了How can I manually set the document id in a corpus? 中的那个，但它与不在 DTM 上的语料库中设置 ID 有关。

现在问题在于merge。我将mergengram.features.df（44159）使用mydtm（44043）的数据框版本。但是，由于减少，他们在此处的行数/推文/文档数会不一致。因此，需要保留 ID。

谁能提供帮助？

Answer 1

从dtm 中删除空文档后，您可以做的是创建一个data.frame 并使用rownames 的dtm 创建一个新列。然后您可以将此 data.frame 与您的 ngram.features.df data.frame 合并

mydtm_as_df <- data.frame(docs = rownames(as.matrix(mydtm )), as.matrix(mydtm ), stringsAsFactors = FALSE)