下载掌阅APP，畅读海量书库
立即打开
在本例中，词语收集方法如下：研究者要求 17名被试写出对日本的看法，并说明以下要求：1、不用思考，只需用最快的速度写下直观感觉；2、应按照想到词语的顺序将词语写下来；3、尽可能写词语，也可以写词组，但不能写句子；4、名词、形容词、动词均可，中英文词语均可；5、词语内部不能有标点符号或空格，词语之间用空格、顿号、中英文逗号或分号相隔；6、每人写 10个词语。
接下来计算词频：
以下将使用chinese.misc包中的corp_or_dtm和sort_tf函数进行计算。
corp_or_dtm(..., from="dir", type="corpus", mycutter=DEFAULT_cutter,stop_word=NULL, control="auto", myfun1=NULL, myfun2=NULL)
●…：允许两种输入，（1）以字符向量形式出现的文件名、文件夹名，或这两者的混合；（2）以字符向量形式出现的待处理文本
● from：默认为"dir"，此时将把输入当成文件（夹）名；如果输入是待处理文本，必须改为"v"
● type：输出结果的类型，当为以“c”或“C”开头的字符时，输出结果为tm包中的SimpleCorpus对象；当为以“d”或“D”开头的字符时，为DocumentTermMatrix对象；当为以“t”或“T”开头的字符时，为TermDocumentMatrix对象
● mycutter：由jiebaR包生成的分词器；默认使用一个简单的分词器DEFAULT_cutter；如果无需分词（也就是说，词与词之间已经有空格存在），将其设为NULL
● stop_word：停用词向量，默认为NULL；当改为"jiebar"或"auto"时，将使用jiebaR包默认的停用词；用户也可输入自己的停用词
● control：当结果为DocumentTermMatrix或TermDocumentMatrix时，对纳入的词语进行限制；需输入一个list对象，它包含以下可选项目（默认值"auto"仅限定词语长度为c(1, 25)，如改为"auto2"，则限定词语长度为c(2,25)）
■ wordLengths：长度为 2的向量，指明最小值和最大值，用于限定词语字数；不能用 0和Inf
■ dictionary：字符向量，用于列出用户感兴趣的词语；如果用户用此参数列出了若干词语，则输出结果将只包含这些被列出的词语
■ bounds：长度为 2的向量，指明最小值和最大值，用于限定词语在所有文本中出现的总次数；不能用 0和Inf
■ have：长度为 2的向量，指明最小值和最大值，用于限定词语在多少个文本中出现；不能用 0和Inf
■ weighting：权重计算方法，默认为计算词频，还可改为weightBin、weightTfIdf或其它
● myfun1、myfun2：用于在分词前和分词后对文本进行加工的函数
sort_tf(x, top=10, type="dtm", todf=FALSE, must_exact=FALSE)
● x：一个DocumentTermMatrix或TermDocumentMatrix对象，或矩阵
● top：查看词频数位于前多少位的词语
● type：当x为矩阵时，用于指明它可被看成是DocumentTermMatrix还是TermDocumentMatrix
● todf：是否将输出结果转化成数据框；默认为FALSE，即不输出，只在屏幕上显示
● must_exact：是否要求输出结果中词语的数量必须与top一样。例如，用户要求输出词频数排在前 3位的词语，排在第 3位的那个词语的词频数为100，但是，除了这个词，其他几个词语的词频也为 100；当must_exact为FALSE（默认）时，将同时输出其他这些有着相同词频的词语
词频可用来制作词云。图 1左图是用wordcloud包绘制的词云，效果不好，且有一些词语未出现在图中；所以推荐使用线上工具Tagxedo（http://www.tagxedo.com/app.html）绘制（图 1右），或使用其他工具。
图 1
接下来，我们要绘制这样一张图：图的x轴是词频，y轴是词语出现位置的均值；在x轴的中间点画一条垂直线，在y轴的中间点画一条水平线，这样便产生了四个象限，每个象限代表不同类别的词语。关键问题在于，这个中间点如何选择。我们可以根据需要采用三种方法中的一种确定中间点：均值（mean函数）、中位数（median函数）、聚类。为进行示范，我们在此使用Kmeans聚类。
接下来，我们用ggplot2包重新绘制这个图。我们要把文字标在图表中，但是，标签在图中可能会重叠；为解决这个问题，我们可以用ggrepel包来使标签自动分散开。
图 2
用本例数据生成的图片的呈现效果并不是特别好，这主要是因为词语过于聚集，而标签也都被挤到了周围，不能出现在词语旁边。读者在实际使用词语联想法时，可要求被试写下更多词语（而在本例中每个人仅写下了 10个词语），这样词语在各象限的分布更可能较为均匀。
这个图中各象限的意义如下：第 1象限中的词语（在本例中只有“和服”、“樱花”、“动漫”）是能够代表人们的普遍感受（词频高）的词语，而这些感受也是比较深刻、强烈的（位置靠前）；第 2象限中的词语所代表的感受只存在于少数人心中（词频低），但对这些人来说，这些感受非常深刻（位置靠前）；落在第 3象限中的词语所代表的感受既不普遍（词频低），也不深刻（位置靠后）；第 4象限中的词语所代表的感受是大众化的感受（词频高），但并不强烈（位置靠后）。