《机器学习：实用案例解析》第三章（3）

原创于 2018-03-16 15:37:14 发布 · 382 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #R语言

Bug解决专栏收录该内容

5 篇文章

订阅专栏

本文介绍了一种使用R语言进行文本分析的方法，并解决了在处理特定数据集时遇到的字符编码错误问题。通过一系列步骤，从加载必要的库到读取和预处理文本数据，最后通过调整系统设置成功解决了错误。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

代码：

library(tm)
library(ggplot2)
spam.path<-"data/spam/"
spam2.path<-"data/spam_2/"
easyham.path<-"data/easy_ham/"
easyham2.path<-"data/easy_ham_2/"
hardham.path<-"data/hard_ham/"
hardham2.path<-"data/hard_ham_2/"

get.msg<-function(path){
  con<-file(path,open="rt")
  text<-readLines(con,warn=FALSE)
  msg<-text[seq(which(text=="")[1]+1,length(text),1)]
  close(con)
  return(paste(msg,collapse="\n"))
}

spam.docs<-dir(spam.path)
spam.docs<-spam.docs[which(spam.docs!="cmds")]
all.spam<-sapply(spam.docs,
                 function(p) get.msg(paste(spam.path,p,sep="")))
#head(all.spam)

get.tdm<-function(doc.vec){
  doc.corpus<-Corpus(VectorSource(doc.vec))
  control<-list(stopwords=TRUE,
                removePunctuation=TRUE,
                removeNumbers=TRUE,
                minDocFreq=2)
  doc.dtm<-TermDocumentMatrix(doc.corpus,control)
  return(doc.dtm)
}

spam.tdm<-get.tdm(all.spam)

报错：

 Error in tolower(txt) : invalid multibyte string 6

解决办法：

终端里输入

Sys.setlocale(category = "LC_ALL", locale = "us")

《机器学习：实用案例解析》第三章 （3）

《机器学习：实用案例解析》第三章（3）