R Text Mining - le mot le plus courant dans une chaîne de caractères entière

Question

J'ai du mal à comprendre l'exploration de texte et à déterminer les fréquences des mots. Je commence juste à avoir une compréhension de R et de ses paquets et je viens de découvrir tm (après avoir lu un moment, j'ai le sentiment que cela pourrait résoudre mon problème).

Ma question est: comment puis-je déterminer les deux plus fréquemment utilisés dans une chaîne sur toute la colonne?

je l'exemple suivant:

structure(list(Location = c("Chicago", "Chicago", "Chicago", 
"LA", "LA", "LA", "LA", "LA", "LA", "Texas", "Texas", "Texas", 
"Texas", "Texas"), Code = c(4450L, 4450L, 4450L, 4450L, 4450L, 
4450L, 4450L, 4450L, 4450L, 4410L, 4410L, 4410L, 4410L, 4410L 
), Description = c("LABOR - CROSSOVER BOARD BRACKET", "LABOR - CROWN DOOR GASKET", 
"LABOR - CROWN DOOR GASKET - APPLY 4' NEW GASKET AND RE-APPLY", 
"LABOR - CUSHIONING DEVICE - END OF CAR CUSTOMER SUPPLIED MATERIAL", 
"LABOR - DOOR EDGE", "LABOR - DOOR GASKET, CROWN CORNER", "LABOR - DOOR LOCK POCKET STG", 
"LABOR - DOOR LOCK RECEPTICALS STG", "LABOR - DOOR LOCK STG", 
"BOLT, HT, UNDER 5/8\"\" DIA & 6\"\" - SIDE POST", "BOLT, HT, UNDER 5/8\"\" DIA & 6\"\" - TRAINLINE TROLLEY", 
"BOLT,HT,5/8 IN.DIA.OR LESS UNDER 6\"\" LONG - BRAKE STEP", "BOLT,HT,5/8 IN.DIA.OR LESS UNDER 6\"\" LONG - CROSSOVER BOARD", 
"BOLT,HT,5/8 IN.DIA.OR LESS UNDER 6\"\" LONG - CROSSOVER BOARD BRACKET" 
), `Desired Description Based on frequency` = c("Labor - CROWN DOOR GASKET", 
"Labor - CROWN DOOR GASKET", "Labor - CROWN DOOR GASKET", "Labor - DOOR LOCK", 
"Labor - DOOR LOCK", "Labor - DOOR LOCK", "Labor - DOOR LOCK", 
"Labor - DOOR LOCK", "Labor - DOOR LOCK", "Bolt - HT", "Bolt - HT", 
"Bolt - HT", "Bolt - HT", "Bolt - HT")), .Names = c("Location", 
"Code", "Description", "Desired Description Based on frequency" 
), row.names = c(NA, -14L), class = "data.frame") 

En fin de compte, je voudrais pouvoir ajouter cette colonne:

Desired Description Based on frequency 
Labor - CROWN DOOR GASKET 
Labor - CROWN DOOR GASKET 
Labor - CROWN DOOR GASKET 
Labor - DOOR LOCK 
Labor - DOOR LOCK 
Labor - DOOR LOCK 
Labor - DOOR LOCK 
Labor - DOOR LOCK 
Labor - DOOR LOCK 
Bolt - HT 
Bolt - HT 
Bolt - HT 
Bolt - HT 
Bolt - HT 

Fondamentalement, je veux évaluer tous les 4450 ou 4410s et de voir sur tous les la description dans le tableau, qui le plus commun et ajouter que comme une colonne. Une autre condition serait basée sur l'emplacement. Quelqu'un peut-il m'aider s'il vous plaît avec un exemple simple?

Merci beaucoup

Answer 1

Je ne pense pas qu'il y ait une taille unique-it-all solution à votre problème. (En commençant par le fait qu'il n'y a pas de règle précise à laquelle ou combien de mots à prendre pour la description.) Cependant, voici deux rapides & approches sales qui pourraient être utiles comme point de départ:

library(tm) 
txts <- gsub("[^A-Z]", " ", df$Description) 
groups <- paste(df$Location, df$Code) 

# 1 
opts <- list(tolower=F, removePunctuation=TRUE, wordLengths=c(2, Inf)) 
lst <- split(txts, groups) 
res <- sapply(lst, function(x) { 
    freq <- termFreq(paste(x, collapse=" "), opts)/length(x) 
    paste(names(freq[rank(-freq, ties.method = "first")<=3]), collapse = " - ") 
}) 
rep(res, lengths(lst)) 

# 2 
lst <- lapply(strsplit(txts, "\\s+"), function(x) x[1:min(c(3,length(x)))]) 
lst <- split(lst, groups) 
n <- lengths(lst) 
lst <- mapply("/", lapply(lst, function(x) sort(table(unlist(x)), decreasing = T)), n) 
rep(sapply(lst, function(x) paste(names(x)[x>=.5], collapse=" - ")), n)