如何用R语言tm包在Corpus中统计指定词表的文档词频？

前提 #

假设你已经加载了tm包，且你的语料库对象名为my_corpus，指定词表为target_words（比如月份列表）。

方法一：基于词-文档矩阵（TermDocumentMatrix） #

这是tm包的标准方法，适合快速批量统计：

1. 预处理语料库（可选但推荐）
   先统一文本格式，避免大小写、标点等导致的匹配误差：

library(tm)
# 转小写
my_corpus <- tm_map(my_corpus, content_transformer(tolower))
# 按需去除标点、数字（可选）
my_corpus <- tm_map(my_corpus, removePunctuation)
my_corpus <- tm_map(my_corpus, removeNumbers)

2. 构建词-文档矩阵

tdm <- TermDocumentMatrix(my_corpus)

3. 提取目标词的频次数据

# 定义你的目标词表
target_words <- c("january", "february", "march", "april", "may", "june", 
                  "july", "august", "september", "october", "november", "december")

# 筛选语料库中实际存在的目标词（避免不存在的词引发报错）
existing_words <- intersect(target_words, rownames(tdm))

# 提取频次并转置，得到「文档×目标词」的结构
word_freq <- t(as.matrix(tdm[existing_words, ]))

# 补充未出现词的0值，并按原词表顺序排列列
missing_words <- setdiff(target_words, existing_words)
if (length(missing_words) > 0) {
  word_freq <- cbind(word_freq, matrix(0, nrow = nrow(word_freq), ncol = length(missing_words),
                                       dimnames = list(NULL, missing_words)))
  word_freq <- word_freq[, target_words]
}

4. 查看结果
   word_freq即为所需数据，每行对应一份文档，每列是对应目标词的出现频次：

head(word_freq)

方法二：逐个文档遍历统计 #

如果需要自定义分词逻辑，这种方法更灵活：

# 定义统计函数：输入单个文档，返回目标词的频次向量
count_target_words <- function(doc) {
  text_content <- content(doc)
  # 拆分文本为单词（可替换为更严谨的分词逻辑，比如用stringr包）
  word_list <- strsplit(text_content, "\\s+")[[1]]
  # 统计每个目标词的出现次数
  sapply(target_words, function(word) sum(word_list == word))
}

# 应用函数到整个语料库
word_freq_list <- tm_map(my_corpus, count_target_words)
# 转换为数据框格式
word_freq_df <- do.call(rbind, word_freq_list)
# 设置行名为文档ID（与原语料库对应）
rownames(word_freq_df) <- names(my_corpus)

内容的提问来源于stack exchange，提问作者Li4991