如何手动计算R中文档-词矩阵中指定词表的词频？

一、tm_term_score的原理说明 #

你之前用的tm_term_score(DTM.tfidf, Wordlist)返回的不是实际词频，而是文档层面的TF-IDF加权得分。它的计算逻辑是：对每个文档，将词表里所有词汇对应的TF-IDF值求和，最终得到该文档的综合得分——这是加权后的结果，和原始词频完全是两个概念。

二、手动计算目标词汇的实际词频 #

要得到词表中每个词汇在各文档的真实出现次数，核心是基于**原始词频的文档-词矩阵（DTM）**来操作，步骤如下：

1. 生成原始词频DTM（若已有可跳过） #

如果你的DTM是TF-IDF加权后的，需要重新生成原始词频矩阵：

# 假设corpus是你的语料库对象
DTM.tf <- DocumentTermMatrix(corpus, control = list(
  weighting = weightTf,  # 采用原始词频权重
  tolower = TRUE,        # 统一转小写，避免词汇匹配失败
  # 以下参数根据你的预处理需求调整
  removeNumbers = TRUE,
  stopwords = TRUE
))

2. 筛选词表对应的词汇列 #

确保词表词汇与DTM列名匹配，然后提取目标列：

# 统一词表大小写，和DTM列名保持一致
Wordlist_clean <- tolower(Wordlist)
# 只保留DTM中存在的目标词汇
target_terms <- intersect(Wordlist_clean, colnames(DTM.tf))
# 提取目标词汇的词频矩阵
DTM_target <- DTM.tf[, target_terms]

3. 转换为数据框得到词频结果 #

# 将稀疏矩阵转为普通矩阵，再转成数据框
Term_Frequency <- as.data.frame(as.matrix(DTM_target))
# 可选：添加文档ID列，方便对应原始文档
Term_Frequency$Document_ID <- rownames(Term_Frequency)

最终的Term_Frequency数据框中，每一行代表一个文档，每一列对应词表里的一个词汇，单元格数值就是该词汇在对应文档中的实际出现次数。

内容的提问来源于stack exchange，提问作者Li4991