在R中处理TXT文件：Bag-of-Words与One-Hot Encoding结合的报错解决

核心错误原因 #

你碰到的cannot coerce class ‘c("TermDocumentMatrix", "simple_triplet_matrix")’ to a data.frame错误，本质是tm包生成的TermDocumentMatrix属于**稀疏矩阵（simple_triplet_matrix）**类型，无法直接用data.frame()函数转换，必须先转为普通矩阵再转数据框。

修复步骤 #

1. 正确转换TermDocumentMatrix到数据框 #

替换你代码中这一行：

DF_CNN_HDW3 <- data.frame(CNN_HDW_TDM)

改为：

# 先转成普通矩阵，再转换为数据框
DF_CNN_HDW3 <- as.data.frame(as.matrix(CNN_HDW_TDM))

2. 关于One-Hot编码的澄清 #

词袋模型（TermDocumentMatrix）默认输出的是词频计数，而One-Hot编码是将词的出现状态转为二进制（1表示出现，0表示未出现）。如果你需要的是One-Hot形式的矩阵，不需要用dummyVars，直接对转换后的词频矩阵做二值化处理即可：

# 将词频矩阵转为One-Hot二进制矩阵
one_hot_DF <- as.data.frame(ifelse(DF_CNN_HDW3 > 0, 1, 0))

3. 修正后的完整代码片段 #

把原代码中从转换数据框到One-Hot编码的部分替换为：

# 正确转换TermDocumentMatrix到数据框
DF_CNN_HDW3 <- as.data.frame(as.matrix(CNN_HDW_TDM))

# 生成One-Hot编码矩阵（按需选择）
one_hot_DF <- as.data.frame(ifelse(DF_CNN_HDW3 > 0, 1, 0))

# 查看结果
view(one_hot_DF)

额外优化建议 #

• 优先用DocumentTermMatrix替代TermDocumentMatrix：前者是文档为行、词语为列的结构，更符合后续分析的常规格式
• 简化文本清洗步骤：比如tm_map(CNN_HDW_corpus, content_transformer(tolower))可以直接调用，无需单独定义函数
• 用tidytext包简化流程：可以避免稀疏矩阵转换问题，直接生成One-Hot矩阵，示例如下：

library(tidytext)

# 用tidytext生成One-Hot矩阵
tidy_data <- CNN_HDW_data %>%
  mutate(document = row_number()) %>% # 给每个文档编号
  unnest_tokens(word, V1) %>% # 拆分词语（V1为原始数据的列名）
  anti_join(stop_words) %>% # 移除停用词
  mutate(word = wordStem(word)) %>% # 词干提取
  distinct(document, word) %>% # 确保每个文档-词对唯一
  mutate(one_hot = 1) %>% # 标记词语出现
  pivot_wider(names_from = word, values_from = one_hot, values_fill = 0) # 转为宽格式One-Hot矩阵

view(tidy_data)

内容的提问来源于stack exchange，提问作者Maggie