在R语言制作的词云中手动合并指定词语的技术问询

针对你需要仅合并learn/learning、tax/taxes两组词语，同时避免过度词干化的需求，提供两种可靠的手动实现方法，同时解释之前gsub代码未生效的可能原因：

一、预处理阶段直接替换词语 #

这种方法在构建语料库后、其他预处理步骤前，手动将目标词语替换为统一形式，确保后续统计时计数合并。

完整代码 #

library(tm)
library(wordcloud)

# 读取数据
dataset <- read.csv("~/filepath.csv")
# 构建语料库
corpus <- Corpus(VectorSource(dataset$comment))

# 自定义词语替换函数
replace_target_words <- content_transformer(function(text, from_word, to_word) {
  gsub(from_word, to_word, text, fixed = TRUE)
})

# 替换learn为learning
corpus <- tm_map(corpus, replace_target_words, "learn", "learning")
# 替换taxes为tax
corpus <- tm_map(corpus, replace_target_words, "taxes", "tax")

# 后续预处理（移除停用词等）
clean_corpus <- tm_map(corpus, removeWords, stopwords('english'))
# 可选：统一转为小写，避免大小写差异导致的计数分散
clean_corpus <- tm_map(clean_corpus, content_transformer(tolower))

# 生成词云
wordcloud(clean_corpus, scale=c(5,0.5), max.words=100, random.order = FALSE, rot.per=0.35, colors=my_palette)

之前代码未生效的原因 #

你之前的gsub代码可能存在两个问题：

• 替换顺序错误：如果先执行了removeWords，虽然learn不是停用词，但后续替换可能因语料结构变化未生效；
• content_transformer的使用不够明确：直接嵌套gsub可能导致tm包未正确识别处理逻辑，自定义函数能更清晰地传递替换规则。

二、提取词频表后手动合并（更可控） #

这种方法先生成完整词频统计，再手动合并目标词语，能直观看到合并结果，避免预处理阶段的潜在问题。

完整代码 #

library(tm)
library(wordcloud)

# 读取数据并预处理
dataset <- read.csv("~/filepath.csv")
corpus <- Corpus(VectorSource(dataset$comment))
clean_corpus <- tm_map(corpus, removeWords, stopwords('english'))
clean_corpus <- tm_map(clean_corpus, content_transformer(tolower))

# 生成词频矩阵并转为数据框
dtm <- DocumentTermMatrix(clean_corpus)
word_freq <- colSums(as.matrix(dtm))
word_freq_df <- data.frame(word = names(word_freq), freq = word_freq, stringsAsFactors = FALSE)

# 手动替换目标词语
word_freq_df$word[word_freq_df$word == "learn"] <- "learning"
word_freq_df$word[word_freq_df$word == "taxes"] <- "tax"

# 重新计算合并后的词频
merged_word_freq <- aggregate(freq ~ word, data = word_freq_df, sum)

# 生成词云
wordcloud(words = merged_word_freq$word, freq = merged_word_freq$freq, 
          scale=c(5,0.5), max.words=100, random.order = FALSE, 
          rot.per=0.35, colors=my_palette)

优势 #

可以通过查看merged_word_freq数据框，直接确认learning（9+6=15）、tax（6+3=9）的计数是否正确，完全避免词干化工具的过度处理问题。

内容的提问来源于stack exchange，提问作者Jess