R文本挖掘：如何绘制关键词10词范围内词关联的图4.4？

核心思路 #

图4.4基于紧邻二元组（bigrams）做可视化，要扩展到10词范围内的共现，需先提取目标关键词前后10个词范围内的所有词，统计它们与关键词的共现频次后，再复刻类似的可视化样式。

步骤分解 #

• 步骤1：拆分文本并标记词位置
  先把文本拆分为单个词，同时记录每个词的位置索引，方便后续定位关键词的上下文：

  library(tidytext)
  library(dplyr)
  library(tidyr)
  library(ggplot2)
  
  # 假设你的数据框为text_df，包含text列存储待分析文本
  tokenized_data <- text_df %>%
    mutate(line_id = row_number()) %>%
    unnest_tokens(word, text) %>%
    mutate(word_pos = row_number()) # 全局词位置，若需按句子/段落统计，可改为按行内计数
  

• 步骤2：定位关键词并提取上下文词
  找到所有“sir”出现的位置，筛选出这些位置±10范围内的词，排除“sir”本身后，标记每个词所属的关键词上下文组：

  # 获取所有"sir"的位置
  sir_locations <- tokenized_data %>%
    filter(word == "sir") %>%
    pull(word_pos)
  
  # 提取每个"sir"周围10词内的词
  sir_context <- tokenized_data %>%
    filter(word_pos %in% unlist(lapply(sir_locations, function(x) (x-10):(x+10)))) %>%
    filter(word != "sir") %>%
    mutate(context_group = findInterval(word_pos, sir_locations)) # 标记属于哪个"sir"的上下文
  

• 步骤3：统计共现频次
  按上下文组去重（避免同一语境下重复计数），统计每个词与“sir”的共现次数：

  cooccur_counts <- sir_context %>%
    distinct(context_group, word) %>%
    count(word, sort = TRUE)
  

• 步骤4：绘制可视化图
  参考图4.4的水平条形图风格，展示高频共现词：

  cooccur_counts %>%
    top_n(20) %>% # 取前20个高频词，可按需调整
    mutate(word = reorder(word, n)) %>%
    ggplot(aes(x = n, y = word)) +
    geom_col(fill = "#2c3e50") +
    labs(x = "与'sir'在10词范围内的共现次数", y = NULL) +
    theme_minimal()
  

注意事项 #

• 若文本按段落/句子划分，建议按行内位置计算词的索引，避免跨段落的无效共现。
• 如需区分词出现在“sir”之前还是之后，可在筛选时添加位置判断逻辑，拆分统计后分别可视化。
• 可通过调整(x-10):(x+10)中的数值，灵活修改共现范围。

内容的提问来源于stack exchange，提问作者user3390169