R语言：如何将Term Document Matrix转换为Corpus？

• 你此前生成TDM时调用inspect()报错，核心问题是传入Corpus(VectorSource())的输入不符合接口要求：VectorSource需要接收的是「每个元素对应一篇完整文档的字符串向量」，而你传入的是rbind合并后的逐词拆分数据框——这类数据框是经过分词、去停用词后的逐行词目，既不是可识别的完整文本，也没有标识每行条目属于哪篇文档，最终生成的Corpus只是无意义的字符串拼接，自然无法生成有效的TDM、也无法正常查看结构。
• 你对tidytext教程的操作逻辑存在认知偏差：教程中讲解的双向转换场景是「整洁逐词数据 <-> 文档词频矩阵（TDM/DTM）」，不存在从聚合完成的TDM反向生成带原始文本的Corpus的可行路径——TDM本身存储的是词与文档的共现计数，已经丢失了原始文本的语序、语境信息，从原理上就无法还原出可用于后续分析的Corpus。你尝试用quanteda::dfm()转换TDM的操作，本质是不同框架间的矩阵格式转换，和Corpus生成完全无关。

1. 给已有逐词整洁数据补充文档归属标识
   你已经完成了三篇戏剧文本的分词、去停用词预处理，只需要给每个独立词表补上对应的文档名，避免合并后无法区分条目来源：

   # 为每篇文档的词表添加文档标识
   article_words_1 <- article_words_1 %>% mutate(doc = "hamlet")
   article_words_2 <- article_words_2 %>% mutate(doc = "macbeth")
   article_words_3 <- article_words_3 %>% mutate(doc = "othello")
   
   # 合并为统一格式的整洁逐词表
   all_tidy_words <- bind_rows(article_words_1, article_words_2, article_words_3)
   

2. 从整洁词表直接生成符合tm包规范的TDM
   不需要绕路先生成Corpus再计算TDM，直接调用tidytext内置的转换函数即可：

   # 按文档-词对聚合计数，直接转换为标准TM格式的TDM
   tdm <- all_tidy_words %>%
     count(doc, word) %>%
     cast_tdm(term = word, document = doc, value = n)
   
   # 此时调用inspect()可正常查看TDM结构，不会触发报错
   inspect(tdm)
   

3. 若需要Corpus对象，直接从原始文本生成即可
   如果你确实需要tm包格式的Corpus做后续分析，不需要从TDM反向推导，直接用PDF提取的完整原始文本生成即可：

   # 提取三篇文档的完整原文
   raw_docs <- c(
     hamlet = pdf_text("https://shakespeare.folger.edu/downloads/pdf/hamlet_PDF_FolgerShakespeare.pdf"),
     macbeth = pdf_text("https://shakespeare.folger.edu/downloads/pdf/macbeth_PDF_FolgerShakespeare.pdf"),
     othello = pdf_text("https://shakespeare.folger.edu/downloads/pdf/othello_PDF_FolgerShakespeare.pdf")
   )
   
   # 生成标准tm包Corpus对象
   my_corpus <- Corpus(VectorSource(raw_docs))
   

• 不要尝试从TDM/DTM转换回Corpus：这类稀疏矩阵仅存储词的出现频次，完全丢失原文的句子结构、语序信息，强行转换得到的Corpus没有实际分析价值。
• 不需要在tm、tidytext、quanteda的不同框架间做无意义的多次格式转换：如果分析基于tidytext的整洁文本框架，直接保留逐词整洁表即可；如果需要用到tm包的统计函数，通过cast_tdm()/cast_dtm()做一次性转换就足够，不需要额外引入跨包的转换逻辑。

内容的提问来源于stack exchange，提问作者stats_noob