R语言文本挖掘NASA数据网络分析，tf-idf和主题建模|附代码数据

NASA托管和/或维护了超过32,000个数据集; 这些数据集涵盖了从地球科学到航空航天工程到NASA本身管理的主题。我们可以使用这些数据集的元数据来理解它们之间的联系

1 NASA如何组织数据

首先，让我们下载JSON文件，并查看元数据中存储的名称。

1.  metadata <- fromJSON("https://data.nasa.gov/data.json")
2.  names(metadata$dataset)

我们在这里看到，我们可以从发布每个数据集的人那里获取信息，以获取他们发布的许可证。

class(metadata$dataset$title)

相关视频

拓端

，赞1

1.1 整理数据

让我们为标题，描述和关键字设置单独的数据框，保留每个数据集的数据集ID，以便我们可以在后面的分析中将它们连接起来 。

1.2 初步的简单探索

NASA数据集中最常见的单词是什么？ 

1.  nasa_title %>%
2.  count(word, sort = TRUE)

最常见的关键字是什么？

1.  nasa_keyword %>%
2.  group_by(keyword) %>%
3.  count(sort = TRUE)
4.  ## # A tibble: 1,774 x 2
5.  ## # Groups: keyword [1,774]
6.  ## keyword n
7.  ## <chr> <int>
8.  ## 1 EARTH SCIENCE 14362
9.  ## 2 Project 7452
10.  ## 3 ATMOSPHERE 7321
11.  ## 4 Ocean Color 7268
12.  ## 5 Ocean Optics 7268
13.  ## 6 Oceans 7268
14.  ## 7 completed 6452

2.1描述和标题词的网络

我们可以使用​​pairwise_count ​​来计算每对单词在标题或描述字段中出现的次数。

这些是最常出现在descripton字段中的单词对。 

我们在这个标题词网络中看到了一些清晰的聚类; 国家航空航天局数据集标题中的单词大部分被组织成几个词汇系列，这些词汇聚类一起。

01

02

03

04

关键词网络

接下来，让我们建立一个 关键字网络，以查看哪些关键字通常在同一数据集中一起出现。

1.  ## # A tibble: 13,390 x 3
2.  ## item1 item2 n
3.  ## <chr> <chr> <dbl>
4.  ## 1 OCEANS OCEAN OPTICS 7324
5.  ## 2 EARTH SCIENCE ATMOSPHERE 7318
6.  ## 3 OCEANS OCEAN COLOR 7270
7.  ## 4 OCEAN OPTICS OCEAN COLOR 7270

此排序顶部的这些关键字的相关系数等于1; 他们总是一起出现。

让我们可视化关键字相关性网络，也就是关键字共现网络。

3计算描述字段的tf-idf

 网络图向我们展示了描述字段由一些常用词来控制，如“数据”，“全局”; 可以使用tf-idf作为统计数据来查找各个描述字段的特征词。

4主题建模

使用tf-idf作为统计数据已经让我们深入了解NASA描述字段的内容，但让我们尝试另外一种方法来解决NASA描述字段的内容。

每个主题是关于什么的？让我们来看看每个主题的前10个关键词。

1.  ## # A tibble: 240 x 3
2.  ## topic term beta
3.  ## <int> <chr> <dbl>
4.  ## 1 1 data 0.0449
5.  ## 2 1 soil 0.0368
6.  ## 3 1 moisture 0.0295
7.  ## 4 1 amsr 0.0244
8.  ## 5 1 sst 0.0168
9.  ## 6 1 validation 0.0132
10.  ## 7 1 temperature 0.0132
11.  ## 8 1 surface 0.0129
12.  ## 9 1 accuracy 0.0123
13.  ## 10 1 set 0.0116

首先注意y轴是以对数刻度绘制的; 否则很难弄清楚图中的细节。

该分布表明文档被很好地区分为属于某个主题。我们还可以看看每个主题中概率的分布情况。

本文选自《R语言文本挖掘NASA数据网络分析，tf-idf和主题建模》。