EmilHvitfeldt/R-text-data

📚 Dữ liệu văn bản cho mọi thí nghiệm NLP trong R

Nhiều bộ dữ liệu văn bản dùng ngay, ít rào cản hơn bước tự tìm và chuẩn bị dữ liệu.

R-text-data của Emil Hvitfeldt tổng hợp các nguồn corpus phục vụ học tập, luyện tập và phát triển text mining hoặc NLP trong R. Kho không hướng dẫn phân tích văn bản; trọng tâm là cung cấp dataset và hướng dẫn cách truy xuất chúng với ít công sức chuẩn bị nhất.

✨ Điểm nổi bật

• Nguồn dữ liệu CRAN: tổng hợp dataset từ nhiều package như janeaustenr, quRan, textdata, gutenbertr và epubr.
• Package trên GitHub: giới thiệu thêm nguồn như appa, sacred, harrypotter, sherlock, koanr và rperseus.
• Nội dung văn học: janeaustenr cung cấp sáu tiểu thuyết của Jane Austen dưới dạng character vector hoặc data.frame.
• Dữ liệu đa ngôn ngữ: quRan chứa toàn văn Qur’an bằng tiếng Arabic, kèm hai bản dịch tiếng Anh và metadata chi tiết theo surah, ayah, juz và page.
• Cấu trúc phong phú: một số nguồn cung cấp dữ liệu dạng bảng với metadata từng câu, đoạn, chương hoặc tập sách, thuận tiện cho dplyr và tidytext.
• Tái dùng nguồn quen thuộc: bao gồm Kinh Thánh, Book of Mormon, Harry Potter, Sherlock Holmes và các tập dữ liệu văn học kinh điển khác.
• Dữ liệu mở rộng: ngoài package, kho còn giới thiệu dữ liệu TidyTuesday, Cornell, SouthParkData và Saudi Newspapers Corpus.

💡 Vì sao đáng chú ý

Danh sách gom nguồn từ package CRAN, GitHub, TidyTuesday và corpus tự do vào một điểm, giúp người dùng R tiết kiệm thời gian tìm kiếm cũng như thiết lập dữ liệu. Mỗi mục kèm đoạn mã cài đặt, cách truy xuất và ví dụ cấu trúc dữ liệu thực tế.

Kho phù hợp để chọn nhanh dữ liệu cho bài tập text mining, dự án NLP, thử nghiệm mô hình hoặc làm quen với cách biến văn bản thành data.frame.

---

#RStats #TextMining #NLP #OpenData #TiniX