背景

續前一篇文章，我們談了如何利用tidytext處理「歷年總統國慶大會演說」資料，這篇文章我們同樣會利用相同資料，只是從tidytext改成使用quanteda。

框架二: quanteda

quanteda套件介紹

大約3年前，R User Group Taiwan曾經有幸邀請一位學者兼開發者Chung-hong Chan演講，當時我有出席，後來在學校上課時才知道，原來他是學校老師的好朋友與研究夥伴，又聽了一次他的分享。

在演講中，Chan介紹了全名為Quantitative Analysis of Textual Data的quanteda，翻譯即為文字資料量化分析。

和tidytext相同，你同樣可以利用quanteda走完一遍從前處理、斷詞、分析資料的流程，雖然使用的基本資料結構為list，但過程中並不會有任何不便，對中文的契合度也很高，是tidytext以外的好選項。

Chan另外寫有一本線上作品Automated Content Analysis，若對學術研究中的自動內容分析有興趣，也可以參考一下。

quanteda實作

更改套件與框架，不代表改變我們的提問，我們關注的同樣是總統致詞有何特色。差異體現在quanteda不是在tidy
priciples底下運行，這個體系中資料用不同方式儲存，例如coprus、例如dfm，後面解釋文件資料的時候，會討論不同儲存文章/文件格式有何特色。

因為資料df_speech_clean原本是一個資料框，我們要先把它轉成quanteda熟悉的格式。

library(quanteda)
# import article
corp <- corpus(df_speech_clean)
corp

## Corpus consisting of 24 documents and 4 docvars.
## text1 :
## "大會主席、各位貴賓、各位親愛的父老兄弟姐妹： 今天是中華民國八十六年國慶日，海內外同胞用熱烈的活動，慶祝我們國家的生日；..."
## 
## text2 :
## "大會主席、各位貴賓、各位親愛的父老兄弟姊妹： 今天是中華民國八十七年國慶日，海內外同胞用最歡喜的心情和最熱烈的活動，慶祝..."
## 
## text3 :
## "各位女士、各位先生： 今天是中華民國八十八年國慶日。每年的這一天，我們都無比歡喜的慶祝國家的生日。但是，今天，我們卻要以..."
## 
## text4 :
## "各位貴賓、各位女士、各位先生： 今天是中華民國八十九年國慶，我們以欣慰又嚴肅的心情來慶祝國家的生日。今年的雙十國慶，較之..."
## 
## text5 :
## "各位貴賓、各位女士、各位先生： 今天是中華民國九十歲的生日，也是新世紀的第一個雙十國慶。一年多前，我們以實現歷史上首度的..."
## 
## text6 :
## "各位貴賓、各位伙伴、各位女士、先生：大家恭喜！ 今天是中華民國九十一年國慶，二千三百萬台灣人民及海內外同胞謹以最莊嚴、最..."
## 
## [ reached max_ndoc ... 18 more documents ]

docvars(corp)

##    id                                title       date president
## 1   1 總統蒞臨中華民國八十六年國慶大會致詞 1997-10-15    李登輝
## 2   2 總統蒞臨中華民國八十七年國慶大會致詞 1998-10-14    李登輝
## 3   3 總統蒞臨中華民國八十八年國慶大會致詞 1999-10-13    李登輝
## 4   4 總統蒞臨中華民國八十九年國慶大會致詞 2000-10-18    陳水扁
## 5   5   總統蒞臨中華民國九十年國慶大會致詞 2001-10-17    陳水扁
## 6   6 總統蒞臨中華民國九十一年國慶大會致詞 2002-10-16    陳水扁
## 7   7 總統蒞臨中華民國九十二年國慶大會致詞 2003-10-15    陳水扁
## 8   8 總統蒞臨中華民國九十三年國慶大會致詞 2004-10-13    陳水扁
## 9   9 總統蒞臨中華民國九十四年國慶大會致詞 2005-10-12    陳水扁
## 10 10 總統蒞臨中華民國九十五年國慶大會致詞 2006-10-11    陳水扁

你可以發現corpus，或者稱其為語料、文集儲存資料的方式。「Corpus consisting of 24 documents and 4 docvars」告訴我們，corpus由文件（documents）和文件變數（docvars, document variables）組成。

不同框架，可以完成相同任務。舉例來說，你若只想看2009年以後的演說資料，我們處理資料框時，可以利用dplyr中的filter()篩選出2009年以後的演說；對應語料格式，同樣可以從docvars下手。就斷詞來說，我們也可以用quanteda達成。

# tokenize
ch_toks <- corp %>% 
    tokens(remove_punct = TRUE) %>%
    tokens_remove(pattern = ch_stop)

# construct a dfm
ch_dfm <- dfm(ch_toks)
topfeatures(ch_dfm)

## 我們   與 台灣 臺灣 國家 經濟 民主 政府   為 人民 
##  755  502  457  269  263  257  233  215  204  201

library("quanteda.textstats")
library("quanteda.textplots")
result_keyness <- textstat_keyness(ch_dfm)
textplot_keyness(result_keyness, margin = 0.2, n = 15, show_reference = F) 

利用quanteda完全可以做到和tidytext相同的事情。事實上，它也有針對中文語料提供專門入門文章。你可以在文章中看到，quanteda可以分詞、建構建構文件特徵矩陣、計算文件相似度、訓練主題模型等任務。

不過，我必須老實承認，因為我實在太習慣跟資料框打交道，即使是使用quanteda時，我也會忍不住在途中，將成品適度轉換成資料框架確認品質，這樣做的理由在於quanteda確實提供方便的文字探勘流程。

另外我也會習慣客製化輸出的圖表，畢竟我們必須承認，上面那張圖並不是非常好看。整體來說，quanteda確實好用，只是沒那麼喜歡處理其他格式的資料，它非常值得倚重。