:::

R的文字雲怎麼都是□亂碼?wordcloud套件需要中文字形 / Why R’s wordcloud draws Chinese in □?

11月 06, 2016 , 0 Comments Edit Post

image

這篇只是很短地記錄解決在R中使用wordcloud套件畫不出中文文字雲的原因與做法。

 


文字雲都是□亂碼 / □ word cloud

根據Basic Text Mining in R、陳嘉葳的用R進行中文 text Mining、還有Byran的[R] TEXT MINING(文字探勘、文本分析練習)這幾篇的教學,我終於處理到可以用wordcloud套件畫文字雲的進度。

原本的斷詞與詞頻結果如下:

Terms    ppt2.txt ppt.txt
  公主          1       0
  原因          1       0
  同學          0       1
  名字          1       0
  地板          1       0
  小女          1       0
  手機          1       0
  水質          1       0
  畢業生        0       1
  白痴          1       0

但是wordcloud輸出的結果卻是如下圖:

5165309564192

怎麼中文會變成□亂碼?難道這又是編碼(encoding)的問題嗎?

不,作為一個Linux常識人,如果看到□的話我們第一個要想到的問題是:系統中沒有中文字形

出現這樣的問題,其原因就是因為我使用的作業系統是英文版的Ubuntu 14.04,是全新空的作業系統,而不是一般教學文所使用的Windows。在預設英文的Ubuntu裡面沒有中文字形,那麼wordcloud當然畫不出含有中文字的文字雲囉。

在Ubuntu中安裝中文字形 / Install Chinese Font in Ubuntu

要安裝中文字形,我們應該就從開放原始碼的字形中來挑選。我就參考Ubuntu 安裝思源字體這篇,安裝Google推出的思源CJK字體(note)吧。

因為這一篇我沒打算仔細講,所以大概列出我處理的大綱:

  1. 在Google Note Fonts下載字形,選擇DOWNLOAD ALL FONTS:
    https://www.google.com/get/noto/
  2. 在Linux現在使用的家目錄底下建立.fonts/noto資料夾:
    mkdir -p ~/.font/noto
  3. 從下載下來的思源字形壓縮檔Noto-hinted.zip中解壓縮副檔名為.otf的檔案,上傳到 ~/.fonts/note
  4. 建立~/.fonts.conf檔案,內容如下:
    <fontconfig>
      <match target="pattern">
        <test qual="any" name="family">
          <string>sans-serif</string>
        </test>
        <edit name="family" mode="prepend" binding="strong">
          <string>Noto Sans T Chinese</string>
          <string>Noto Sans S Chinese</string>
          <string>Noto Sans Japanese</string>
          <string>Noto Sans Korean</string>
        </edit>
      </match>
    </fontconfig>
  5. 重新開機

再次建立文字雲 / Create word cloud again

5165351736628

再次回到R中執行wordcloud()產生文字雲的語法,稍等一段時間之後,就能夠正常畫出如上圖的文字雲了(結論是老婆最大?)。至於如何調整字形之間的間距、選擇顏色之類的細節,就有待後續研究。

0 意見:

留言工具: