PAYATHON 2026

R 中如何将 DocumentTermMatrix 转换为 data.frame?

数据小陈

先用 as.matrix() 将 AssociatedPress 转为普通矩阵,再用 as.data.frame() 转为数据框。输出中的 Weighting : term frequency (tf) 表明现有数值已是词频,无须再次加权。

library(tm)
data("AssociatedPress", package = "topicmodels")

dtm_matrix <- as.matrix(AssociatedPress)
dtm_df <- as.data.frame(dtm_matrix, check.names = FALSE)

为什么直接转换会报错?

AssociatedPress 是 DocumentTermMatrix,底层使用 simple_triplet_matrix 稀疏存储结构,并非 tibble。

报错表示当前转换没有找到适用的 as.data.frame() 方法。先用 as.matrix() 将对象展开为普通矩阵,就可以进一步转为 data.frame。

as_data_frame() 被弃用的警告与类型转换失败是两个问题。单纯把函数名改为 as_tibble(),无法解决这里的稀疏对象转换问题。

转换后如何对应文档和词项?

转换后,矩阵的方向不变:每行对应一个文档,每列对应一个词项。单元格数值表示该词项在该文档中出现的次数,未出现时为 0。

根据题目给出的维度,结果应有 2246 行、10473 列。可以检查维度,再查看前几个文档和词项:

dim(dtm_df)
head(dtm_df[, seq_len(6), drop = FALSE])

# 查看文档标识和词项名称
head(rownames(dtm_df))
head(colnames(dtm_df))

check.names = FALSE 用于保留原始词项列名,避免 as.data.frame() 自动将其修改为合法的 R 变量名。访问含特殊字符的列名时,可以使用 dtm_df[["词项名称"]]。

如果只需要普通的 Document-Term frequency matrix,使用 dtm_matrix 即可;需要 data.frame 时再使用 dtm_df。

如果还需要 tibble

完成上述转换后,可以继续调用 as_tibble()。由于 tibble 不用行名保存文档标识,可以将行名转为显式列:

dtm_tbl <- tibble::as_tibble(
  dtm_df,
  rownames = "document_id",
  .name_repair = "unique"
)

document_id 列保存原行名。如果它与某个词项列名冲突,.name_repair = "unique" 会调整重复列名。

注意稀疏矩阵展开后的内存开销

原对象的 Sparsity 为 99%,只有 302031 个非零条目。as.matrix() 会为全部 2246 × 10473 个位置分配空间,包括原本没有显式存储的零值。再转换为 data.frame 时,还可能产生额外分配。

如果后续操作支持 DocumentTermMatrix,可以直接保留原对象。如果只是查看局部数据,先截取子集再转换会更节省内存:

preview_df <- as.data.frame(
  as.matrix(AssociatedPress[1:6, 1:6]),
  check.names = FALSE
)

备注:内容仅供参考。