Orange: Corpus
Sumber: https://orange3-text.readthedocs.io/en/latest/widgets/corpus-widget.html
Memuat kumpulan dokumen teks, (opsional) yang di-tag dengan kategori, atau mengubah input data ke corpus.
Input
- Data: Input data (optional)
Output
- Corpus: kumpulan dokumen
Corpus widget dapat bekerja dalam dua (2) mode:
- Ketika tidak ada data pada input, ia membaca text corpus dari file dan mengirimkan instance corpus ke kanal output. History file yang terakhir dibuka disimpan di widget. Dalam Widget ini juga ada direktori dengan sampel corpus yang sudah diinstal sebelumnya dengan add-on. Widget dapat membaca data dari file Excel (.xlsx), comma-separated (.csv) dan tab-delimited (.tab).
- Ketika pengguna memberikan data ke input, widget akan mengubah data menjadi corpus. Pengguna dapat memilih fitur mana yang digunakan sebagai fitur text.
- Telusuri melalui file data yang sebelumnya dibuka, atau muat salah satu contoh.
- Browse untuk memperoleh file data.
- Muat ulang file data yang dipilih.
- Pilih variabel yang ditampilkan sebagai judul dokumen di Corpus Viewer.
- Fitur yang akan digunakan dalam analisis teks.
- Fitur yang tidak akan digunakan dalam analisis teks.
- Browse kumpulan data yang ada dengan add-on.
- Akses bantuan, buat laporan, dan dapatkan informasi tentang kumpulan data yang dimuat.
Anda dapat menggunakan fitur drag dan drop di antara kedua kotak dan juga mengubah urutan penampilannya.
Contoh
Contoh pertama menunjukkan penggunaan widget Corpus yang sangat sederhana. Tempatkan Corpus ke kanvas dan hubungkan ke Corpus Viewer. Kita menggunakan data set book-excerpts.tab, yang ada di add-on, dan memeriksanya di Corpus Viewer.
Contoh kedua menunjukkan cara memvisualisasikan corpus Anda dengan Word Cloud dengan cepat. Kita dapat menghubungkan Word Cloud secara langsung ke Corpus, tetapi sebaliknya, kita memutuskan untuk menerapkan beberapa preprocessing dengan Teks Preprocess. Kami lagi bekerja dengan book-excerpts.tab. Kami telah menempatkan semua teks menjadi huruf kecil, tokenized (split) teks menjadi kata-kata saja, memfilter stopword bahasa Inggris dan memilih 100 token paling sering muncul.
Referensi