全文链接：http://tecdat.cn/?p=6763

NASA托管和/或维护了超过32,000个数据集; 这些数据集涵盖了从地球科学到航空航天工程到NASA本身管理的主题。我们可以使用这些数据集的元数据来理解它们之间的联系（点击文末“阅读原文”获取完整代码数据）。

1 NASA如何组织数据

首先，让我们下载JSON文件，并查看元数据中存储的名称。

1. metadata <- fromJSON("https://data.nasa.gov/data.json")

2. names(metadata$dataset)

我们在这里看到，我们可以从发布每个数据集的人那里获取信息，以获取他们发布的许可证。

class(metadata$dataset$title)

相关视频

拓端

，赞1

1.1 整理数据

让我们为标题，描述和关键字设置单独的数据框，保留每个数据集的数据集ID，以便我们可以在后面的分析中将它们连接起来 。

1.2 初步的简单探索

NASA数据集中最常见的单词是什么？ 

1. nasa_title %>%

2. count(word, sort = TRUE)

最常见的关键字是什么？

1. nasa_keyword %>%

2. group_by(keyword) %>%

3. count(sort = TRUE)

1. ## # A tibble: 1,774 x 2

2. ## # Groups:   keyword [1,774]

3. ##    keyword                     n

4. ##    <chr>                   <int>

5. ##  1 EARTH SCIENCE           14362

6. ##  2 Project                  7452

7. ##  3 ATMOSPHERE               7321

8. ##  4 Ocean Color              7268

9. ##  5 Ocean Optics             7268

10. ##  6 Oceans                   7268

11. ##  7 completed                6452

2.1描述和标题词的网络

我们可以使用pairwise_count 来计算每对单词在标题或描述字段中出现的次数。

 

这些是最常出现在descripton字段中的单词对。 

 

我们在这个标题词网络中看到了一些清晰的聚类; 国家航空航天局数据集标题中的单词大部分被组织成几个词汇系列，这些词汇聚类一起。

点击标题查阅往期内容

Python主题建模LDA模型、t-SNE 降维聚类、词云可视化文本挖掘新闻组数据集

左右滑动查看更多

01

02

03

04

关键词网络

接下来，让我们建立一个 关键字网络，以查看哪些关键字通常在同一数据集中一起出现。

1. ## # A tibble: 13,390 x 3

2. ##    item1         item2                       n

3. ##    <chr>         <chr>                   <dbl>

4. ##  1 OCEANS        OCEAN OPTICS             7324

5. ##  2 EARTH SCIENCE ATMOSPHERE               7318

6. ##  3 OCEANS        OCEAN COLOR              7270

7. ##  4 OCEAN OPTICS  OCEAN COLOR              7270

 

此排序顶部的这些关键字的相关系数等于1; 他们总是一起出现。

让我们可视化关键字相关性网络，也就是关键字共现网络。

3计算描述字段的tf-idf

 网络图向我们展示了描述字段由一些常用词来控制，如“数据”，“全局”; 可以使用tf-idf作为统计数据来查找各个描述字段的特征词。

4主题建模

使用tf-idf作为统计数据已经让我们深入了解NASA描述字段的内容，但让我们尝试另外一种方法来解决NASA描述字段的内容。

每个主题是关于什么的？让我们来看看每个主题的前10个关键词。

1. ## # A tibble: 240 x 3

2. ##    topic term          beta

3. ##    <int> <chr>        <dbl>

4. ##  1     1 data        0.0449

5. ##  2     1 soil        0.0368

6. ##  3     1 moisture    0.0295

7. ##  4     1 amsr        0.0244

1. ##  5     1 sst         0.0168

2. ##  6     1 validation  0.0132

3. ##  7     1 temperature 0.0132

4. ##  8     1 surface     0.0129

5. ##  9     1 accuracy    0.0123

6. ## 10     1 set         0.0116

首先注意y轴是以对数刻度绘制的; 否则很难弄清楚图中的细节。

该分布表明文档被很好地区分为属于某个主题。我们还可以看看每个主题中概率的分布情况。

本文选自《R语言文本挖掘NASA数据网络分析，tf-idf和主题建模》。

点击标题查阅往期内容

【视频】文本挖掘：主题模型（LDA）及R语言实现分析游记数据

NLP自然语言处理—主题模型LDA案例：挖掘人民网留言板文本数据

Python主题建模LDA模型、t-SNE 降维聚类、词云可视化文本挖掘新闻组数据集

自然语言处理NLP：主题LDA、情感分析疫情下的新闻文本数据

R语言对NASA元数据进行文本挖掘的主题建模分析

R语言文本挖掘、情感分析和可视化哈利波特小说文本数据

Python、R对小说进行文本挖掘和层次聚类可视化分析案例

用于NLP的Python：使用Keras进行深度学习文本生成

长短期记忆网络LSTM在时间序列预测和文本分类中的应用

用Rapidminer做文本挖掘的应用：情感分析

R语言文本挖掘tf-idf,主题建模，情感分析,n-gram建模研究

R语言对推特twitter数据进行文本情感分析

Python使用神经网络进行简单文本分类

用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类

R语言文本挖掘使用tf-idf分析NASA元数据的关键字

R语言NLP案例：LDA主题文本挖掘优惠券推荐网站数据

Python使用神经网络进行简单文本分类

R语言自然语言处理（NLP）：情感分析新闻文本数据

Python、R对小说进行文本挖掘和层次聚类可视化分析案例

R语言对推特twitter数据进行文本情感分析

R语言中的LDA模型：对文本数据进行主题模型topic modeling分析

R语言文本主题模型之潜在语义分析（LDA:Latent Dirichlet Allocation）