第三方词云工具固然方便，但是使用起来也是各种问题（如中文乱码、词云形状、字体颜色调整等等）。我和大家分享一下如何使用 R 语言的 jiebaR 和 wordcloud2 扩展包来完成中文文本（英文当然不在话下）的分词，并且绘制关键词词云。
0.前期准备
准备1：安装 R ，你可以前往 The Comprehensive R Archive Network 下载并安装程序。
准备2：把你需要分词的文本放在一个 txt 文件中（强调：务必是 txt 格式！）。（你可以使用爬虫获取这部分文本，或者手动复制粘贴得到文本信息）
1.中文分词
分词是绘制词云的基础，说得简单一点就是将中文文本分割成一个个词汇。举个例子，我们现在按照XX算法对句子“ 对公司相关运营数据进行提取、多维度分析和整理”进行分词，得到如下结果：
对、公司、相关、运营数据、进行提取、多维度、分析、和、整理
只有进行了分词，才可以进行词云的绘制；如果你已经完成了这一步，并且统计出了每一个词汇的频数，可以直接略过这一步。
我们用 R语言的 jiebaR 包实现上述操作，如下：
1）安装并加载 jiebaR 包
install.packages（"jiebaR") library(jiebaR)
2）导入原始文本
f<-scan('/Users/XXX/Desktop/数据运营JD.txt',sep='\n',what='',encoding="UTF-8")
需要注意的是 /Users/XXX/Desktop/数据运营JD.txt 应该是你的txt文件的路径，不要直接copy。
3）开始分词
分词有很多种算法，其原理不是我们要关注的重点
seg<-qseg[f]
4）分词处理
因为分词出来可能会有很多常见的词汇，但是没啥用的，比如“的”、“是”、“什么”一类的。我们需要将这个词汇屏蔽掉。同时特别长的词汇这里我们也不要。
我的做法是将字符数控制在3-16之间，也就是最多4个汉字(1个汉字=4个字符)，最少3个英文。
seg<-seg[nchar(seg)>2]
seg<-seg[nchar(seg)<17]
seg
这个时候分词结果，也就是 seg 可以显示在你的R程序上，如下图所示：
5）对分词进行转置
为了方便后面的处理，我们需要对 seg 进行一次转置（把横着放变成竖着放）
m1<-data.frame(seg)
2.统计词频
完成分词后，你需要统计每一个词出现的频数，比如“ 数据分析 10 ”这样的。
1）加载 sqldf 包
install.packages("sqldf")
library(sqldf)
2）统计词频
R语言-统计学 描述性统计描述定量数据的数值方法：中心趋势度量 变异的度量 相对位置的度量。
1.中心趋势度量 ： 算数平均 中位数 众数
1.1 在R中计算平均数的函数 mean( )常规的mean() 函数用法mean(x, trim = 0, na.rm = FALSE, ...) 参数说明： x 对象名称trim 过滤掉异常值 ，按照距离平均值的远近距离排除，如对象中含有10个数据，排除最高和最低值，trim=0.2na.rm 默认为F 表示是否计入空值实例1： 做一个稍微复杂点的操作，用r做数据透视表并把结果转换为matrix ，对行列求和。(仅娱乐，无实用价值)
demo <- mtcars[1:6,] # 调用R自带函数集，并去前6行
toushi <- aggregate(mtcars[,5:6] ,by = list(cyl = mtcars$cyl),sum) # 数据透视表求和
toushi <- as.matrix(toushi) # 将结果的数据框转化成矩阵
#(toushi <- apply(toushi,c(1,2),sum))
(rowSums(toushi)) # 行求和
(colSums(toushi)) # 列求和
toushi <- rbind(toushi,rowSums(toushi)) #将行求和结果并入最后一行
toushi <- cbind(toushi,colSums(toushi)) #将列求和结果并入最后一列
1.2 中位数和众数
对于偏度极大的数据集，中位数能更好的描述数据分布的中心。
很少用众数作为数据数据趋势的度量，只有当对y出现的相对频率感兴趣时，才会考虑到众数。
R实现中位数 ：
median(x, na.rm = FALSE)
R中没有直接插找众数的命令
which.max(table(x))
2.变异的度量 ： 极差 方差 标准差
2.1 .极差 = max（）- min（）
2.2 方差和标准差
对一个有n个测量值的有限总体来说，方差计算公式的分母为n。关于样本方差和总体方差分母的差异原因，可自行百度搜索。
R语言计算方差的函数： var(x,)
w<-c(75.0,64.0,47.4,66.9,62.2,62.2,58.7,63,5,66.6,64.0,57.0,69.0,56.9,50.0,72.0)
var(w)
# 附加指数点：标准差的两个有用法则：经验法则 和 切比雪夫法则，共同说明一个问题，对于任意大于1的正数k，至少有（1-1/k^2）的测试值落在平均值的k个标准值范围内。
3.变异的度量 ： 百分位数 Z得分
3.1 .最常见的四分位数（一般从大到小）
quantile(x, probs = seq(0, 1, 0.25), na.rm = FALSE,names = TRUE, type = 7, ...)
如果是统计整个矩阵,比如y那么直接table(y)
>y
[,1] [,2] [,3]
[1,]123
[2,]222
[3,]321
>table(y)
y
1 2 3
2 5 2
所以如果统计所有列，那就自己写个循环吧
for(i in 1:ncol(y)){
table(y[,i])
}
