目次
HanDicをRとRMeCabで利用する
はじめに
ここではHanDicをオープンソースの統計解析システムRおよびRMeCabパッケージで利用する方法について紹介します．
用いた環境はMacOSX(10.8.5)，MeCab(0.996)，R(3.2.2)，RMeCab(RMeCab_0.99991)です．解析用辞書にはHanDic(0.1)を用いました．Windowsでは動作確認をしていません．Windowsの場合，R Consoleでは文字化けが起こりますが，CSVなどにエクスポートすれば内容を確認することができるようです．
なお，グラフ描画の際にハングルが文字化けしないよう，Un Fontsを利用することを前提としています．
注意
このページはHanDicをRMeCabで利用する，という点に主眼を置いて書かれたものです．筆者が統計解析やRに習熟しているわけではありませんので，解析の内容自体に意味がなかったり，誤りがあったりするかもしれないことをお断りしておきます．
また，HanDicによる形態素解析が誤っている可能性もありますので，その点ご承知おきください．
準備
mecabrcに辞書の場所を記述する
MeCabで形態素解析に用いる辞書の場所を指定します．辞書を設定ファイルで指定するで説明したように，ホームディレクトリの.mecabrcに以下の内容を記述します．
dicdir = ~/dicdir/handic
上の例ではホームディレクトリの下にあるdicdir/handicというディレクトリにある辞書を指定しています．MeCab実行時に-dオプションで辞書の場所を指定する，といった方法をとることができませんので，前もって場所を指定しておきます．
RMeCabの実行時に辞書の場所を指定する
.mecabrcに辞書の場所を記述すると，解析の際に常にその辞書が用いられることになります．RMeCabを実行する際に直接辞書の場所を指定する場合は，.mecabrc以外のファイルに上記の内容を書いておき，実行時にmecabrcを指定します．例えばdot.mecabrcというファイルに辞書の場所が記述してある場合は，Rコンソールで以下を実行します．
> library("RMeCab") > res<-RMeCabFreq("target.txt", mecabrc="~/dot.mecabrc")
Rで必要なパッケージをインストールする
Rコンソールで，RMeCabとqgraphパッケージをインストールしておきます．
# RMeCabのインストール > install.packages ("RMeCab", repos = "http://rmecab.jp/R") # ライブラリのロードに失敗する場合は以下でインストール > install.packages ("RMeCab", repos = "http://rmecab.jp/R", type = "source") # igraphのインストール > install.packages("igraph") # qgraphのインストール > install.packages("qgraph")
MacOSのMountain Lion(10.8.5)ではRMeCabのロードがうまくいかず，install - rmecabを参考にしてソースからインストールしました．
また，ここではネットワーク図の作成に際し，図の描画にはqgraphパッケージ（CRAN，作者）とigraphパッケージ（配布元）を用いています．
解析するデータを準備する
HanDicを使って解析をするために，あらかじめ解析対象のテキストを字母に分解し，ファイルに保存しておきます．ここでは朴槿恵大統領と李明博前大統領の就任式スピーチをそれぞれjamo_18_ParkGH.txt，jamo_17_LeeMB.txtとして保存したものを利用します．データは대통령기록연구실，경향신문の記事から取得し，1行1文に修正しました．
字母に分解する際にはPerlスクリプトk2jamo.pl（ここで公開しています）を使っています．
perl k2jamo.pl 18_ParkGH.txt > jamo_18_ParkGH.txt
上記の手順，あるいは他の方法でも構いませんが，前もって字母に分解したテキストを準備しておきましょう．いくつかのテキストをホームディレクトリ下のjamo_txtというディレクトリに保存しておくと仮定して，以下のセクションに進みます．
RMeCabで解析する
RMeCabの機能については，配布元ホームページの機能説明部分などをご覧ください．以下ではいくつかの例だけ，簡単に取り上げます．
頻度のカウント
RMeCabFreq()関数で李明博前大統領のスピーチを分析してみます．
# パッケージのロード > library(RMeCab) # テキストの格納 > targetText<-"jamo_17_LeeMB.txt" # 頻度のカウント > leemb<-RMeCabFreq(targetText) file = ./jamo_17_LeeMB.txt length = 1147 # 結果（一部） > head(leemb) Term Info1 Info2 Freq 1 걸맞 Adjective 自立 1 2 고통스럽 Adjective 自立 1 3 그래 Adjective 自立 4 4 그렇 Adjective 自立 4 5 넓으 Adjective 自立 1 6 눈물겹 Adjective 自立 1 # 頻度の降順でソート > leemb_sort<-leemb[order(leemb$Freq, decreasing=TRUE),] > head(leemb_sort) Term Info1 Info2 Freq 922 . Symbol ピリオド 234 134 ㅂ니다 Ending 語尾 139 122 을 Ending 助詞 134 123 의 Ending 助詞 125 897 하 Suffix 動詞派生 104 162 습니다 Ending 語尾 91 # 名詞のみ抜き出す > head(leemb_sort[grep("Noun", leemb_sort$Info1),]) Term Info1 Info2 Freq 360 국민 Noun 普通 30 196 우리 Noun 代名詞 26 218 수 Noun 依存名詞 23 522 사회 Noun 普通 22 205 것 Noun 依存名詞 21 398 나라 Noun 普通 21 # 動詞のみ抜き出す > head(leemb_sort[grep("Verb", leemb_sort$Info1),]) Term Info1 Info2 Freq 1146 하 Verb 非自立 77 1142 있 Verb 非自立 14 994 되 Verb 自立 11 1120 하 Verb 自立 9 960 나서 Verb 自立 8 1078 위해 Verb 自立 8
最後に示した動詞の例で分かるように，活用形ごとに集計されています．石田基広・小林雄一郎(2013:64)では「活用語は基本形に変換されます」としているので，日本語の場合には基本形ごとに集計されるものと思われます．素性の順序の違いなどが関わっているのかもしれません．.mecabrcでMeCabの出力形式を変更すればうまくいくのでしょうか．現在のところ，解決できていません．
Windows版のRでは文字化けが起こって結果を確認できませんが，CSVなどに書き出せば問題ありませんでした（確認済み）．
N-gramの抽出
上記に引き続き，李明博前大統領のスピーチを対象として，N-gramを抽出してみます．
# Ngram()関数で文字単位のbigramを抽出 > ngram<-Ngram(targetText) file = ./jamo_17_LeeMB.txt Ngram = 2 length = 787 # 結果の先頭部分 > head(ngram) Ngram Freq 1 [!-7] 1 2 [!-ᄀ] 1 3 [!-ᄁ] 1 4 [!-ᄂ] 1 5 [!-ᄃ] 1 6 [!-ᄉ] 1 # 結果の末尾部分 > tail(ngram) Ngram Freq 782 [’-ᄋ] 3 783 [ㆍ-ᄀ] 3 784 [ㆍ-ᄉ] 1 785 [ㆍ-ᄌ] 1 786 [使-)] 1 787 [勞-)] 1 # 形態素単位で名詞と助詞・語尾のtrigramを抽出 > ngram<-Ngram(targetText, type=1, N=3, pos=c("Noun", "Ending")) file = ./jamo_17_LeeMB.txt Ngram = 3 length = 2738 # 結果の先頭部分 > head(ngram) Ngram Freq 1 [ODA-를-확대] 1 2 [PKO-에-적극] 1 3 [UN-평화-유지] 1 4 [브코프-러시아-연방] 1 5 [츠-산업-의] 1 6 [프-우즈베키스탄-대통령] 1 # 結果を頻度の降順でソート > ngram<-ngram[order(ngram[,2], decreasing=TRUE),] # その結果（一部） > head(ngram) Ngram Freq 93 [ㄹ-것-ㅂ니다] 12 891 [는-국민-여러분] 11 2134 [을-야-ㅂ니다] 9 2496 [존경-는-국민] 9 103 [ㄹ-수-는] 6 1195 [를-야-ㅂ니다] 6
「…を（-를/을）〜しなければなりません（-아야/어야 합니다）」という表現が合わせて15回，高い頻度で使われているようです（2134と1195）．
頻度のカウントと同じく，Windows版のRでは文字化けが起こって結果を確認できませんが，CSVなどに書き出せば問題ありませんでした（確認済み）．
ネットワーク分析
以下ではigraphとqgraphを利用した例を取り上げます．
解析部分
RMeCabで名詞（Noun）の単語bigramとその頻度を取得します．
# パッケージのロード > library(RMeCab) # テキストの格納 > targetText<-"jamo_18_ParkGH.txt" # 名詞のbigramを取得 > res<-NgramDF(targetText, type=1, N=2, pos="Noun") # 頻度の降順でソート > res<-res[order(res[,3], decreasing=TRUE),] # 頻度2以上のbigramを対象にデータを作成 > PlotData<-subset(res, res[,3]>1)
igraph
igraphでグラフを作成しますが，plot()ではハングルが表示できませんでした．そのためtkplot()で描画します．なお，XQuartz（参照）およびtcltk2パッケージが必要です．
# パッケージのロード > library("igraph") > library("tcltk2") # PlotDataをグラフオブジェクトに格納 > g<-graph.data.frame(PlotData) # tkplot()で描画 > tkplot(g, vertex.label=V(g)$name, layout=layout.fruchterman.reingold, vertex.size=1)
結果は以下の通り．
画面ではうまく表示されますが，PostScriptでエクスポートする際にハングルが文字化けします．また別の設定が必要かもしれません．
qgraph
qgraphではQuartzでハングルを表示させることができました．前もってフォントファミリーを作成し，描画の際にファミリーを指定する必要があります．以下ではUn DotumフォントとUn Graphicフォントを指定していますが，他のフォントでも大丈夫だろうと思います．
# グラフ表示用のフォントファミリー「UnDotum」を作成 quartzFonts( UnDotum = c("UnDotum", "UnDotum-Bold", "UnGraphic", "UnGraphic-Bold")) # パッケージのロード > library(qgraph) # フォントファミリーを設定 par(family="UnDotum") # 描画 qgraph(PlotData, layout="spring")
結果は以下の通り．
「콘텐츠（コンテンツ）」がうまく分析されず，「콘」と「테」に分離されてしまっています．なお，結果はPDFに保存することができます．フォントは全て埋め込まれます．
ちなみに李明博前大統領の例は以下の通り．
登場する語とそのつながりにかなり違いがあることが分かります．
なお，qgraphパッケージを利用した方法はWindows版Rでも試してみました（quartzFonts()関数ではなくwindowsFonts()関数を用いる）が，やはり文字化けしました．
参考文献・リンク
このページの作成にあたって，以下の書籍やウェブサイトを参考にしました．
- 石田基広(2008)『Rによるテキストマイニング入門』，東京：森北出版株式会社
- 石田基広・小林雄一郎(2013)『Rで学ぶ日本語テキストマイニング』，東京：ひつじ書房
- 金明哲(2009)『テキストデータの統計科学入門』，東京：岩波書店
記述に誤りなどがありましたら，筆者までお知らせください．