当你用前面提到的工具对你的数据做了预处理和一些基本的文本分析之后，你可能会想用你的数据集来拓宽你的文本挖掘技术。因为文本挖掘技术真的有很多很多，而你现在只看到了冰山之一角。首先，你应该想着去探索一下文本挖掘和自然语言处理（Natural Language Processing, NLP）之间有什么不同。R中的许多NLP库可以在这里找到：https://www.rdocumentation.org/taskviews#NaturalLanguageProcessing有了NLP，你会发现命名实体识别（Named Entity Recognition），词性标注与解析（Part-Of-Speech Tagger & Parse），文本情感分析…等等技术。对于Python，你可以用nltk包。完整的nltk文本情感分析手册可以在这里找到：

　　除了这些包，你可以在深度学习和主题模型（比如隐含狄利克雷分布LDA）等方法中找到更多工具。下面列出了一些你可以使用的包：Python包[赵文2] ：词嵌入模型（word2vec）可以用gensim包，还有GloVe包。如果想要更深入了解深度学习，你该看看theano包。最后，如果你想用LDA，可以用gensim包。R语言包：词嵌入可以用text2vec。如果你对文本情感分析感兴趣，可以用syuzhet加tm。topicmodels非常适合主题模型。这些包，还远不能囊括所有。因为文本挖掘是个大热门，近年的成果还有许多等待你去发现，而且它还会继续热下去，比如用于多媒体挖掘，多语言文本挖掘等等。

　　8.不只是单词 — 可视化你的结果

　　别忘了传达你的分析结果！

　　视觉呈现会更吸引人。你的可视化就是你要讲的故事。所以别迟疑，把你分析的结果或者关系可视化出来吧。Python和R都有专门的软件包来帮你做这件事。用这些专门的数据可视化库来呈现你的结果吧：对于Python，你可以用NetworkX来可视化复杂的网络。不过matplotlib在可视化其它数据时也很方便。还有plotly，也很方便，可以在线制作交互式、达到出版质量的图片。对于那些数据可视化的热情粉丝们的一点建议：试着把Python和Java的D3库联系起来，后者可以进行动态的数据操控和可视化，让你观众成为数据可视化过程里的活跃参与者。

　　对于R语言，除了这些你已经知道的库，比如总是很好用的ggplot2，你还可以用igraph库来分析社交网站上关注、被关注和转发之间的关系。你还想要更多？试着查看一下plotly和networkD3库，来把R和Java或LDAvis库链接到交互式可视化模型中去。 用DataCamp来开始你的文本挖掘之旅吧 ！

　　原文链接：https://www.datacamp.com/community/blog/text-mining-in-r-and-python-tips#gs.AwiKxRk