bibliometrix的有偿提问（问题第三次修改，并附上了报错代码，请指导）

用的bibliometrix包做文献计量学研究，目前的问题是：1.做共词分析的时候固定的词组都被分割成独立的单词（如life satisfaction这个词组被分割成了life 和satisfaction两个），请问该如何解决？2.如何合并（如单复数）、删除（无意义的单词）术语词？有偿提问，恳请各位的帮助，谢谢！
问题已解决

将原始矩阵中的列重命名

ibliometrix 包主要支持4种数据库：SCOPUS， Web of Science，Cochrane Database of Systematic Reviews(CDSR) 和RISmed PubMed/MedLine。
功能：
Bibliometrix能够转换上述4种数据库下载数据的格式，使其能够在R环境中被运用。Bibliometrix包括2大系列功能，基本包括了文献计量学所涉及的分析技术：1）文献计量学基础分析和分析指标的提取；2）文献相关的概念、知识和社会结构的挖掘

R语言可惜语法太难

非常建议使用自然语言处理

不行的话可以考虑深度学习方法，用自然语言处理来解决

之前好像学过R，但学的比较简单。这个的话还真不能直接回答你的问题，离R距离有点远了，哈哈哈哈哈哈
但是你可你看看网上相关的教程肯定能解决的。类似于https://zhuanlan.zhihu.com/p/369572069

傻瓜式操作解决bibliometrix包做文献计量学研究

synonyms = synonyms，值换成具体数试试。

【文献计量软件包bibliometrix使用详细讲解 海量文献自动形成摘要 图形化表达文献综述结果】https://minipro.baidu.com/ma/qrcode/parser?app_key=pKACmZ92p00QB5DYMttIugOmmI1XQBhG&launchid=d711449c-0b3c-4c1c-bbc6-217978b6711c&path=%2Fpages%2Fvideo%2Fvideo%3Favid%3D210113721%26page%3D0%26_swebFromHost%3Dbaiduboxapp

R语言不怎么熟悉，只能帮你找biblioshiny的资料了，看下是否对你有所帮助

菜鸟教程啥都有

一、数据导入与处理

pacman::p_load(bibliometrix, tidyverse, pluralize, do) 
D <- "E:/精鼎统计/savedrecs.txt "
M <- convert2df(D, dbsource = 'wos', format = 'plaintext')
M$DEID <- merge_field(M$DE,M$ID)#合并DE和ID，系列27内容封装成函数，具有简单清洗功能，如去重，复数变单数
m <- M[-which(is.na(M$DEID)),]#去除DEID为空值的行，并赋值给新数据m

二、自定义函数构建
由于我们需要逐步合并，需要多次运行相同的代码。如果一段代码需要重复运行三次及以上，那么我们就可以考虑封装这段代码，使其成为一个函数。
（一）合并函数Synonyms_merge

Synonyms_merge <- function(Terms, synonyms, sep = ';'){
 listTERMS = strsplit(Terms,split= sep)
 synonyms = toupper(synonyms)
 listTERMS = lapply(listTERMS,function(l){
 s = strsplit(synonyms,split=";")
 for (i in 1:length(synonyms)){
 ind = which(l %in% trim(s[[i]]))
 if (length(ind)>0){l[ind] = trim(s[[i]][1])}
 }
 return(l)
 })
 TM = unlist(lapply(listTERMS,function(l){
 l = paste0(l,collapse=";")
 }))
 return(TM)
}

Terms：关键词向量
synonyms: 同/近义词向量，大小写均可
sep: 关键词和同/近义词分隔符

（二）关键词词组转为多个关键词函数Phrases2keywords

Phrases2keywords <- function(Terms, phrases2keywords, sep = ';'){
 listTERMS = strsplit(Terms,split= sep)
 phrases2keywords = toupper(phrases2keywords)
 listTERMS = lapply(listTERMS,function(l){
 l = Replace(l,pattern = phrases2keywords)
 l = unique(l)
 return(l)
 })
 TM = unlist(lapply(listTERMS,function(l){
 l = paste0(l,collapse=";")
 }))
 return(TM)
}

Terms：关键词向量
phrases2keywords：词组转为多个关键词向量，大小写均可
sep: 关键词分隔符

三、特殊的同/近义词合并

所谓特殊的同/近义词即其带有特殊的字符，比如“AND”、“&”、“/”，或者是带有数字等。不同的专业特殊字符可能不一样，这些字符在专业内是有意义的，在清洗当中不能去除。接下来专门针对这些关键词进行处理。

m$DEID <- gsub("[^[:alnum:][:blank:]\\/\\;\\&]", "", m$DEID) #除字母数字、空格、“/”、“;”、“&”外，去除其他所有字符

除分隔符“;”一定也要保留外，其他符号是否需要保留，根据专业或需要确定。一般“AND”或“&”可以保留。因为，带有“AND”或“&”符号的关键词词组可能是多个关键词的组合，需要分开。接下来探索将带有“AND”的关键词分开。

DEID[grep(' AND ',DEID$Tab),]#查看带有“AND”的词组 
# Tab Freq
# 397 O AND H ISOTOPE 2
# 441 STABLE HYDROGEN AND OXYGEN ISOTOPE 2
# 495 18O 2H AND 3H 1
# 686 DELTA D AND DELTA O 18 1
# 692 DEUTERIUM AND OXYGEN ISOTOPE 1
# 766 EVENT AND PRE EVENT WATER 1
# 851 GROUNDWATER AND SURFACE 1
# 895 HYDROGEN AND OXYGEN 1
# 937 INFILTRATION AND INFLOW 1
# 956 ISOTOPIC AND GEOCHEMICAL TRACER 1
# 959 ISOTOPIC EXCHANGE BETWEEN LIQUID AND ICE 1
# 1009 LOW TECH AND LOW COST 1
# 1282 SNOW AND ICE MELT 1
# 1291 SNOWMELT AND GLACIER MELT DYNAMIC 1
# 1335 STABLE AND RADIOACTIVE ISOTOPE 1
# 1341 STABLE OXYGEN AND HYDROGEN ISOTOPE 1
# 1405 TEMPORAL AND SPATIAL VARIATION 1
# 1498 WATER ISOTOPES AND ELECTRICAL CONDUCTIVITY 1

我们发现“STABLE HYDROGEN AND OXYGEN ISOTOPE”、“O AND H ISOTOPE”、“DELTA D AND DELTAO 18”、“DEUTERIUM AND OXYGEN ISOTOPE”、“STABLE OXYGEN AND HYDROGEN ISOTOPE”词组代表了相同的意思，均是由“DEUTERIUM”和“OXYGEN STABLEISOTOPE”关键词及其同/近义词组成的。因此，我们先要将这些词合并，然后再将其分开成这2个关键词。

synonyms_and <- 'STABLE HYDROGEN AND OXYGEN ISOTOPE;O AND H ISOTOPE;DELTA D AND DELTA O 18;DEUTERIUM AND OXYGEN ISOTOPE;STABLE OXYGEN AND HYDROGEN ISOTOPE'#需要合并的关键词向量
m$DEID <- Synonyms_merge(Terms = m$DEID, synonyms = synonyms_and) #所有的关键词统一转化为第一个“;”之前的关键词，即“STABLE HYDROGEN AND OXYGEN ISOTOPE”

然后将带有“AND”的关键词词组分开成多个关键词。

phrase2words <- c('STABLE HYDROGEN AND OXYGEN ISOTOPE:DEUTERIUM;OXYGEN STABLE ISOTOPE',
 '18O 2H AND 3H:OXYGEN STABLE ISOTOPE;DEUTERIUM;TRITIUM',
 'EVENT AND PRE EVENT WATER:ENENT WATER;PRE EVENT WATER',
 'GROUNDWATER AND SURFACE:GROUNDWATER;SURFACE-WATER',
 'ISOTOPIC AND GEOCHEMICAL TRACER:ISOTOPIC TRACER;GEOCHEMICAL TRACER',
 'LOW TECH AND LOW COST:LOW TECH;LOW COST',
 'SNOW AND ICE MELT:SNOWMELT;ICE MELT',
 'SNOWMELT AND GLACIER MELT DYNAMIC:SNOWMELT;GLACIER MELT',
 'STABLE AND RADIOACTIVE ISOTOPE:STABLE ISOTOPE;RADIOACTIVE ISOTOPE',
 'TEMPORAL AND SPATIAL VARIATION:TEMPORAL VARIATION;SPATIAL VARIATION',
 'WATER ISOTOPES AND ELECTRICAL CONDUCTIVITY:WATER ISOTOPES;ELECTRICAL CONDUCTIVITY'
 ) #构建词组转多个关键词向量

m$DEID <- Phrases2keywords(Terms = m$DEID, phrases2keywords = phrase2words)#“:”前面的关键词转为“:”后面的关键词，即“STABLE HYDROGEN AND OXYGEN ISOTOPE”转变为“DEUTERIUM;OXYGEN STABLE ISOTOPE”。

至此，我们完成了带有“AND”特殊关键词的处理与合并。在此，我们再进一步探索带有数字的特殊关键词的处理。做此类关键词处理时，我们先看数字是否具有特殊意义，有意义的需要根据专业背景知识进行转换，没有意义的或不是专业内主要的或词频较低的关键词均可暂时保留，之后再统一处理。

DEID[grep('\\d',DEID$Tab),]#查看带有数字的关键词
# Tab Freq
# 23 O 18 32
# 25 OXYGEN 18 30
# 53 DELTA O 18 14
# 130 2 COMPONENT 6
# 136 HYDROGEN 2 6
# 178 3 COMPONENT 4
# 186 DELTA H 2 4
# 321 CARBON 13 2
# 356 GLACIER NO 1 2
# 492 1/F 1
# 493 18O 1
# 494 2 AGRICULTURAL HILLSLOPE 1
# 495 2 FORESTED 1
# 496 3 COMPONENT TRACER MODEL 1
# 606 CARBON 14 1
# 648 CO2 OUTGASSING 1
# 684 DELTA18O 1
# 888 HYDROGEN 3 1
# 1090 NO 1 1
# 1106 O 18 ISOTOPE 1
# 1119 OXYGEN 18 COMPOSITION 1
# 1127 PART 2 1
# 1218 RN 222 1
# 1247 SEAWATER SR 87/SR 86 1
# 1258 SF6 1
# 1327 SR 87/SR 86 RATIO 1
# 1376 SURFACE PARAMETERIZATION SIB2 1

带有数字的关键词多数是我们需要的，我们据此构建一个带数字的关键词转换向量。

# Synonyms_number <- c("OXYGEN STABLE ISOTOPE;O 18;OXYGEN 18;DELTA O 18;18O;DELTA18O;O 18 ISOTOPE;OXYGEN 18 COMPOSITION",
# "TWO COMPONET;2 COMPONENT", 
# "DEUTERIUM;HYDROGEN 2;DELTA H 2", 
# "THREE COMPONENT;3 COMPONENT;3 COMPONENT TRACER MODEL", 
# "CARBON STABLE ISOTOPE;CARBON 13", 
# "CARBON FOURTEEN;CARBON 14", 
# "TRITIUM;HYDROGEN 3", 
# "RADON ISOTOPE;RN 222", 
# "SR ISOTOPE;SEAWATER SR 87/SR 86;SR 87/SR 86 RATIO")#数字关键词转换向量
# 
# m$DEID <- Synonyms_merge(Terms = m$DEID,synonyms = Synonyms_number)#所有数字关键词均转换为第一个关键词

如有帮助，请采纳，十分感谢！

https://wenku.baidu.com/view/038e59296f85ec3a87c24028915f804d2b1687b5.html
文献计量分析中CiteSpace，VOSviewer是很好的工具。

Bibliometrix是可以在R中实现文献计量分析，以下是简要的个人实操笔记：

CNKI
1 在CNKI上导出所选文献的Refworks格式文件,重命名为download_*.txt,同时下载所选文献的CNKI-.xls，
2 用citespace将所下载的download_*.txt，转换格式为download_*convert.txt，即WOS导出的plain text，
3 将download*_convert.txt作为WOS 中的plain text格式，导入biblioshiny中，中文会出现空格或无显示，
4 在biblioshiny中将这个内容不完整的文件导出为Bibliometrix-Export-File-.xls，
5 把导出的xls中字段与从CNKI上下载的xls字段进行匹配,补充Bibliometrix-Export-File-.xls无中文的内容，
6 补充完整的Bibliometrix-Export-File-.xls,作为bibliometrix格式文件，导入biblioshiny分析。

WOS
因WOS现在无法导出keywords，所以分析时选择Abstract。
---------------上图文献-----