Question

我有一个包含字符串的数据框，我想从中删除停用词。我试图避免使用tm包，因为它是一个大型数据集，而tm似乎运行得有点慢。我使用的是tm stopword词典。

library(plyr)
library(tm)

stopWords <- stopwords("en")
class(stopWords)

df1 <- data.frame(id = seq(1,5,1), string1 = NA)
head(df1)
df1$string1[1] <- "This string is a string."
df1$string1[2] <- "This string is a slightly longer string."
df1$string1[3] <- "This string is an even longer string."
df1$string1[4] <- "This string is a slightly shorter string."
df1$string1[5] <- "This string is the longest string of all the other strings."

head(df1)
df1$string1 <- tolower(df1$string1)
str1 <-  strsplit(df1$string1[5], " ")

> !(str1 %in% stopWords)
[1] TRUE

这不是我正在寻找的答案。我正在尝试获取不在stopWords向量中的单词的向量或字符串。

我做错了什么？

Answer 1

您没有正确访问列表，并且您没有从%in%的结果中获取元素（它给出了逻辑向量为TRUE / FALSE）。你应该这样做：

unlist(str1)[!(unlist(str1) %in% stopWords)]

（或）

str1[[1]][!(str1[[1]] %in% stopWords)]

对于整个data.frame df1，您可以执行以下操作：

'%nin%' <- Negate('%in%')
lapply(df1[,2], function(x) {
    t <- unlist(strsplit(x, " "))
    t[t %nin% stopWords]
})

# [[1]]
# [1] "string"  "string."
# 
# [[2]]
# [1] "string"   "slightly" "string." 
# 
# [[3]]
# [1] "string"  "string."
# 
# [[4]]
# [1] "string"   "slightly" "shorter"  "string." 
# 
# [[5]]
# [1] "string"   "string"   "strings."

Answer 2

首先。如果str1是vector：

，您应该取消列出lapply或使用str1

!(unlist(str1) %in% words)
#>  [1]  TRUE  TRUE FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE  TRUE

二。复杂的解决方案：

string <- c("This string is a string.",
            "This string is a slightly longer string.",
            "This string is an even longer string.",
            "This string is a slightly shorter string.",
            "This string is the longest string of all the other strings.")
rm_words <- function(string, words) {
    stopifnot(is.character(string), is.character(words))
    spltted <- strsplit(string, " ", fixed = TRUE) # fixed = TRUE for speedup
    vapply(spltted, function(x) paste(x[!tolower(x) %in% words], collapse = " "), character(1))
}
rm_words(string, tm::stopwords("en"))
#> [1] "string string."                  "string slightly longer string."  "string even longer string."     
#> [4] "string slightly shorter string." "string longest string strings."

Answer 3

在我从事类似工作时，遇到了这个问题。

尽管已经回答了这个问题，但我只是想写一个简洁的代码行来解决我的问题-这将有助于直接消除数据框中的所有停用词：

df1$string1 <- unlist(lapply(df1$string1, function(x) {paste(unlist(strsplit(x, " "))[!(unlist(strsplit(x, " ")) %in% stopWords)], collapse=" ")}))

R使用％in％从字符向量中删除停用词

3 个答案: