Question

我正在进行情感分析，并希望所有否定词都以否定词（例如“ did n't”）开头。使用%in%可以与简单的字符串配合使用，但对于包含特殊字符（例如撇号）的字符串，则不适用于我的文本。

文字中的字母：

> head(sup4_bigrams_count,3)
# A tibble: 3 x 3
  word1      word2      n
  <chr>      <chr>  <int>
1 parent’s   day        8
2 mother’s   day        7
3 bachelor’s degree     6

> sup4_bigrams_count$word1 %>% unique  
 ......
 [61] "daily"          "day"            "de"             "define"        
 [65] "depth"          "developed"      "didn’t"         "differentiated"
 [69] "difunctioning"  "diploma"        "doesn’t"        "don’t"

我有兴趣获得以“ did n't”，“ dosn't”和“ do n't”开头的二元组。但是请注意，这些单词是’而不是'，所以我直接从文本中复制了这些单词。对于“不”和“不”也类似。可以，但是一次只映射一个单词。

> sup4_bigrams_count %>% filter(str_detect(word1,"didn’t"))
# A tibble: 3 x 3
  word1  word2     n
  <chr>  <chr> <int>
1 didn’t argue     1
2 didn’t miss      1
3 didn’t shame     1

但是使用％in％根本不起作用。

negate_words <- c("didn’t","doesn’t","don’t")

> sup4_bigrams_count %>% filter(word1 %in% negate_words)
# A tibble: 0 x 3
# ... with 3 variables: word1 <chr>, word2 <chr>, n <int>

但是，如果我使用这些词来创建另一个数据框，则％in％可以正常工作。

a <- data_frame(word=c("didn’t","doesn’t","don’t"),ind=1:3)
n <- c("didn’t","doesn’t")

> a %>% filter(word %in% n)
# A tibble: 2 x 2
  word      ind
  <chr>   <int>
1 didn’t      1
2 doesn’t     2

我只能做的是str_detect过滤三次并rbind一起过滤，但是这很麻烦，而且如果我的否定词列表很长，也不会很容易。希望有人可以帮忙。

Answer 1

您可以构建一个“或”正则表达式来一次搜索所有否定词。

library(stringr)

negate_words <- c("didn’t","doesn’t","don’t")

strings <-  c("daily",  "day", "de", "define",
              "depth", "developed", "didn’t", "differentiated",
              "difunctioning", "diploma", "doesn’t", "don’t")

str_detect(strings, "didn’t")
# FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE

pattern <- paste0("(", paste(negate_words, collapse="|"), ")")
pattern
# "(didn’t|doesn’t|don’t)"

str_detect(strings, pattern)
# FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE  TRUE  TRUE

str_detect有效时，使用％in％进行的字符串搜索（包含特殊字符）不起作用

1 个答案: