Question

我分析了文本中的一些品牌，以找出KPI之类的广告识别。但是，到目前为止，包含特殊字符的品牌已被我的代码破坏。

library(qdap)
library(stringr)
test <- c("H&M", "C&A", "Zalando", "Zalando", "Amazon", "Sportscheck")

wfm(test)

这是输出：

            all
a             1
amazon        1
c             1
h             1
m             1
sportscheck   1
zalando       2

是否有一种包装或方法可以证明H＆M获得了h＆m，而不是像它的两个品牌一样获得了“ h”和“ m”？

编辑：wfm函数有一个...自变量，应该允许我使用strip函数。

wfm(test, ... = strip(test, char.keep = "&"))

不幸的是，它不能正常工作。

Answer 1

我对qdap软件包不熟悉，但是也许可以替换成&来解决您的问题

replacement <- "" # set your replacement e.g. "" (empty string) or "_"
test <- gsub("&", replacement, test, fixed = T)

Answer 2

我会说这样的话。在udpipe包中，有一个函数document_term_frequencies，您可以在其中指定拆分，然后将数据转换为具有频率计数的data.frame。如果没有要指定的id列，它将生成一个。 document_term_frequencies的结果对象是data.table。

library(udpipe)

# data.frame without a ID column
my_data <- data.frame(text = c("H&M, C&A, Zalando, Zalando, Amazon, Sportscheck", 
                               "H&M, C&A, Amazon, Sportscheck"),
                      stringsAsFactors = FALSE)

# if you have an ID column add document = my_data$id to the function
# see more examples in ?document_term_frequencies
document_term_frequencies(my_data$text, split = ",")

   doc_id         term freq
1:   doc1          H&M    1
2:   doc1          C&A    1
3:   doc1      Zalando    2
4:   doc1       Amazon    1
5:   doc1  Sportscheck    1
6:   doc2          H&M    1
7:   doc2          C&A    1
8:   doc2       Amazon    1
9:   doc2  Sportscheck    1

将特殊字符保留在词频矩阵中

2 个答案: