Question

我们正在为学校开展一个文本挖掘项目，以研究魁北克国民议会中面向环境的演讲所占的比例。我们想提取多年来所有发言人的干预措施清单。

我们的文档都采用这种格式：

Mr. Smith : Blablabla

Mrs. Jones : Blablabla

我想做的是写出最简单的东西，使我能够提取这些干预措施。我在考虑以下问题：

”“每次您看到[****先生：]或[****先生：]时，请提取所有文本，直到您再次看到[****先生：]或[****夫人：]。并且，理想情况下，将所有Smiths先生，Joneses夫人和Williams先生提取在单独的文件中，同时跟踪干预来自哪个文件。 < / p>

我开始写一个非常基本的gsub行，该行允许我用@替换要替换的出现，只是意识到我不想完全替换它们，而只是添加了{{ 1}}的前面，这样可能会更容易编写将@s分隔在不同文件中的内容。

我刚刚开始为这个项目自学R，我需要一些下一步的知识。还是我应该改用其他东西？

Answer 1

如果您不想替换发言人姓名，则可以使用“正向看”，如下所示：

# some example data:
bla <- c("Mr. X : blablabla bla bla bla. Mrs. Y : bla bla blablablab Mr. XY : bla bla balblabla blabl abl" )

# replace with look ahead:
gsub("(?=(Mr.|Mrs.))", "@ ", bla, perl = T)
"@ Mr. X : blablabla bla bla bla. @ Mrs. Y : bla bla blablablab @ Mr. XY : bla bla balblabla blabl abl"

@是提取单个干预的良好起点。可以这样完成：

pattern <- "@.[^@]*" 
matches <- gregexpr(pattern, bla)
interventions <- regmatches(bla, matches)
interventions <- unlist(interventions)
interventions
[1] "@ Mr. X : blablabla bla bla bla. "      "@ Mrs. Y : bla bla blablablab "         "@ Mr. XY : bla bla balblabla blabl abl"

使用R从文本中提取说话人干预？或者是其他东西？

1 个答案: