如何根据R中的一组关键字为字符串分配数字代码答案

【问题标题】：How to assign a numerical code to a string based on a set of keywords in R如何根据R中的一组关键字为字符串分配数字代码
【发布时间】：2020-05-24 13:10:47
【问题描述】：

例如，我有一个数据数组，其中一些文本描述如下：

大泳池房
1层仓库
多个存储池

现在，我想根据子字符串对文本描述进行编码。例如，如果文本中有字符串“pool”，那么我想为整个文本描述分配一个数字代码（例如，101）。

如果文本描述中有多个字符串（例如“存储”和“池”），那么我想为这些描述分配多个代码并连接/粘贴这些代码。例如，在描述的情况下 - “多个存储池”，我会将代码（例如，102）分配给存储，将 101 分配给池。所以，结果应该是 (102, 101)。

谁能为此推荐一个 R 算法？

【问题讨论】：

在 R 的 keras 包中，有一个 text_tokenizer 函数，它可以适合文本体以生成某些标记（通常是单词）的数字表示。然后，您可以使用 texts_to_sequences 生成您提到的数字序列。示例见此处：jjallaire.github.io/deep-learning-with-r-notebooks/notebooks/…
Soundex?例如，参见?stringdist::stringdist。但这很大程度上是基于意见的，是投票结束的理由。（我还没有，至少现在还没有）你能展示你尝试过的东西吗？
@Valeri Voev, @ Rui Barradas -- 非常感谢

标签： r string multidimensional-array text

【解决方案1】：

数据

data <- c("Big Pool House", "1 Store Warehouse", "Multiple Storage Pool")

首先定义要在数据中搜索的关键字和对应的代码

tags <- c("Storage", "Pool", "Warehouse")
ids <- c(102, 101, 103)

然后使用

lapply(data, function(x) ids[which(sapply(tags, function(y) grepl(y, x)))])
[[1]]
[1] 101

[[2]]
[1] 103

[[3]]
[1] 102 101

编辑 1 考虑到 @Valeri Voev 对 grepl 中的论点 ignore.case 的评论。

默认情况下，函数 grepl 区分大小写。如果在数据中，有时您有一个小写的关键字，有时是大写的，请使用参数ignore.case 和值TRUE，以便函数忽略大小写。

例如，如果数据中包含大小写格式的单词“pool”

data <- c("Big Pool House", "1 Store Warehouse", "Multiple Storage pool")

使用

lapply(data, function(x) {
  ids[which(sapply(tags, function(y) grepl(y, x, ignore.case = TRUE)))]
})

如果您离开ignore.case = FALSE（默认），grepl 将不会检测到“池”在最后一个元素中，并且不会为其分配代码 101。

编辑 2 以 OP 的两个额外要求来补充答案，但在问题中未说明，但在评论中。

要使用逗号分隔代码，您可以使用函数paste 和collapse = ','。
要使其成为数据框，最好使用sapply 而不是lapply，以便将输出作为字符向量而不是列表。

全部加起来就是

codes <- unname(sapply(data, function(x) {
  paste(ids[which(sapply(tags, function(y) grepl(y, x)))], collapse = ",")
}))
data.frame(Data = data, Codes = codes)
                   Data   Codes
1        Big Pool House     101
2     1 Store Warehouse     103
3 Multiple Storage Pool 102,101

【讨论】：

grepl 有一个 ignore.case 参数，可以将其设置为 TRUE 以覆盖区分大小写。
好的...输出如我所愿。是否可以通过逗号 (",") 分隔值连接/粘贴数字并使其成为数据框。
查看编辑 2。