如何在两个人 A 和 B 之间的对话中仅提取人 A 的陈述答案

【问题标题】：How to extract only person A's statements in a conversation between two persons A and B如何在两个人 A 和 B 之间的对话中仅提取人 A 的陈述
【发布时间】：2023-03-28 02:12:01
【问题描述】：

我有任意两个人 A 和 B 之间的对话记录。

c1 <- "Person A: blabla...something Person B: blabla something else Person A: OK blabla"
c2 <- "Person A: again blabla Person B: blabla something else Person A: thanks blabla"

数据框如下所示：

df <- data.frame(id = rbind(123, 345), conversation = rbind(c1, c2))

df

    id                                                                     conversation
c1 123 Person A: blabla...something Person B: blabla something else Person A: OK blabla
c2 345   Person A: again blabla Person B: blabla something else Person A: thanks blabla

现在我想只提取人 A 的部分并将其放入数据框中。结果应该是：

   id                     person_A
1 123 blabla...something OK blabla
2 345   again blabla thanks blabla

【问题讨论】：

这些人真的叫“Person_”还是更像“Greg Smith”？有名字和姓氏吗？
实际上，我有一个呼叫中心代理和客户之间的对话记录。没有真实姓名。 A 始终是 AGENT，B 始终是 CUSTOMER。在大多数但不是所有情况下，客户都会开始对话。

标签： regex r dataframe text-mining text-extraction

【解决方案1】：

它可能不适用于您的所有情况。尤其是对话是从Person B开始的。让我知道是否是这种情况。别的试试

df$person_A <- gsub("Person B.*:|Person A:", "", df$conversation)
df <- data.frame(df$id, df$person_A)

【讨论】：

【解决方案2】：

使用stringr 包

首先我们使用“Person A:”作为分隔符分割字符串

library(stringr)
conv.split <- str_split(df$conversation, "Person A: ")

这将为我们提供由 A 发起的所有对话，并附上 B 的（可选）答案

我们现在删除 B 的答案

conv.split <- lapply(conv.split, function(x){str_split(x, "Person B:.*")})

最后我们取消列出每个元素并将其折叠成一个字符串

sapply(conv.split, function(x){x <- unlist(x); paste(x, collapse = "")})

结果：

[1] "blabla...something OK blabla" "again blabla thanks blabla"

也适用于 B 开始对话的情况，前提是两人中只有一个在说话，并且也适用于长时间的对话。

【讨论】：

【解决方案3】：

这是我的尝试，我还添加了由人 B 发起的第二次对话和同样由人 B 结束的对话，只是为了涵盖这些情况：

c1 <- "Person A: blabla...something Person B: blabla something else Person A: OK blabla"
c2 <- "Person A: again blabla Person B: blabla something else Person A: thanks blabla"
c3 <- "Person A: again blabla Person B: blabla something else"
df <- data.frame(id = rbind(123, 345, 567), conversation = rbind(c1, c2, c3))


df$PersonA <- gsub("(Person A: |Person B: .+? (?<= Person A: )|Person B: .+?\\Z)", "", df$conversation, perl = TRUE)
df$PersonA

我正在使用 gsub 做的是删除：

A 人：
B 人的句子后面跟着 A 的句子
对话结束时B的句子\Z

我使用了perl = TRUE，因为生命太短了，不能不使用后视镜……嗯……后视镜。

【讨论】：

【解决方案4】：

我非常喜欢以一种让您可以访问所有数据（也包括人 B 的话语）的方式来解决这类问题。我喜欢 tidyr 的 extract 进行这种列拆分。我曾经使用do.call(rbind, strsplit())) 方法，但喜欢extract 方法的干净程度。

c1 <- "Person A: blabla...something Person B: blabla something else Person A: OK blabla"
c2 <- "Person A: again blabla Person B: blabla something else Person A: thanks blabla"
c3 <- "Person A: again blabla Person B: blabla something else"
df <- data.frame(id = rbind(123, 345, 567), conversation = rbind(c1, c2, c3))


if (!require("pacman")) install.packages("pacman")
pacman::p_load(dplyr, tidyr)

conv <- strsplit(as.character(df[["conversation"]]), "\\s+(?=Person\\s)", perl=TRUE)

df2 <- df[rep(1:nrow(df), sapply(conv, length)), ,drop=FALSE]
rownames(df2) <- NULL
df2[["conversation"]] <- unlist(conv)

df2 %>%
    extract(conversation, c("Person", "Conversation"), "([^:]+):\\s+(.+)")

##    id   Person          Conversation
## 1 123 Person A    blabla...something
## 2 123 Person B blabla something else
## 3 123 Person A             OK blabla
## 4 345 Person A          again blabla
## 5 345 Person B blabla something else
## 6 345 Person A         thanks blabla
## 7 567 Person A          again blabla
## 8 567 Person B blabla something else


df2 %>%
    extract(conversation, c("Person", "Conversation"), "([^:]+):\\s+(.+)") %>%
    filter(Person == "Person A")    

##    id   Person       Conversation
## 1 123 Person A blabla...something
## 2 123 Person A          OK blabla
## 3 345 Person A       again blabla
## 4 345 Person A      thanks blabla
## 5 567 Person A       again blabla

或者在你想要的输出中折叠它们：

df2 %>%
    extract(conversation, c("Person", "Conversation"), "([^:]+):\\s+(.+)") %>%
    filter(Person == "Person A") %>%
    group_by(id) %>%
    select(-Person) %>%
    summarise(Person_A =paste(Conversation, collapse=" "))

##    id                     Person_A
## 1 123 blabla...something OK blabla
## 2 345   again blabla thanks blabla
## 3 567                 again blabla

编辑：实际上，我怀疑您的数据具有真实姓名，例如“john Smith”与“Person A”。如果是这种情况，此初始正则表达式拆分将捕获使用大写字母后跟冒号的名字和姓氏：

c1 <- "Greg Smith: blabla...something Sue Williams: blabla something else Greg Smith: OK blabla"
c2 <- "Greg Smith: again blabla Sue Williams: blabla something else Greg Smith: thanks blabla"
c3 <- "Greg Smith: again blabla Sue Williams: blabla something else"
df <- data.frame(id = rbind(123, 345, 567), conversation = rbind(c1, c2, c3))r


conv <- strsplit(as.character(df[["conversation"]]), "\\s+(?=([A-Z][a-z]+\\s+[A-Z][a-z]+:))", perl=TRUE)

df2 <- df[rep(1:nrow(df), sapply(conv, length)), ,drop=FALSE]
rownames(df2) <- NULL
df2[["conversation"]] <- unlist(conv)

df2 %>%
    extract(conversation, c("Person", "Conversation"), "([^:]+):\\s+(.+)")

##    id       Person          Conversation
## 1 123   Greg Smith    blabla...something
## 2 123 Sue Williams blabla something else
## 3 123   Greg Smith             OK blabla
## 4 345   Greg Smith          again blabla
## 5 345 Sue Williams blabla something else
## 6 345   Greg Smith         thanks blabla
## 7 567   Greg Smith          again blabla
## 8 567 Sue Williams blabla something else

【讨论】：

我知道有一种 splitstackshape 方式，但 @AnandaMahto 帮助失败了？？

【解决方案5】：

使用基础 R 中的data.table andgsub`：

require(data.table)
setDT(df)[, Person_A := gsub(".*Person A:[ ]*(.*)[ ]*Person B.*:[ ]*(.*)$", 
                         "\\1\\2", conversation)][, conversation := NULL]
df
#     id                       Person_A
# 1: 123 blabla...something OK blabla
# 2: 345   again blabla thanks blabla

【讨论】：