替换 R 中测量单位的特定缩写

Question

我有一个数据集（文本语料库），正在为主题建模而工作。 在数据集中，计量单位或货币的拼写或缩写不同。例如，250m 代表 250 米，12cm 代表 12 厘米，10 欧元代表 10 欧元。由于与分析是否有人写英寸、厘米、米或英里无关，我想采用这些缩写并将它们全部替换为一个单词，例如单词“distanceunit”。

不幸的是，文本语料库中没有使用统一的缩写，因为我正在分析用户生成的内容数据。因此，我不确定如何编写代码，允许 R 用一个指定的单词替换这些单位（测量单位或货币）（“距离单位”表示米、英寸等，“货币”表示所有货币）。

我考虑过使用 gsub 来转换它们。但是，需要考虑不同的书写和间距，例如“250m”与“250m”与“250m”。与“250m”相比。

一旦我定义了我想要替换的所有测量单位，有没有办法编写一个 gsub 函数来解释上述不同的编写方法？是否有任何 R 软件包可以帮助解决该问题？

谢谢！

Answer 1

t <- c("250m foo", "250 m foo", "250 m. foo", "250m. foo", "300 Apples", "1963 May")

我试图找到一个限制性的正则表达式来避免误报。不知道你的结果会有多糟糕......

建议的正则表达式查找以下模式：wordboundary (\\b)、一个或多个数字 ([0-9]+)、后跟一个可选空格 ([ ]?)、一个或多个字母 m 和/或 M ( [mM]+) 和一个单词边界，后跟一个可选句点 (\\b[.]?)。

然后将带有数字的组重新插入替换参数（"\\1 distanceunit" 中的 \\1）

gsub("(\\b[0-9]+)[ ]?[mM]+\\b[.]?", "\\1 distanceunit", t)

返回：

> "250 distanceunit foo" "250 distanceunit foo" "250 distanceunit foo" "250 distanceunit foo" "300 Apples"           "1963 May"