使用正则表达式组合R中的单词答案

【问题标题】：using regular expression to combine words in R使用正则表达式组合R中的单词
【发布时间】：2016-10-31 14:07:13
【问题描述】：

我有非结构化文本，我想组合一些单词，以便为我的文本挖掘任务保留概念。例如，在下面的字符串中，我想将“High pressure”更改为“High_pressure”，将“not working”更改为“not_working”，将“No air”更改为“No_air”。

示例文字

c(" High pressure was the main problem in the machine","the system is not working right now","No air in the system")

单词列表

c('low', 'high', 'no', 'not')

期望的输出

# [1] " High_pressure was the main problem in the machine"
# [2] "the system is not_working right now"               
# [3] "No_air in the system"

【问题讨论】：

您是否有包含所有前缀（高、否、非等）的详尽列表？
（低、高、不、不）
你应该使用二元组和三元组，而不是组合单词。
@vagabond 我是 tri-gram 分析的忠实粉丝，但它可能不适合这里的用例。具体来说，似乎 OP 试图捕捉对其分析而言特别的概念配对，而不是所有单词组合。

标签： r regex

【解决方案1】：

首先，保存文本输入和要连接的修改词列表：

textIn <- 
  c(" High pressure was the main problem in the machine","the system is not working right now","No air in the system")

prefix <- c("high", "low", "no", "not")

然后，构建一个正则表达式来捕获这些单词后跟一个空格。请注意，我使用\b 以确保我们不会意外地将它们捕获为单词的结尾，例如“慢”

gsub(
  paste0("\\b(", paste(prefix, collapse = "|"),") ")
  , "\\1_", textIn, ignore.case = TRUE
)

[1] " High_pressure was the main problem in the machine"
[2] "the system is not_working right now"          
[3] "No_air in the system"

【讨论】：