Grepl 字符串组和所有使用 R 的计数频率答案

【问题标题】：Grepl group of strings and count frequency of all using RGrepl 字符串组和所有使用 R 的计数频率
【发布时间】：2021-02-06 04:06:01
【问题描述】：

我有一列来自 csv 文件的名为 text 的 50k 行推文（推文由句子、短语等组成）。我正在尝试计算该列中几个单词的频率。有没有比我在下面做的更简单的方法？

# Reading my file
tweets <- read.csv('coffee.csv', header=TRUE)


# Doing a grepl per word (This is hard because I need to look for many words one by one)
coffee    <- grepl("coffee", text$tweets, ignore.case=TRUE)
mugs    <- grepl("mugs", text$tweets, ignore.case=TRUE)


# Calculate the % of times among all tweets (This is hard because I need to calculate one by one)

sum(coffee) / nrow(text)
sum(starbucks) / nrow(text)

预期输出（假设我有超过 2 个单词）

Word   Freq
coffee  50
mugs    40
cup     64
pen     12

【问题讨论】：

标签： r count grepl

【解决方案1】：

您可以创建要计算频率/百分比的单词向量，并使用sapply 来计算它们。

words <- c('coffee', 'mugs')

data.frame(words, t(sapply(paste0('\\b', words, '\\b'), function(x) {
  tmp <- grepl(x, tweets$text)
  c(perc = mean(tmp) * 100, 
    Freq = sum(tmp))
})), row.names = NULL) -> result
result

#   words     perc Freq
#1 coffee 33.33333    1
#2   mugs 66.66667    2

sapply 类似于for 循环，因为它遍历words 中定义的每个单词。 grepl 返回 TRUE/FALSE 值，指示该单词是否存在于存储在 tmp 中的 tweets$text 中。计算频率我们使用sum，百分比我们使用mean。还为单词添加了单词边界（\\b），以便它们在text 中完全匹配，因此'coffee' 与'coffees' 等不匹配。

数据

tweets <- data.frame(text = c('This is text with coffee in it with lot of mugs', 
                              'This has only mugs', 
                              'This has nothing'))

【讨论】：

嗨罗纳克！至于获取数据，我有 50k 条推文，我认为将它放在向量 c 中是行不通的。如何从 Tweets.csv 导入它？（列名：文本）
您不必将数据一一放入向量中。您已经拥有数据tweets <- read.csv('coffee.csv', header=TRUE)。您需要将要计算频率的单词放入向量中。 words <- c('coffee', 'mugs', 'cup', 'pen')
谢谢你的作品！你能解释一下 data.frame 中的代码行吗？比如 sapply 的作用和 tmp 是什么？
我在答案中添加了一些代码解释。希望对您有所帮助。
抱歉最后一个问题，如果我有喜欢 2 个单词但我想将它们算作一个喜欢：“冰咖啡”怎么办？我必须制作一个 gsub 吗？