添加作为（上下文）文本挖掘操作结果的列答案

【问题标题】：Adding columns that are results of (contextual) text mining operations添加作为（上下文）文本挖掘操作结果的列
【发布时间】：2016-03-31 14:41:25
【问题描述】：

我正在处理带有序数变量的数据集以及带有文本的列。一般来说，我想添加作为文本挖掘练习结果的列，以维护表结构。

例如，我导入了一个CSV文件data-subset.csv，得到了一个名为datacsv的数据框

datacsv=read.csv("data-subset.csv", header=TRUE,sep=";")

第三列tekst 包含文本。我想在“fte”的上下文中搜索该文本中的数字（通常位于 0 和 1 之间）并将这些数字添加为列 fte。见：

>  luid  titel            tekst
>1 47300 docent wiskunde  De Stichting Openbaar Voortgezet Onderwijs 0,65
                          fte voltijd niveau: havo vwo
>2 43701 docent natuurkunde Speciaal onderwijs fulltime 2015 2016 fte 0,77 Haarlem
>3 43702 assistent        basisonderwijs Amsterdam fte 0,5

我已经安装了 tm 和 quanteda 之类的软件包

install.packages("tm", "quantada") library ("tm") library ("quanteda")

没有令人满意的结果，我尝试使用各种kwic语句，例如

datacsv ["fte"]<- kwic(datacsv$"tekst", "fte", 4)

有谁知道如何挖掘文本列并将结果添加为一列（或多列）？

谢谢！

【问题讨论】：

所以它有带数字的字符串，你想提取数字吗？您应该在问题中包含可重现的示例。看看this
欢迎来到 Stackoverflow！请提供minimal reproducible example
谢谢你们俩。我已经编辑了我的问题。希望它现在更有用。

标签： r csv text-mining tm

【解决方案1】：

也许这行得通？

    library(dplyr)       
    mutate(datacsv, 
           fte = as.numeric(regmatches(tekst,regexpr("[[:digit:]]+\\.[[:digit:]]+", 
                                                     tekst))))

【讨论】：

【解决方案2】：

这个？

library(stringr) 
datacsv$fte <- str_extract_all(sapply(strsplit(datacsv$tekst, "fte "), "[", 2), '\\d+\\.*\\d*')

【讨论】：

这是正确的方向。但是，我目前面临的问题是其他案例包含多个数字。因此，例如，变量tekst 也包含一年。这意味着 R 只提取那些位于术语“fte”周围的数字是必不可少的。另请参阅fte 位于案例之间的随机位置。