从R中的语料库中删除短语（停用词）？答案

【问题标题】：removing phrases (stopphrases) from corpus in R?从R中的语料库中删除短语（停用词）？
【发布时间】：2015-07-24 13:40:56
【问题描述】：

我可以使用 tm 包轻松删除停用词，但有没有简单的方法可以删除特定短语？我希望能够删除“早上好”这句话，但不能删除早上好后不跟上的情况。

例子：

x <- "Good morning. Great question...I'd say we had a good time."
doc.vec <- VectorSource(x)
doc.corpus <- Corpus(doc.vec)
doc.corpus <- tm_map(doc.corpus, stripWhitespace)
doc.corpus <- tm_map(doc.corpus, removePunctuation)
doc.corpus <- tm_map(doc.corpus, content_transformer(tolower))
doc.corpus <- tm_map(doc.corpus, removeWords, c(stopwords("english"), "good"))
dtm <- DocumentTermMatrix(doc.corpus, control=list())
inspect(dtm)

【问题讨论】：

标签： regex r text tm stop-words

【解决方案1】：

只需将“早上好”添加到要删除的单词列表中即可。

doc.corpus <- tm_map(doc.corpus, removeWords, c(stopwords("english"), "good morning"))

如果你检查 dtm，你会发现你只剩下 1 个“good”，没有“morning”

【讨论】：

【解决方案2】：

我不是很了解，但也许这只是一个简单的问题gsub

gsub("[Gg]ood.morning", "", x)
[1] ". Great question...I'd say we had a good time."

【讨论】：