使用正则表达式构建多词短语的字符向量，以使用 R 中的 quanteda 构建 dfm

Question

我已经非常满意 quanteda 的 textstat_collocation() 用于提取 MWE。现在我正在尝试提取与特定模式匹配的所有匹配项，而不管它们的频率如何。

我的目标是通过从使用正则表达式模式构建的 dfm() 中提取专长名称来创建字符向量。然后，我将在“select”参数中使用此字符向量来构建 dfm。我可能还想使用这个字符向量添加到字典中，用作在管道后期构建 dfms 的本体。

模式是：“aged xx-xx”，其中 x 是一个数字。

我使用了正则表达式模式 "aged\s([0-9]{2}-[0-9]{2})" here 并获得了所需的匹配项。但是当我在 R 中尝试时（在“\s”之前添加一个额外的“\”），我没有得到任何匹配。

当我这样做时：

txt <- c("In India, male smokers aged 20-45 perceive brandX positively.",
              "In Spain, female buyers aged 30-39 don't purchase brandY.")
ageGroups <- dfm(txt, select = "aged\\s([0-9]{2}-[0-9]{2})", valuetype = "regex")
featnames(ageGroups)

我明白了：

character(0)

但是，当我尝试时：

ageGroups <- dfm(txt, select = "([0-9]{2}-[0-9]{2})", valuetype = "regex")
featnames(ageGroups)

我明白了：

[1] "20-45" "30-39"

似乎我无法捕获正则表达式中的空白。我在 SO 中遇到了许多类似的问题，也许 this 是最相关的，但仍然无法实现我的具体目标。

我也试过了：

tokens <- tokens(txt, remove_punct = FALSE, remove_numbers = FALSE, remove_symbols = FALSE)
tokensCompunded <- tokens_compound(tokens, pattern =  "aged\\s([0-9]{2}-[0-9]{2})", valuetype = "regex")
attr(tokensCompunded, "types")

但我拿回了所有代币：

[1] "In"         " "          "India"      ","          "male"       "smokers"    "aged"       "20-45"      "perceive"  
[10] "brandX"     "positively" "."          "Spain"      "female"     "buyers"     "30-39"      "don't"      "purchase"  
[19] "brandY" 

我认为可能还有其他几种更有效的方法可以使用带有 quanteda 的正则表达式（或 glob）来提取字符向量，我很高兴学习如何使用这个令人惊叹的 R 包的新方法。

感谢您的帮助！

修改原始问题：

ThisSO 中的其他问题也有类似的要求，即使用 kwic 对象检测多词短语，并且可以通过以下添加进一步扩展以实现上述目标： p>

kwicObject <- kwic(corpus, pattern = phrase("aged ([0-9]{2}-[0-9]{2})"), valuetype = "regex")
unique(kwicObject$keyword)

Answer 1

这里的问题是目标文本和多词pattern（包含空格）的标记方式不同。在您的示例中，您为多个标记（包括空格分隔符）应用了正则表达式，但搜索目标已被拆分为单个标记。

我们为此设计了一个解决方案，一个名为phrase() 的函数。来自?pattern：

空白没有特权，因此在字符向量中，白色 空间是按字面意思解释的。如果你想考虑 以空格分隔的元素作为标记序列，将 phrase() 中的参数。

所以在这种情况下：

pat <- "aged [0-9]{2}-[0-9]{2}"

toks2 <- tokens_select(toks, pattern = phrase(pat), valuetype = "regex")
toks2
# tokens from 2 documents.
# text1 :
# [1] "aged"  "20-45"
# 
# text2 :
# [1] "aged"  "30-39"

在这里，我们看到选择有效，因为 phrase() 包装器将模式转换为匹配序列。

如果您想让这些成为单个令牌，您可以将相同的 pattern 参数发送到 tokens_compound()：

toks3 <- tokens_compound(toks2, pattern = phrase(pat), 
                         valuetype = "regex", concatenator = " ")
toks3
# tokens from 2 documents.
# text1 :
# [1] "aged 20-45"
# 
# text2 :
# [1] "aged 30-39"

最后，您可以使用它来构建一个 dfm，其中每个多词匹配都是一个特征。除非您首先在标记阶段执行连接，否则这将无法工作，因为根据定义，dfm 在其特征中没有顺序。

dfm(toks3)
# Document-feature matrix of: 2 documents, 2 features (50% sparse).
# 2 x 2 sparse Matrix of class "dfm"
#        features
# docs    aged 20-45 aged 30-39
#   text1          1          0
#   text2          0          1

Answer 2

您可以更改正则表达式模式：

select = "aged.*([0-9]{2}-[0-9]{2})"