计算两个字符串中的常用词

Posted 2023-02-19

【中文标题】计算两个字符串中的常用词

【英文标题】：Count common words in two strings

【发布时间】：2014-11-13 20:23:33

【问题描述】：

我有两个字符串：

a <- "Roy lives in Japan and travels to Africa"
b <- "Roy travels Africa with this wife"

我希望计算这些字符串之间的常用词。

答案应该是 3。

“罗伊”

“旅行”

“非洲”

常用词

这是我尝试过的：

stra <- as.data.frame(t(read.table(textConnection(a), sep = " ")))
strb <- as.data.frame(t(read.table(textConnection(b), sep = " ")))

取唯一以避免重复计数

stra_unique <-as.data.frame(unique(stra$V1))
strb_unique <- as.data.frame(unique(strb$V1))
colnames(stra_unique) <- c("V1")
colnames(strb_unique) <- c("V1")

common_words <-length(merge(stra_unique,strb_unique, by = "V1")$V1)

对于包含超过 2000 和 1200 个字符串的数据集，我需要这样做。 我必须评估字符串的总时间是 2000 X 1200。任何快速的方法，不使用循环。

【问题讨论】：

我并不是真的推荐这个，但是使用你的“stra”和“strb”，你可能就可以做到merge(stra, strb)...

【参考方案1】：

这种方法可推广到 n 个向量：

a <- "Roy lives in Japan and travels to Africa"
b <- "Roy travels Africa with this wife"
c <- "Bob also travels Africa for trips but lives in the US unlike Roy."

library(stringi);library(qdapTools)
X <- stri_extract_all_words(list(a, b, c))
X <- mtabulate(X) > 0
Y <- colSums(X) == nrow(X); names(Y)[Y]

[1] "Africa"  "Roy"     "travels"

【参考方案2】：

也许，使用intersect 和str_extract 对于multiple strings，您可以将它们设置为list 或vector

 vec1 <- c(a,b)
 Reduce(`intersect`,str_extract_all(vec1, "\\w+"))
 #[1] "Roy"     "travels" "Africa" 

对于faster 选项，请考虑stringi

 library(stringi)
 Reduce(`intersect`,stri_extract_all_regex(vec1,"\\w+"))
 #[1] "Roy"     "travels" "Africa" 

计数：

 length(Reduce(`intersect`,stri_extract_all_regex(vec1,"\\w+")))
 #[1] 3

或使用base R

  Reduce(`intersect`,regmatches(vec1,gregexpr("\\w+", vec1)))
  #[1] "Roy"     "travels" "Africa" 

【参考方案3】：

您可以使用base 库中的strsplit 和intersect：

> a <- "Roy lives in Japan and travels to Africa"
> b <- "Roy travels Africa with this wife"
> a_split <- unlist(strsplit(a, sep=" "))
> b_split <- unlist(strsplit(b, sep=" "))
> length(intersect(a_split, b_split))
[1] 3

【讨论】：

参数“sep”需要改为“split” -> a_split