从R中的文本中删除单词和符号

Posted 2023-02-19

【中文标题】从R中的文本中删除单词和符号

【英文标题】：Removing words and symbols from text in R

【发布时间】：2021-01-04 09:31:00

【问题描述】：

考虑以下示例。可以从text 中删除stopwords 吗？

library(tm)
text <- c("this is exercise for text mining ≤µm ≥°f ±μgm")
stopwords <- ("≤µm", "≥°f", "±μgm")

【参考方案1】：

首先，您的示例字符串中有一些错误。 text 缺少引号，stopwords 缺少括号前的 c。

text <- c("this is exercise for text mining ≤µm ≥°f ±μgm")
stopwords <- c("≤µm", "≥°f", "±μgm")

您可以使用 stringr 从字符串中删除停用词中的值，如下所示：

library(stringr)
str_replace_all(text, paste(stopwords, collapse = "|"), "")

【参考方案2】：

您可以尝试gsub，如下所示

gsub(paste0(stopwords, collapse = "|"),"",text)

【参考方案3】：

由于您要进行文本挖掘，您可能希望将输入字符串转换为单词向量。如果是这样，您可以通过子集轻松删除停用词。

library(stringr)
text <- c("this is exercise for text mining ≤µm ≥°f ±μgm")
stopwords <- c("≤µm", "≥°f", "±μgm")
text <- unlist(str_split(text, " "))
text[!(sapply(text, function (x) any(str_detect(stopwords, x))))]

如果你的工作让你把你的话放在 data.frame 或类似的地方，那么还有另一种方法：

library(dplyr)
library(stringr)
text <- c("this is exercise for text mining ≤µm ≥°f ±μgm")
stopwords <- c("≤µm", "≥°f", "±μgm")
text <- unlist(str_split(text, " "))
data.frame(words = text) %>% anti_join(data.frame(words = stopwords))