【发布时间】：2021-11-17 15:23:45
【问题描述】：
是否有计算特定关键字包含在数据集中的次数的功能？
例如，如果dataset <- c("corn", "cornmeal", "corn on the cob", "meal")，则计数为 3。
【问题讨论】：
【发布时间】：2021-11-17 15:23:45
【问题描述】：
让我们暂时假设您想要包含“玉米”的元素的数量：
length(grep("corn", dataset))
[1] 3
在您更好地了解 R 的基础知识后，您可能需要查看“tm”包。
编辑：我意识到这一次您想要任何-“玉米”，但将来您可能想要获得单词-“玉米”。在 r-help 上，Bill Dunlap 指出了一种更紧凑的 grep 模式来收集整个单词：
grep("\\<corn\\>", dataset)
【讨论】：
-
你可以在“”上分割向量，做唯一的并在整个事情上运行表格。 :)
-
对。这突出了原始问题的歧义。我不明白为什么 4 是正确的数字。您的方法将为“玉米”返回 2，为“膳食”返回 1，为“玉米面”返回 1。计算以空格分隔的单词“corn”的 greppish 方法可能是：length(grep("^corn$|^corn | corn$", dataset))
-
打错字了，抱歉。计数为 3。
-
也就是说，我赞成并接受了您的回答。再次感谢！虽然我不明白 Roman 将向量拆分为“”并做“唯一”是什么意思。
-
我认为他在引号之间输入了一个空格，这会给你一个“整个单词”的列表。 cmets显示的比例字体可能让你觉得没有空格。
另一种非常方便直观的方法是使用stringr包的str_count函数：
library(stringr)
dataset <- c("corn", "cornmeal", "corn on the cob", "meal")
# for mere occurences of the pattern:
str_count(dataset, "corn")
# [1] 1 1 1 0
# for occurences of the word alone:
str_count(dataset, "\\bcorn\\b")
# [1] 1 0 1 0
# summing it up
sum(str_count(dataset, "corn"))
# [1] 3
【讨论】：
-
如果要计算向量成员内的出现次数，此方法更好。在此示例中：
dataset <- c("corn corn", "cornmeal", "corn on the cob", "meal")将返回# [1] 2 1 1 0，而 grep 将始终返回# [1] 1 1 1 0。 ` -
嗨，如果我想这样做但使用字典怎么办？假设我有字典 A，我想知道字典 A 中的单词在数据集中出现了多少次，其中 (1) 相同单词的重复和 (2) 不同单词的迭代都包含在总和中？我用字典尝试了 sum(str_count())，但它只包括字典中唯一单词出现的次数，而不包括单词的重复。
-
听起来像是一个新问题，而不是评论。我建议您打开一个新问题并添加一些代码示例（示例数据、迄今为止尝试过的事情、您想要获得的结果）来勾勒出您的问题，以便于理解。
您还可以执行以下操作：
length(dataset[which(dataset=="corn")])
【讨论】：
我只是用字符串除法来做：
library(roperators)
dataset <- c("corn", "cornmeal", "corn on the cob", "meal")
# for each vector element:
dataset %s/% 'corn'
# for everything:
sum(dataset %s/% 'corn')
【讨论】：
您可以使用 stringr 包中的 str_count 函数来获取与给定字符向量匹配的关键字的数量。
str_count 函数的 pattern 参数接受可用于指定关键字的正则表达式。
正则表达式语法非常灵活，可以匹配整个单词以及字符模式。
例如，以下代码将计算字符串“corn”的所有出现次数并返回 3：
sum(str_count(dataset, regex("corn")))
要匹配完整的单词，请使用：
sum(str_count(dataset, regex("\\bcorn\\b")))
"\b" 用于指定单词边界。使用 str_count 函数时，单词边界的默认定义包括撇号。因此，如果您的数据集包含字符串“corn's”，它将被匹配并包含在结果中。
这是因为撇号默认被视为单词边界。为防止计算包含撇号的单词，请使用参数 uword = T 的 regex 函数。这将导致正则表达式引擎使用 unicode TR 29 定义的单词边界。见http://unicode.org/reports/tr29/tr29-4.html。此定义不将撇号视为单词边界。
以下代码将给出单词“corn”出现的次数。不包括“玉米”等词。
sum(str_count(dataset, regex("\\bcorn\\b", uword = T)))
【讨论】：