如何从R中的列中的列表中删除单词答案

【问题标题】：how to delete words from a list in a column in R如何从R中的列中的列表中删除单词
【发布时间】：2016-03-13 13:14:55
【问题描述】：

我在表格中有一列标题，我想删除单独表格/向量中列出的所有单词。

例如，标题表：

“Lorem ipsum dolor”
"坐下来，consectetur adipiscing"
"elit, sed 做 eiusmod tempor"
“不劳而获”
“et dolore magna aliqua。”

待删除：c("Lorem", "dolore", "elit")

输出：

“ipsum 悲伤”
"坐下来，consectetur adipiscing"
", sed 做 eiusmod tempor"
“不劳而获”
“et magna aliqua。”

被列入黑名单的单词可以出现多次。

tm 包有这个功能，但是当应用于 wordcloud 时。我需要的是保持列完整，而不是将所有行连接成一个字符串。当给定一组值作为模式时，正则表达式函数 (gsub()) 似乎不起作用。 Oracle SQL 解决方案也很有趣。

【问题讨论】：

gsub(), stat.ethz.ch/R-manual/R-devel/library/base/html/grep.html
谢谢，但正如问题中所写，我无法使用一组值作为正则表达式的模式 - 我错过了什么吗？
将 gsub() 功能与循环结合起来。

标签： regex r oracle text mining

【解决方案1】：

lorem <- c("Lorem ipsum dolor",
           "sit amet, consectetur adipiscing",
           "elit, sed do eiusmod tempor",
           "incididunt ut labore",
           "et dolore magna aliqua.")

to.delete <- c("Lorem", "dolore", "elit")

output <- lorem
for (i in to.delete) {
  output <- gsub(i, "", output)
}

这给出了：

[1] " ipsum dolor"                     "sit amet, consectetur adipiscing"
[3] ", sed do eiusmod tempor"          "incididunt ut labore"            
[5] "et  magna aliqua."

【讨论】：

非常感谢，我也在考虑循环 gsub，我只是担心这在性能方面是否可行：to.delete 列表有几千个单词，所以这意味着要执行几千个gsub - 这可能是个问题吗？
它可能会很慢。在这种情况下，@jeremycg 的答案可能对您来说运行得更快。

【解决方案2】：

先读取数据：

dat <- c("Lorem ipsum dolor",
           "sit amet, consectetur adipiscing",
           "elit, sed do eiusmod tempor",
           "incididunt ut labore",
           "et dolore magna aliqua.")
todelete <- c("Lorem", "dolore", "elit")

我们可以通过一些巧妙的粘贴来避免循环。 | 是一个或者我们可以粘贴它，允许我们删除任何循环：

gsub(paste0(todelete, collapse = "|"), "", dat)

【讨论】：

对于未来的读者——这个方法对于长的“删除”向量（在我的例子中是数千个单词）失败，所以看起来循环有时是不可避免的。

【解决方案3】：

你也可以使用stri_replace_all_fixed:

library(stringi)
lorem <- c("Lorem ipsum dolor",
           "sit amet, consectetur adipiscing",
           "elit, sed do eiusmod tempor",
           "incididunt ut labore",
           "et dolore magna aliqua.")

to.delete <- c("Lorem", "dolore", "elit")

#just a simple function call
library(stringi)
stri_replace_all_fixed(lorem, to.delete, '')

输出：

[1] " ipsum dolor"                     "sit amet, consectetur adipiscing" ", sed do eiusmod tempor"         
[4] "incididunt ut labore"             "et  magna aliqua."

【讨论】：

【解决方案4】：

tm-Package 为此实现了一个功能： tm:::removeWords.character

实现如下：

foo <- function(x, words){
  gsub(sprintf("(*UCP)\\b(%s)\\b", paste(sort(words, decreasing = TRUE), 
                                         collapse = "|")), "", x, perl = TRUE)
}

这给了你

gsub("(*UCP)\\b(Lorem|elit|dolore)\\b","", x, perl = TRUE)

【讨论】：