从 R 中的文本中提取正确的湖名称答案

【问题标题】：Extracting Proper Lake Names from Text in R从 R 中的文本中提取正确的湖名称
【发布时间】：2019-12-03 02:22:02
【问题描述】：

我正在尝试从我在 R 中的一些文本中提取 Lakes 的名称。 Lakes 是正确的（大写），但需要我在“Lake”一词的两侧提取几个单词。

我尝试了一些方法，但都没有达到我想要的效果……在某些情况下，句子或文章可能以“Lake”开头，因此之前没有文字。在某些情况下，正确的名称可能是 3 个单词（Lake St. Clair 或 Red Hawk Lake）。

使用的示例代码：

text <- paste("Lake Erie is located on the border of the United States and Canada.",
          "It is located nearby to Lake St. Clair and Lake Michigan.",
          "All three lakes have a history of high levels of Phosphorus.",
          "One lake that has not yet been impacted is Lake Ontario.")

这可能是我得到的最接近的——从另一个堆栈溢出中提取，但它仍然没有解决。

context <- function(text){splittedText <-strsplit(text,'',T) print(splitted Text) data.frame(before = head(c('',splittedText),-1),words=splittedText,after=tail(c(splittedText,''),-1))}

info <- context(text)
print(subset(info, words == 'Lake')

我想获得：1）提取的正确湖泊名称（“伊利湖”、“圣克莱尔湖”等）或 2）在“湖”之前和之后包含单词的数据框。理想情况下是第一个，但我现在很灵活。

before <- c("","nearby to", "Clair and","impacted is")
Lake <- c("Lake","Lake","Lake","Lake")
after <- c("Erie is","St. Clair", "Michigan ","Ontario ")
output <- data.frame(cbind(before,Lake,after)); print(output)

提前感谢您的帮助！

【问题讨论】：

标签： r text nlp capitalization phrase

【解决方案1】：

您需要定义一些规则来根据您拥有的数据提取单词。在这里，我得到了单词"Lake"之后的第一个单词。

stringr::str_extract_all(text, "Lake \\w+")[[1]]
#[1] "Lake Erie"     "Lake St"       "Lake Michigan" "Lake Ontario"

或者类似地在基础R中

regmatches(text, gregexpr("Lake \\w+", text))[[1]]

对于给定的text，这几乎可以工作，除了"Lake St. Clair" 缺少"Clair" 部分。为了解决这个问题，我们可以定义另一个规则，如果在"Lake" 的下一个单词之后有一个点，我们会提取两个单词，但是对于"Lake Michigan" 和"Lake Ontario"，这将失败，因为它们在单词后面有句号.

【讨论】：

这很棒。是的，我看到了三个潜在的问题——1）“。”正如你提到的，2）有些湖泊是三个没有“。”的词。（红鹰湖）； 3）一些湖泊被命名为相反方向（红鹰湖）。我想我可以尝试编写一个规则，将所有大写单词都放在“Lake”周围——那么唯一的问题就是“.”......

【解决方案2】：

有了stringi，我们可以使用

library(stringi)
stri_extract_all_regex(text, "Lake\\s+\\w+")[[1]]
#[1] "Lake Erie"     "Lake St"       "Lake Michigan" "Lake Ontario"

或使用str_match_all

library(stringr)
str_match_all(text, "Lake\\s+\\w+")[[1]][,1]

【讨论】：