在文本中查找关键字并使用这些词创建单独的列

Question

我正在根据模式搜索字符串：找到关键字 car0-10 之前的一侧（关键字 car 后跟从 0 到 10 的数字）。如果我找到关键字，我想将它们添加到新列（即left 和/或right）。如果没有关键字，我想添加'x'标记或NA。

我需要找到这个短语：on the right car5 或 on the left car2。这些短语有一个共同的字符串模式（左/右+汽车+数字）。我试图弄清楚如何找到它们并在新列中添加汽车+号码。

text.v <- c("Max","John")
text.t <- c("True story about the area on the left car2, and a parking on the right car4 not far away","but there is a garage on the right car3 in another place")
#View(text.v)

text.data <- cbind(text.v,text.t)

View(text.data)

我拥有的数据：

|text.v|text.t|
|Max   | True story about the area on the left car2, and a parking on 
|John  |but there is a garage on the right car3 in another place

预期结果：

|text.v|text.t|left | right
|Max   | True story about the area on the left car2, and a parking on |car2|car4
|John  |but there is a garage on the right car3 in another place  |x|car3

如果有任何快速的方法，我想知道使用正则表达式或其他方式的方法。作为一个额外的功能，我想知道是否可以添加关键字的计数（例如，car2 在单词的右侧出现两次，right。）

Answer 1

除了 Ronak 的回答，我留下代码来处理您的其他问题。在这里，我创建了一个数据集，该数据集比您的数据集要复杂一些，以考虑额外的问题。与 Ronak 类似，我创建了两个列。不同之处在于我为每一行创建了一个字符串，包括所有汽车。例如，参见temp 中的第二行。

对于额外的问题，我创建了另一个数据框。 left 和 right 中可能有多辆汽车。我梳理了left 和right 中的字符串，并展开了数据框。这是out。然后，我总结了左右车的频率，并合并了两个数据集。

library(tidyverse)
library(stringi)

group_by(mydf, person) %>%
mutate(left = stri_extract_all_regex(str = text,
                                     pattern = "(?<=on the left )car[0-9]+?") %>%
              unlist %>% toString,
       right = stri_extract_all_regex(str = text,
                                 pattern = "(?<=on the right )car[0-9]+?") %>%
              unlist %>% toString) %>%
ungroup-> temp

temp

person text                                                                                      left  right     
<chr>  <chr>                                                                                     <chr> <chr>     
1 Max    Ana is on the left car2. Bob is on the right car4. They are not far away from each other. car2  car4      
2 John   I saw a garage on the right car1. There is a garage on the right car3.                    NA    car1, car3
3 Ana    There is a garage on the right car3. There is another garage on the right car3.           NA    car3, car3


dplyr::select(temp, person, left, right) %>%
       Reduce(f = separate_rows_, x = c("left", "right")) -> out

count(out, person, left, name = "left_total") %>%
full_join(count(out, person, right, name = "right_total")) 

person left  left_total right right_total
  <chr>  <chr>      <int> <chr>       <int>
1 Ana    NA             2 car3            2
2 John   NA             2 car1            1
3 John   NA             2 car3            1
4 Max    car2           1 car4            1

另一种解决方案

另一种方法是将 quanteda 包与 tidyverse 包一起使用。这更容易找到词频。您仍然需要修改docname。但这很容易做到。

library(quanteda)

kwic(mydf$text, pattern = "car[0-9]+?",
     window = 1, valuetype = "regex") %>%
as.data.frame %>%
dplyr::select(docname, pre, keyword) %>%
count(docname, keyword, pre, name = "frequency")

  docname keyword pre   frequency
  <chr>   <chr>   <chr>     <int>
1 text1   car2    left          1
2 text1   car4    right         1
3 text2   car1    right         1
4 text2   car3    right         1
5 text3   car3    right         2

数据

  person                                                                                      text
1    Max Ana is on the left car2. Bob is on the right car4. They are not far away from each other.
2   John                    I saw a garage on the right car1. There is a garage on the right car3.
3    Ana           There is a garage on the right car3. There is another garage on the right car3.

Answer 2

我们可以使用str_extract，分别得到“左”和“右”字后面的车号。如果未找到匹配项，则返回 NA，稍后可以将其更改为我们想要的任何值。

library(dplyr)
library(stringr)

text.data %>%
   mutate(left = str_extract(text.t, "(?<=left) car\\d+"), 
          right = str_extract(text.t, "(?<=right) car\\d+")) %>%
   select(left, right) #To display results

#   left right
#1  car2  car4
#2  <NA>  car3

数据

text.data <- data.frame(text.v,text.t)