R：从数据框中的列表中计算单词的出现

Question

我有一个带有Category 和pd 的数据框。我需要计算每个pd 中每个有意义的单词在每个Category 中出现的次数。我坚持最后一步 - 总结。理想情况下，该频率与pd 的总长度之比Category 将是另一个X 列。

例子：

freq = structure(list(Category = c("C1", "C2"
), pd = c("96 oz, epsom salt 96 oz, epsom bath salt", 
          "17 x 24 in, bath mat")), .Names = c("Category", "pd"), row.names = c(NA, 
                                                                                -2L), class = "data.frame")

pool = sort(unique(gsub("[[:punct:]]|[0-9]","", unlist(strsplit(freq[,2]," ")))))
pool = pool[nchar(pool)>1]

freq：

    Category    pd
1   C1  96 oz, epsom salt 96 oz, epsom bath salt
2   C2  17 x 24 in, bath mat

pool:

[1] "bath"  "epsom" "in"    "mat"   "oz"    "salt" 

期望的输出：

pool C1freq C1ratio C2freq C2ratio
bath 1 1/7 1 1/3
epsom 2 2/7 0 0
in 0 0 1 1/3
mat 0 0 1 1/3
oz 2 2/7 0 0
salt 2 2/7 0 0

在哪里，例如7 是 C1[,2] 的长度，去掉了数字，标点符号（如 pool 规则）。 1/7 在这种形式中当然不是必须的 - 这里只是为了显示分母长度。

如果可能，不要使用 dplyr 或 qdap。谢谢！！

Answer 1

我们可以试试

library(qdapTools)
library(stringr)
lst <- str_extract_all(freq$pd, '[A-Za-z]{2,}')
m1 <- t(mtabulate(lst))
m2 <-  prop.table(m1,2)
cbind(m1, m2)[,c(1,3,2,4)]

---

或者没有qdapTools，

 Un1 <- sort(unique(unlist(lst)))
 m1 <- do.call(cbind, lapply(lst, function(x)
            table(factor(x, levels=Un1))))
 colnames(m1) <- freq$Category
 cbind(m1, `colnames<-`(prop.table(m1,2), paste0(colnames(m1), 'Prop')))

Answer 2

您可以考虑通过以下方式调整您当前的方法：

tab <- table(
  stack(
    setNames(
      lapply(strsplit(gsub("[[:punct:]]|[0-9]", "", freq$pd), "\\s+"), 
             function(x) x[nchar(x) > 1]), freq$Category)))

注意这里我先使用gsub，而不是在拆分之后。然后，我在一个空格上拆分，并以与您过滤数据相同的方式过滤数据。最后，我使用了setNames，这样我就可以使用stack 得到一个很长的data.frame，可以制成表格。

数据制成表格后，只需使用prop.table 即可获得所需的输出。

cbind(tab, prop.table(tab, 2))
#       C1 C2        C1        C2
# bath   1  1 0.1428571 0.3333333
# epsom  2  0 0.2857143 0.0000000
# in     0  1 0.0000000 0.3333333
# mat    0  1 0.0000000 0.3333333
# oz     2  0 0.2857143 0.0000000
# salt   2  0 0.2857143 0.0000000