在R中的另一个字符向量中查找特定字符向量值的数量答案

【问题标题】：Finding the number of specific character vector values in another character vector in R在R中的另一个字符向量中查找特定字符向量值的数量
【发布时间】：2017-11-21 09:03:07
【问题描述】：

我正在寻找一种使用另一个字符向量扫描字符向量的方法。我已经在这方面投入了很多时间，但似乎无法做到正确，分别。我找不到可以做我打算做的功能。但我确信有一个简单的方法可以解决这个问题

假设我有以下向量：

    c <- c("bread", "milk", "oven", "salt")

另一方面，我有一个包含句子的向量。

    text <- c("The BREAD is in the oven. Wonderful!!",
    "We don't only need Milk to bake a yummy bread, but a pinch of salt as 
    well.", "Oven, oven, oven, why not just eat it raw.")

现在我想使用我的 c 向量的内容来扫描文本块。输出应该是这样的：

                                             text bread milk oven salt
    1       The BREAD is in the oven. Wonderful!!    1    0    1    0
    2        We don't only need Milk... as well."    0    1    0    1
    3 Oven, oven, oven, why not just eat it raw.     0    0    3    0

我想做的另一件事是搜索组合，而不仅仅是单个单词。

    c <- c("need milk", "oven oven", "eat it")

得到相同的输出：

                                             text need milk oven oven eat it
    1       The BREAD is in the oven. Wonderful!!     0         0        0
    2        We don't only need Milk... as well."     1         0        1
    3 Oven, oven, oven, why not just eat it raw.      0         2        1

如果有人可以帮助我，那就太好了！ :) 非常感谢！

【问题讨论】：

试试data.frame(text, +(sapply(c, grepl, tolower(text))))
太棒了。你能帮助了解+在这里做什么吗？
@amrrs grepl 返回一个逻辑矩阵。通过添加+ 或* 1，它强制转换为二进制
您的示例“文本”和显示的输出“文本”不匹配。第二部分不清楚。在您的文字中，它是Oven, oven, oven，您正在尝试匹配“烤箱”
我不确定 OP 是否在那里提到了二元组 - 出现了 2 次烤箱烤箱。

标签： r vector find text-mining

【解决方案1】：

我们可以使用str_count来统计'string'中每个pattern的出现次数

library(stringr)
data.frame(text, sapply(c, str_count, string = tolower(text)))

【讨论】：

【解决方案2】：

这里使用stringi 包的另一种解决方案，至少在速度（不考虑简单性）方面优于其他方法。当然，这取决于“节拍”在这里的含义，如果您考虑速度而不是简单性并使用基础 R。

另一件要提的事情是grepl 解决方案不返回实际计数，而是返回二进制计数，如上述注释所示。所以不能直接比较。但是，根据您的需要，这可能就足够了。

library(stringi)
library(stringr)
library(microbenchmark)

c <- c("bread", "milk", "oven", "salt")
text <- c("The BREAD is in the oven. Wonderful!!",
          "We don't only need Milk to bake a yummy bread, but a pinch of salt as 
          well.", "Oven, oven, oven, why not just eat it raw.")


stringi_approach <- function() {

  matches <- sapply(c, function(w) {stri_count_fixed(text,w, case_insensitive = TRUE)})
  rownames(matches) <- text

}

grepl_approach <- function() {

  df <- data.frame(text, +(sapply(c, grepl, tolower(text))))

}

stringr_approach <- function() {

  df <- data.frame(text, sapply(c, str_count, string = tolower(text)))

}

microbenchmark(
  grepl_approach(),
  stringr_approach(),
  stringi_approach()
)

# Unit: microseconds
#         expr       min      lq     mean   median       uq     max neval
# grepl_approach() 309.091 338.500 351.3017 347.5790 352.7105 565.679   100
# stringr_approach() 380.541 418.634 437.7599 429.2925 441.7275 814.767   100
# stringi_approach() 101.057 113.492 126.9763 129.4790 133.8215 217.903   100

【讨论】：

【解决方案3】：

您可以为此使用 corpus 库：

library(corpus)
library(Matrix)

text <- c("The BREAD is in the oven. Wonderful!!",
    "We don't only need Milk to bake a yummy bread, but a pinch of salt as 
    well.", "Oven, oven, oven, why not just eat it raw.")

term_matrix(text, select = c("bread", "milk", "oven", "salt"))
## 3 x 4 sparse Matrix of class "dgCMatrix"
##      bread milk oven salt
## [1,]     1    .    1    .
## [2,]     1    1    .    1
## [3,]     .    .    3    .

term_matrix(text, select = c("need milk", "oven oven", "eat it"), drop_punct = TRUE)
## 3 x 3 sparse Matrix of class "dgCMatrix"
##      need milk oven oven eat it
## [1,]         .         .      .
## [2,]         1         .      .
## [3,]         .         2      1

或者，您可以修改 Manuel Bickel 的答案之一，使用 text_count 而不是 str_count。

【讨论】：