使用 R 从文本中提取说话者干预？或者是其他东西？

Question

我们正在为学校开展一个文本挖掘项目，以了解魁北克国民议会中面向环境的演讲的比例。我们想提取多年来每位演讲者的发言清单。

我们的文档都是这样格式化的：

Mr. Smith : Blablabla

Mrs. Jones : Blablabla

我想做的是尽可能写出最简单的东西，让我能够提取这些干预。我的想法是这样的：

“每次您看到 [Mr. **** : ] 或 [Mrs. **** : ] 时，提取所有文本，直到您看到再次出现 [Mr. **** : ]或 [**** 夫人 : ]。理想情况下，将所有史密斯先生、琼斯夫人和威廉姆斯先生提取到单独的文件中，同时跟踪干预来自哪个文件。

我开始写一个非常基本的gsub 行，它允许我用@ 替换我想替换的事件，只是意识到我不想完全替换它们，而是可能只是添加一个@ front 这可能会使编写将 @s 分隔在不同文件中的内容变得更容易。

gsub("(Mr.|Mrs.)\\s\\w*\\s:\\s", "@", test)

我刚刚开始为这个项目自学 R，我需要一些关于下一步应该如何进行的见解。还是应该改用其他东西？

Answer 1

如果您不想替换演讲者姓名，可以使用所谓的“积极向前看”，如下所示：

# some example data:
bla <- c("Mr. X : blablabla bla bla bla. Mrs. Y : bla bla blablablab Mr. XY : bla bla balblabla blabl abl" )

# replace with look ahead:
gsub("(?=(Mr.|Mrs.))", "@ ", bla, perl = T)
"@ Mr. X : blablabla bla bla bla. @ Mrs. Y : bla bla blablablab @ Mr. XY : bla bla balblabla blabl abl"

@ 是提取个体干预的良好起点。可以这样做：

pattern <- "@.[^@]*" 
matches <- gregexpr(pattern, bla)
interventions <- regmatches(bla, matches)
interventions <- unlist(interventions)
interventions
[1] "@ Mr. X : blablabla bla bla bla. "      "@ Mrs. Y : bla bla blablablab "         "@ Mr. XY : bla bla balblabla blabl abl"