6

ストップ ワードを削除したい文字列を含むデータ フレームがあります。tmパッケージは大きなデータセットでありtm、実行が少し遅いように見えるため、パッケージの使用を避けようとしています。私はtm stopword辞書を使っています。

library(plyr)
library(tm)

stopWords <- stopwords("en")
class(stopWords)

df1 <- data.frame(id = seq(1,5,1), string1 = NA)
head(df1)
df1$string1[1] <- "This string is a string."
df1$string1[2] <- "This string is a slightly longer string."
df1$string1[3] <- "This string is an even longer string."
df1$string1[4] <- "This string is a slightly shorter string."
df1$string1[5] <- "This string is the longest string of all the other strings."

head(df1)
df1$string1 <- tolower(df1$string1)
str1 <-  strsplit(df1$string1[5], " ")

> !(str1 %in% stopWords)
[1] TRUE

これは私が探している答えではありません。ベクトルまたはベクトルにない単語の文字列を取得しようとしていますstopWords。

私は何を間違っていますか？

4

3 に答える 3

15

リストに適切にアクセスしておらず、%in%(TRUE/FALSE の論理ベクトルを与える) の結果から要素を取得していません。次のようにする必要があります。

unlist(str1)[!(unlist(str1) %in% stopWords)]

（また）

str1[[1]][!(str1[[1]] %in% stopWords)]

df1全体data.frameに対して、次のようなことができます。

'%nin%' <- Negate('%in%')
lapply(df1[,2], function(x) {
    t <- unlist(strsplit(x, " "))
    t[t %nin% stopWords]
})

# [[1]]
# [1] "string"  "string."
# 
# [[2]]
# [1] "string"   "slightly" "string." 
# 
# [[3]]
# [1] "string"  "string."
# 
# [[4]]
# [1] "string"   "slightly" "shorter"  "string." 
# 
# [[5]]
# [1] "string"   "string"   "strings."
于 2013-03-06T17:18:53.180 に答える
6

初め。ベクトルの場合は、リストから外すstr1か使用する必要があります。lapplystr1

!(unlist(str1) %in% words)
#>  [1]  TRUE  TRUE FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE  TRUE

2番。複雑なソリューション:

string <- c("This string is a string.",
            "This string is a slightly longer string.",
            "This string is an even longer string.",
            "This string is a slightly shorter string.",
            "This string is the longest string of all the other strings.")
rm_words <- function(string, words) {
    stopifnot(is.character(string), is.character(words))
    spltted <- strsplit(string, " ", fixed = TRUE) # fixed = TRUE for speedup
    vapply(spltted, function(x) paste(x[!tolower(x) %in% words], collapse = " "), character(1))
}
rm_words(string, tm::stopwords("en"))
#> [1] "string string."                  "string slightly longer string."  "string even longer string."     
#> [4] "string slightly shorter string." "string longest string strings."
于 2016-01-05T08:48:23.357 に答える