5

Quanteda パッケージは疎ドキュメント機能マトリックス DFM を提供し、そのメソッドにはremoveFeaturesが含まれています。dfm(x, removeFeatures="\\b[a-z]{1-3}\\b")短すぎる単語を削除しようとしただけでなく、dfm(x, keptFeatures="\\b[a-z]{4-99}\\b")十分に長い単語を保持しようとしましたが、機能しませんでした。基本的に同じことを行いました。つまり、短すぎる単語を削除しました。

Quanteda DFM オブジェクトから正規表現一致を削除するにはどうすればよいですか?

例。

myMatrix <-dfm(myData, ignoredFeatures = stopwords("english"), 
           stem = TRUE, toLower = TRUE, removeNumbers = TRUE, 
           removePunct = TRUE, removeSeparators = TRUE, language = "english")
#
#How to use keptFeatures/removeFeatures here?


#Instead of RemoveFeatures/keptFeatures methods, I tried it like this but not working
x<-unique(gsub("\\b[a-zA-Z0-9]{1,3}\\b", "", colnames(myMatrix))); 
x<-x[x!=""]; 
mmyMatrix<-myMatrix; 
colnames(mmyMatrix) <- x

サンプル DFM

myData <- c("a aothu oat hoah huh huh huhhh h h h n", "hello h a b c d abc abcde", "hello hallo hei hej", "Hello my name is hhh.")
myMatrix <- dfm(myData)
4

1 に答える 1

3

dfm_select>= v0.9.9 :

myMatrix
## Document-feature matrix of: 4 documents, 22 features (70.5% sparse).

dfm_select(myMatrix, "\\b[a-zA-Z0-9]{1,3}\\b", selection = "keep", valuetype = "regex")
## kept 14 features, from 1 supplied (regex) feature types
## Document-feature matrix of: 4 documents, 14 features (71.4% sparse).
## 4 x 14 sparse Matrix of class "dfmSparse"
##        features
## docs    a oat huh h n b c d abc hei hej my is hhh
##   text1 1   1   2 3 1 0 0 0   0   0   0  0  0   0
##   text2 1   0   0 1 0 1 1 1   1   0   0  0  0   0
##   text3 0   0   0 0 0 0 0 0   0   1   1  0  0   0
##   text4 0   0   0 0 0 0 0 0   0   0   0  1  1   1
于 2017-01-11T17:22:09.767 に答える