Jai*_*ain 5 string r text-mining data-analysis
我有两个字符串:
a <- "Roy lives in Japan and travels to Africa"
b <- "Roy travels Africa with this wife"
Run Code Online (Sandbox Code Playgroud)
我希望得到这些字符串之间的常用词.
答案应该是3.
"罗伊"
"旅行"
是常用词
这是我试过的:
stra <- as.data.frame(t(read.table(textConnection(a), sep = " ")))
strb <- as.data.frame(t(read.table(textConnection(b), sep = " ")))
Run Code Online (Sandbox Code Playgroud)
采取独特的,以避免重复计数
stra_unique <-as.data.frame(unique(stra$V1))
strb_unique <- as.data.frame(unique(strb$V1))
colnames(stra_unique) <- c("V1")
colnames(strb_unique) <- c("V1")
common_words <-length(merge(stra_unique,strb_unique, by = "V1")$V1)
Run Code Online (Sandbox Code Playgroud)
我需要这个用于超过2000和1200字符串的数据集.我必须评估字符串的总时间是2000 X 1200.任何快速方式,不使用循环.
您可以使用strsplit和intersect来自base库:
> a <- "Roy lives in Japan and travels to Africa"
> b <- "Roy travels Africa with this wife"
> a_split <- unlist(strsplit(a, sep=" "))
> b_split <- unlist(strsplit(b, sep=" "))
> length(intersect(a_split, b_split))
[1] 3
Run Code Online (Sandbox Code Playgroud)
也许,使用intersect和str_extract
For multiple strings,你可以把它们作为list或作为vector
vec1 <- c(a,b)
Reduce(`intersect`,str_extract_all(vec1, "\\w+"))
#[1] "Roy" "travels" "Africa"
Run Code Online (Sandbox Code Playgroud)
对于faster选项,请考虑stringi
library(stringi)
Reduce(`intersect`,stri_extract_all_regex(vec1,"\\w+"))
#[1] "Roy" "travels" "Africa"
Run Code Online (Sandbox Code Playgroud)
用于计数:
length(Reduce(`intersect`,stri_extract_all_regex(vec1,"\\w+")))
#[1] 3
Run Code Online (Sandbox Code Playgroud)
或使用 base R
Reduce(`intersect`,regmatches(vec1,gregexpr("\\w+", vec1)))
#[1] "Roy" "travels" "Africa"
Run Code Online (Sandbox Code Playgroud)
| 归档时间: |
|
| 查看次数: |
2704 次 |
| 最近记录: |