小编law*_*yeR的帖子

考虑

text <- "who let the dogs out"
fooo <- strsplit(text, " ")
fooo
[[1]]
[1] "who"  "let"  "the"  "dogs" "out" 

输出strsplit是一个列表.然后列表的第一个元素是一个向量,其中包含上面的单词.

为什么函数表现那样？是否有任何情况会返回包含多个元素的列表？

我可以使用

fooo[[1]][1]
[1] "who"

,但有没有更简单的方法？

我无法通过所有可能性破解我的方式knitr,并在RStudio的PDF输出中插入了完整的参考书目,.Rnw脚本和"编译PDF"按钮.PDF中的所需文本将是引用作品的详细信息.

这是一个Lilliputian bibtex文件,名为jabrefbibtest.bib,保存在工作目录中.

@Book{GreentargetEngagement2012,
  Title                    = {"2012 - In - House Counsel New Media Engagement Survey"},
  Author                   = {"Inside Counsel "},
  Publisher                = {"Greentarget"},
  Year                     = {"2012"},
  Pages                    = {"20"},
  Plots                    = {"9"},
  Tables                   = {"0"},
  Url                      = {"http://www.greentarget.com/wp-content/uploads/2012/01/2012GTZGICSurveyReportFinal-WebsiteVersion.pdf"}
}
@Book{CitiprivateBank,
  Title                    = {"Intellectual Leadership with Law Watch"},
  Author                   = {""},
  Publisher                = {""},
  Year                     = {"2008"},
  Pages                    = {"2"},
  Plots                    = {"1"},
  Tables                   = {"4"},
  Url                      = {"http://www.citigroup.com/privatebank/lawassociates/pdfs/lawwatch/slipsheet.pdf"}
}

.Rnw剥离的脚本是

\documentclass[11pt]{article}  

\usepackage[backend=bibtex]{biblatex}
% \addbibresource{} …

使用 XML 包和 XPath 从网站抓取地址，有时我只能得到一个字符串，其中嵌入了我想要的邮政编码。提取邮政编码很简单，但有时会显示其他五位数的字符串。

以下是 df 中问题的一些变体。

zips <- data.frame(id = seq(1, 5), address = c("Company, 18540 Main Ave., City, ST 12345", "Company 18540 Main Ave. City ST 12345-0000", "Company 18540 Main Ave. City State 12345", "Company, 18540 Main Ave., City, ST 12345 USA", "Company, One Main Ave Suite 18540, City, ST 12345")) 

下面是提取邮政编码（5 位和 4 位数字）的 R 语句，但它被街道号码和套房号的虚假邮政编码所欺骗（其他地址字符串中可能还有其他可能性）。

regmatches(zips$address, gregexpr("\\d{5}([-]?\\d{4})?", zips$address, perl = TRUE))

对上一个 SO 问题的回答表明“正则表达式将返回最后一个连续的五位数字字符串。它使用负前瞻来确保在返回后没有 5 位数字字符串。”
从地址字符串中提取邮政编码

\b\d{5}\b(?!.*\b\d{5}\b)

但是这个问题和答案涉及 PHP，并提供了一个带有 preg_matches()` 的 if 循环我不熟悉这些语言和工具，但这个想法可能是正确的。

我的问题：什么 …

使用XML我可以刮掉我需要的URL,但是当我使用xpathSApply它时,R会返回不需要的\n和\ t指示符(新行和制表符).这是一个例子:

doc <- htmlTreeParse("http://www.milesstockbridge.com/offices/", useInternal = TRUE) # scrape and parse an HTML site
xpathSApply(doc, "//div[@class='info']//h3", xmlValue) 
[1] "\n\t\t\t\t\t\tBaltimore\t\t\t\t\t"     "\n\t\t\t\t\t\tCambridge\t\t\t\t\t"     "\n\t\t\t\t\t\tEaston\t\t\t\t\t"        "\n\t\t\t\t\t\tFrederick\t\t\t\t\t"    
[5] "\n\t\t\t\t\t\tRockville\t\t\t\t\t"     "\n\t\t\t\t\t\tTowson\t\t\t\t\t"        "\n\t\t\t\t\t\tTysons Corner\t\t\t\t\t" "\n\t\t\t\t\t\tWashington\t\t\t\t\t" 

正如这个问题所解释的那样,正则表达式函数可以轻松删除不需要的格式元素, 如何删除网站数据收集结果中的\n\t\t\tt？但我宁愿xpath首先做的工作,如果可能的话(我有数百个这样解析).

此外,还有一些功能,例如translate,在这个问题中: 使用Translate函数删除xml中的换行符,但是如何忽略某些标签？以及strip()我在Python问题中看到的内容.我不知道使用R和xpath时哪些可用.

它可能是一个text()函数有帮助,但我不知道如何将它包含在我的xpathSApply表达式中.同样地normalize-space().

如何在角色向量中找到频繁的相邻单词对？例如,使用原油数据集,一些常见的货币对是"原油","石油市场"和"百万桶".

下面的小例子的代码试图识别频繁的术语,然后使用正向前瞻断言,计算频繁术语立即跟随这些频繁术语的次数.但是这次尝试坠毁并烧毁了.

任何指导都将被理解为如何创建在第一列("对")中显示公共对的数据帧以及在第二列("计数")中显示它们在文本中出现的次数.

   library(qdap)
   library(tm)

# from the crude data set, create a text file from the first three documents, then clean it

text <- c(crude[[1]][1], crude[[2]][1], crude[[3]][1])
text <- tolower(text)
text <- tm::removeNumbers(text)
text <- str_replace_all(text, "  ", "") # replace double spaces with single space
text <- str_replace_all(text, pattern = "[[:punct:]]", " ")
text <- removeWords(text, stopwords(kind = "SMART"))

# pick the top 10 individual words by frequency, since they will likely form the most common pairs
freq.terms …

假设使用管道分隔符“ firm.pat”将900多个公司名称粘贴在一起以形成正则表达式模式。

firm.pat <- str_c(firms$firm, collapse = "|")

对于一个名为“ bio”的数据框，该数据框具有大的字符变量（每250行包含100多个单词），名为“注释”，我想用空格替换所有公司名称。既有gsub呼叫和str_replace_all呼叫返回相同的神秘的错误。

bio$comment <- gsub(pattern = firm.pat, x = bio$comment, replacement = "")
Error in gsub(pattern = firm.pat, x = bio$comment, replacement = "") : 
  assertion 'tree->num_tags == num_tags' failed in executing regexp: file 'tre-compile.c', line 634

library(stringr)
bio$comment <- str_replace_all(bio$comment, firm.pat,  "")
Error: assertion 'tree->num_tags == num_tags' failed in executing regexp: file 'tre-compile.c', line 634

traceback() 没有启发我。

> traceback()
4: gsub("aaronson rappaport|adams reese|adelson testan|adler pollock|ahlers cooney|ahmuty demers|akerman|akin …

由于最终用户的要求很高，我需要了解geom_box绘图上的须线是否可以与盒子本身不同的颜色或类型？

刚刚考虑了带有彩色和虚线的箱线图，我创建了一个最小的示例。

year <- rep("2014", 10)
total <- c(seq(55, 90, 5), 100, 40)
df <- data.frame(year = as.factor(year), total = total)

ggplot(df, aes(x=factor(year), y=total)) + 
  geom_boxplot(linetype = "dotted", color = "red") +
  theme_bw()

下面的图可以有绿色胡须，保留红色框，还是实心胡须，保留虚线框？

这个 SO 问题告诉我们，基础 R 允许大量的晶须线定制。 bxp有几个参数

当您翻转坐标时,如何减少窄条和面板边框之间的空间？使用数据框df和ggplot命令,底栏和刻度线之间有很多空白区域(同样是"供应商"栏上方的宽阔空间).

df <- data.frame(x = c("firm", "vendor"), y = c(50, 20))

ggplot(df, aes(x = x, y = y)) + 
  geom_bar(stat = "identity", width = 0.4) + 
  theme_tufte() +  coord_flip() +
  labs(x = "", y = "")

我尝试scale_x_discrete了两者limits和expand参数都无济于事position = position dodge,同样没有效果.

这个问题提供coord_equal了改变宽高比,从而减少或消除额外空间,但注意到该解决方案不起作用coord_flip.

我有以下字符串表达式,我应用strsplit:

x="Hello I am using stack overflow to ask this question."
y=strsplit(x,"a")

当有一个'a'时,上面的函数会分割x.根据我的理解,返回的向量应该是一个列表,所以说我想得到x的第二个片段,我应该使用:

y[[2]]

但是,这给了我一个错误:

Error in y[[2]] : subscript out of bounds

我不知道如何解决这个问题.我想要的只是访问字符串的碎片段.

我最近一直在尝试data.frame使用该tm包在 R 中的单个列中查找词频。虽然它data.frame本身有许多基于数字和字符的列，但我只对纯文本的单个列感兴趣。虽然我在清理文本本身时没有遇到问题，但一旦我尝试使用findFreqTerms()命令拉取词频，我就会收到以下错误：

Error: inherits(x, c("DocumentTermMatrix", "TermDocumentMatrix")) is not TRUE

我认为这是说我需要将数据转换为 aDocumentTermMatrix或 a TermDocumentMatrix，但是由于我只有一个正在处理的列，因此我也无法创建。错误如下：

> Test <- DocumentTermMatrix(Types)
Error in UseMethod("TermDocumentMatrix", x) : 
  no applicable method for 'TermDocumentMatrix' applied to an object of class "c('PlainTextDocument', 'TextDocument')"

有没有办法从单列中获取频率计数？我在下面粘贴了我的完整代码，并对我采取的每一步进行了解释。我很感激你们能给我的任何帮助。

> # extracting the single column I wish to analyse from the data frame
  Types <-Expenses$Types
> # lower all cases
  Types <- tolower(Types)
> # remove punctuation
  Types <- removePunctuation(Types)
> …