R- работа внутри текста

Question

У меня есть таблица с текстом, как:

tt<-data.frame(a=c("esta es la unica lista que voy a hacer","esta es la 2da unica")) 

мне нужно держать только те слова, которые имеют более чем 3-х символов:

tt<-data.frame(a=c("esta unica lista hacer","esta unica")) 

В этом случае у меня нет подсказка о том, как это сделать. Я знаю, что я должен использовать nchar и цикл над таблицей и внутри другого цикла над словами.

Answer 1

Использование data.table пакета:

library(data.table) 
setDT(tt) 
tt[,a:=gsub("\\s+"," ",gsub("\\b\\w{1,3}\\b","",a))] 

         a 
1: esta unica lista hacer 
2:    esta unica 

Другой вариант, в зависимости от точности на выходе вы хотите, это:

library(data.table) #1.9.5+ 
tt[,tstrsplit(gsub("\\b\\w{1,3}\\b","",a),split="\\s+")] 

    V1 V2 V3 V4 
1: esta unica lista hacer 
2: esta unica NA NA 

---

Edit: После того, как много tussling на поощрение из @rawr, вот способ более непосредственно решить проблему (включить 4-буквенные слова вместо исключения 3-буквы w ords)

tt[,a:=lapply(regmatches(a, gregexpr('\\b\\w{4,}\\b',a)),paste0,collapse=" ")] 

Answer 2

Это не слишком сложно, если вы разбиваете его на куски. Сначала используйте apply для итерации по каждой строке кадра данных. Затем для каждой строки, разбить строки на слова, выбрать длинные, вставьте обратно в строку, и возвращает результат:

tt<-data.frame(a=c("esta es la unica lista que voy a hacer","esta es la 2da unica")) 
library(stringr) 

tt$a <- lapply(tt$a, function(x) { 
    l <- unlist(str_split(x, " ")) 
    t <- l[which(nchar(l)>3)] 
    return(paste0(t, collapse=" ")) 
}) 

Answer 3

Вот еще один подход с использованием пакета qdapRegex.

library(qdapRegex) 

tt <- data.frame(a = c('esta es la unica lista que voy a hacer', 'esta es la 2da unica')) 
tt$a <- rm_nchar_words(tt$a, 1, pattern = '\\b\\w{1,3}\\b') 
tt 

#      a 
# 1 esta unica lista hacer 
# 2    esta unica 

Answer 4

Вот решение, используя quanteda пакет , что размечает тексты на вашем data.frame и удаляет маркеры, длина которых < = 3. Обратите внимание, что я указал stringsAsFactors = FALSE здесь в data.frame() - - хотя это будет работать одинаково хорошо, если вы работаете непосредственно с символьным символом.

require(quanteda) 
tt <- data.frame(a=c("esta es la unica lista que voy a hacer", "esta es la 2da unica"), 
       stringsAsFactors = FALSE) 
ttTokenized <- tokenize(tt$a) 
(ttTokenized <- sapply(ttTokenized, function(x) x[nchar(x) > 3])) 
## [[1]] 
## [1] "esta" "unica" "lista" "hacer" 
## 
## [[2]] 
## [1] "esta" "unica" 

Если вы хотите оригинальный вид текста, а не tokenised версии, а затем использовать этот дополнительный шаг:

sapply(ttTokenized, paste, collapse = " ") 
## [1] "esta unica lista hacer" "esta unica"