提示:本站收集StackOverFlow近2千万问答，支持中英文搜索，鼠标放在语句上弹窗显示对应的参考中文或英文， 本站还提供 中文繁体 英文版本 中英对照 版本，有任何建议请联系yoyou2525@163.com。
我有来自twitter的推文语料库。 我清理这个语料库（removeWords，tolower，删除URls），最后还想删除标点符号。
这是我的代码：
tweetCorpus <- tm_map(tweetCorpus, removePunctuation, preserve_intra_word_dashes = TRUE)
现在的问题是，通过这样做，我也松开了＃标签。 有没有办法用tm_map删除标点符号但保留标签？
我维护的qdap包有strip函数来处理这个，你可以指定不剥离的字符：
library(qdap)
strip("hello #hastag @money yeah!! o.k.", char.keep="#")
这里它适用于Corpus ：
library(tm)
tweetCorpus <- Corpus(VectorSource("hello #hastag @money yeah!! o.k."))
tm_map(tweetCorpus, content_transformer(strip), char.keep="#")
另外qdap有sub_holder函数，它基本上完成了Flick先生的removeMostPunctuation函数的功能，如果它有用的话
removeMostPunctuation <- function(text, keep = "#") {
m <- sub_holder(keep, text)
m$unhold(strip(m$output))
}
removeMostPunctuation("hello #hastag @money yeah!! o.k.")
## "hello #hastag money yeah ok"
您可以调整现有的removePunctuation以满足您的需求。 例如
removeMostPunctuation<-
function (x, preserve_intra_word_dashes = FALSE)
{
rmpunct <- function(x) {
x <- gsub("#", "\002", x)
x <- gsub("[[:punct:]]+", "", x)
gsub("\002", "#", x, fixed = TRUE)
}
if (preserve_intra_word_dashes) {
x <- gsub("(\\w)-(\\w)", "\\1\001\\2", x)
x <- rmpunct(x)
gsub("\001", "-", x, fixed = TRUE)
} else {
rmpunct(x)
}
}
哪个会给你
removeMostPunctuation("hello #hastag @money yeah!! o.k.")
# [1] "hello #hastag money yeah ok"
当你将它与tm_map一起使用时，但一定要把它包装在content_transformer()
tweetCorpus <- tm_map(tweetCorpus, content_transformer(removeMostPunctuation),
preserve_intra_word_dashes = TRUE)
声明：本站的技术帖子网页，遵循CC BY-SA 4.0协议，如果您需要转载，请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.