tm自定义removePunctuation除了标签

Question

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？

Answer 1

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"

Answer 2

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)