检查一个字符串是否在单词列表R中至少包含n个单词

Question

我仅在Python / Java中找到了针对此问题的解决方案。

我有一个带有新闻文章和相应日期的data.frame。 我还提供了要检查每篇文章的关键字列表。

df <- data.frame(c("2015-05-06", "2015-05-07", "2015-05-08", "2015-05-09"), 
                 c("Articel does not contain a key word", "Articel does contain the key word revenue", "Articel does contain two keywords revenue and margin","Articel does not contain the key word margin"))
colnames(df) <- c("date","article")

key.words <- c("revenue", "margin", "among others")

如果我只想检查文章中是否包含以下单词之一，我想出了一个不错的解决方案：

article.containing.keyword <- filter(df, grepl(paste(key.words, collapse="|"), df$article))

这很好用，但是我实际上正在寻找的是一种可以设置阈值的解决方案，例如“文章必须包含至少n个单词才能被过滤”，例如文章必须包含至少n = 2要由过滤器选择的关键字。 所需的输出如下所示：

  date       article
3 2015-05-08 Articel does contain two keywords revenue and margin

Answer 1

您可以使用stringr::str_count ：

str_count(df$article, paste(key.words, collapse="|"))
[1] 0 1 2 1

可以将其转换为以这种方式过滤：

article.containing.keyword <- dplyr::filter(df, str_count(df$article, paste(key.words, collapse="|")) >= 2)
        date                                              article
1 2015-05-08 Articel does contain two keywords revenue and margin