excel 中的自动标记/文本挖掘

Question

我有一个每月 excel 电子表格，其中包含以下内容：

类别	描述
一个	段落形式的自由文本
乙	段落形式的自由文本
C	段落形式的自由文本
乙	段落形式的自由文本
乙	段落形式的自由文本
一个	段落形式的自由文本

我想添加第三列，它从搜索自由文本的预定列表中添加标签或关键字，然后根据是否在那里找到一个或多个术语来预填充它。

例如，标签列表可以是价格、距离、可用性、位置等，其中“关键字”或“标签”列根据第二列中的自由文本填充，如下所示

类别	描述	关键字或标签
一个	真的不喜欢这个价格和位置太远了	价格，位置
乙	距离是一个问题，可用性并不高	距离，可用性
C	位置很近所以我喜欢方便	位置，方便
乙	距离近，有很多空房	可用性，距离

如上所示，标签将用逗号分隔。

问题是预先确定的关键字列表很大（大约 20 到 30 个标签）。

我的问题：

在不删除任何标签的情况下创建此列表的最有效方法是什么？

另外，有没有办法在 RStudio 中做到这一点？

Answer 1

我们可以在这里使用正则表达式从字符串中提取关键字。

如果我们将关键字放在向量keywords中，我们可以使用str_extract_all中的stringr来提取字符串中的所有匹配词。 我已经把它变成了一个简单的 function，我们将其应用于 data.frame 的Description列，将结果插入到一个新的变量Keys中

library(stringr)

get_tags <- function(str, tags) {
    res = str_extract_all(str,
                          regex(tags, ignore_case = T), # Search case insensitive
                          simplify = T)[,1] # Get result as vector, not matrix
    return(res[nchar(res) > 0])  # Drop empty strings from non-matched keywords
}

df$Keys <- sapply(df$Description,
                  function(x) paste0(get_tags(x, keywords),
                                     collapse=', ')) # Collapse matches w/ commas

df

  Category                                             Description                   Keys
1        A   Really doesn't like the price and location is too far        price, location
2        B  The distance is an issue and not too much availability distance, availability
3        C             Location is close so I like the convenience  Location, convenience
4        D The distance is near and there is a lot of availability distance, availability

由于您希望匹配不区分大小写，因此将正则表达式模式 ( tags ) 放入regex function 允许我们指定它应该忽略大小写。

Answer 2

一个简单的解决方案，它使用 Excel 公式并避免任何外部依赖：

• 使用 excel 中的=SEARCH() function 查找标签，为每个关键字或标签填充一列
• 使用=TEXTJOIN()聚合所有标签

例子：

	一个	乙	C	D	乙	F	G
1	类别	描述	标签（全部）	价格	地点	距离	可用性
2	一个	真的不喜欢这个价格和位置太远了	'=TEXTJOIN(", ", TRUE, D2:XX2)	'=IF(ISERROR(搜索(D$1,$B2)), "", D$1)	------	------	---->

Output：

	一个	乙	C	D	乙	F	G
1	类别	描述	标签（全部）	价格	地点	距离	可用性
2	一个	真的不喜欢这个价格和位置太远了	价格，位置	价格	地点