計算 R 中多詞的詞頻？

Question

我正在嘗試計算給定文本中多詞的頻率。 例如，考慮以下文本：“環境研究環境研究環境研究研究科學能源、經濟學、農業、生態學和生物學”。 然后我想要文本中出現“環境研究”這個組合詞的次數。 這是我嘗試過的代碼。

library(tm)
#Reading the data
text = readLines(file.choose())
text1 = Corpus(VectorSource(text))

#Cleaning the data
text1 = tm_map(text1, content_transformer(tolower))
text1 = tm_map(text1, removePunctuation)
text1 = tm_map(text1, removeNumbers)
text1 = tm_map(text1, stripWhitespace)
text1 = tm_map(text1, removeWords, stopwords("english"))

#Making a document matrix
dtm = TermDocumentMatrix(text1)
m11 = as.matrix(text1)
freq11 = sort(rowSums(m11), decreasing=TRUE)
d11 = data.frame(word=names(freq11), freq=freq11)
head(d11,9)

但是，此代碼分別生成每個單詞的頻率。 相反，我如何獲得“環境研究”在文本中一起出現的次數？ 謝謝！

Answer 1

如果你已經有一個多詞列表並且你想計算它們在文本中的頻率，你可以使用str_extract_all ：

text <- "Environmental Research Environmental Research Environmental Research study science energy, economics, agriculture, ecology, and biology"

library(stringr)
str_extract_all(text, "[Ee]nvironmental [Rr]esearch")
[[1]]
[1] "Environmental Research" "Environmental Research" "Environmental Research"

如果您想知道多詞出現的頻率，您可以這樣做：

length(unlist(str_extract_all(text, "[Ee]nvironmental [Rr]esearch")))
[1] 3

如果您有興趣一次提取所有多字，可以這樣進行：

首先定義一個包含所有多字的向量：

multiwords <- c("[Ee]nvironmental [Rr]esearch", "study science energy")

然后使用paste0將它們折疊成單個替代模式字符串，並在該字符串上使用str_extract_all ：

str_extract_all(text, paste0(multiwords, collapse = "|"))
[[1]]
[1] "Environmental Research" "Environmental Research" "Environmental Research" "study science energy"

要獲取多詞的頻率，您可以使用table ：

table(str_extract_all(text, paste0(multiwords, collapse = "|")))

Environmental Research   study science energy 
                     3                      1