excel 中的自動標記/文本挖掘

Question

我有一個每月 excel 電子表格，其中包含以下內容：

類別	描述
一個	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
一個	段落形式的自由文本

我想添加第三列，它從搜索自由文本的預定列表中添加標簽或關鍵字，然后根據是否在那里找到一個或多個術語來預填充它。

例如，標簽列表可以是價格、距離、可用性、位置等，其中“關鍵字”或“標簽”列根據第二列中的自由文本填充，如下所示

類別	描述	關鍵字或標簽
一個	真的不喜歡這個價格和位置太遠了	價格，位置
乙	距離是一個問題，可用性並不高	距離，可用性
C	位置很近所以我喜歡方便	位置，方便
乙	距離近，有很多空房	可用性，距離

如上所示，標簽將用逗號分隔。

問題是預先確定的關鍵字列表很大（大約 20 到 30 個標簽）。

我的問題：

在不刪除任何標簽的情況下創建此列表的最有效方法是什么？

另外，有沒有辦法在 RStudio 中做到這一點？

Answer 1

我們可以在這里使用正則表達式從字符串中提取關鍵字。

如果我們將關鍵字放在向量keywords中，我們可以使用str_extract_all中的stringr來提取字符串中的所有匹配詞。 我已經把它變成了一個簡單的 function，我們將其應用於 data.frame 的Description列，將結果插入到一個新的變量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

由於您希望匹配不區分大小寫，因此將正則表達式模式 ( tags ) 放入regex function 允許我們指定它應該忽略大小寫。

Answer 2

一個簡單的解決方案，它使用 Excel 公式並避免任何外部依賴：

• 使用 excel 中的=SEARCH() function 查找標簽，為每個關鍵字或標簽填充一列
• 使用=TEXTJOIN()聚合所有標簽

例子：

	一個	乙	C	D	乙	F	G
1	類別	描述	標簽（全部）	價格	地點	距離	可用性
2	一個	真的不喜歡這個價格和位置太遠了	'=TEXTJOIN(", ", TRUE, D2:XX2)	'=IF(ISERROR(搜索(D$1,$B2)), "", D$1)	------	------	---->

Output：

	一個	乙	C	D	乙	F	G
1	類別	描述	標簽（全部）	價格	地點	距離	可用性
2	一個	真的不喜歡這個價格和位置太遠了	價格，位置	價格	地點