r - 计算 R 中每一行文本数据的 ngram

Question

我有以下格式的数据列：

文本

Hello world  
Hello  
How are you today  
I love stackoverflow  
blah blah blahdy  

我想通过可能使用tau包的textcnt()函数来计算这个数据集中每一行的 3-gram。但是，当我尝试它时，它给了我一个带有整个列的 ngram 的数字向量。如何将此函数分别应用于数据中的每个观察值？

Answer 1

这就是你所追求的吗？

library("RWeka")
library("tm")

TrigramTokenizer <- function(x) NGramTokenizer(x, 
                                Weka_control(min = 3, max = 3))
# Using Tyler's method of making the 'Text' object here
tdm <- TermDocumentMatrix(Corpus(VectorSource(Text)), 
                          control = list(tokenize = TrigramTokenizer))

inspect(tdm)

A term-document matrix (4 terms, 5 documents)

Non-/sparse entries: 4/16
Sparsity           : 80%
Maximal term length: 20 
Weighting          : term frequency (tf)

                      Docs
Terms                  1 2 3 4 5
  are you today        0 0 1 0 0
  blah blah blahdy     0 0 0 0 1
  how are you          0 0 1 0 0
  i love stackoverflow 0 0 0 1 0

Answer 2

这是使用qdap 包的 ngram 方法

## Text <- readLines(n=5)
## Hello world
## Hello
## How are you today
## I love stackoverflow
## blah blah blahdy

library(qdap)
ngrams(Text, seq_along(Text), 3)

这是一个列表，您可以使用典型的列表索引访问组件。

编辑：

至于您的第一种方法，请像这样尝试：

library(tau)
sapply(Text, textcnt, method = "ngram")

## sapply(eta_dedup$title, textcnt, method = "ngram")

Answer 3

以下是使用quanteda包的方法：

txt <- c("Hello world", "Hello", "How are you today", "I love stackoverflow", "blah blah blahdy")

require(quanteda)
dfm(txt, ngrams = 3, concatenator = " ", verbose = FALSE)
## Document-feature matrix of: 5 documents, 4 features.
## 5 x 4 sparse Matrix of class "dfmSparse"
##   features
## docs    how are you are you today i love stackoverflow blah blah blahdy
##  text1           0             0                    0                0
##  text2           0             0                    0                0
##  text3           1             1                    0                0
##  text4           0             0                    1                0
##  text5           0             0                    0                1

Answer 4

我猜 OP 想使用tau，但其他人没有使用该软件包。以下是您在 tau 中的操作方式：

data = "Hello world\nHello\nHow are you today\nI love stackoverflow\n  
blah blah blahdy"

bigram_tau <- textcnt(data, n = 2L, method = "string", recursive = TRUE)

这将是一个 trie，但您可以将其格式化为带有标记和大小的更经典的 datam-frame 类型：

data.frame(counts = unclass(bigram_tau), size = nchar(names(bigram_tau)))
format(r)

我强烈建议使用tau，因为它在处理大数据时表现得非常好。我用它来创建 1 GB 的 bigram，它既快速又流畅。