r - 文本挖掘 - 具有大量拼写问题和差异的功能

Question

我想理解“颜色”这个特征。问题在于它有超过 15.000 种规格，其中有很多拼写问题（例如 brwon <-> brown、oliv <-> olive），但也存在差异（浅蓝色 <-> blue）。

怎么可能理解这样的特征？是否有任何资源、R 包或 python 模块？

Answer 1

R 可以使用 aspell（命令可用）。但是你需要在你的机器上安装 aspell，甚至可能是 hunspell。例如，在 chrome / firefox 和 Rstudio 中，Hunspell 被用作拼写检查。

阅读此期刊以获取有关 R 中 aspell 和 hunspell 的更多信息。

但这只会处理拼写错误。您可以使用正则表达式来查找主要颜色。