0

我有一个带有一堆文本字符串的数据框。在第二个数据框中，我有一个短语列表，用作查找表。我想在查找表中搜索所有可能的短语匹配的文本字符串。

我的问题是某些短语有重叠的单词。例如：“鸡蛋”和“绿色鸡蛋”。

library(udpipe)
library(dplyr)

# Download english dictionary
ud_model <- udpipe_download_model(language = "english")
ud_model <- udpipe_load_model(ud_model$file_model)

# Create example data
sample <- data.frame(doc_id = 1, text = "the cat in the hat ate green eggs and ham")
phrases <- data.frame(phrase = c("cat", "hat", "eggs", "green eggs", "ham", "the cat"))

# Tokenize text
x <- udpipe_annotate(ud_model, x = sample$text, doc_id = sample$doc_id)
x <- as.data.frame(x)
x$token <- tolower(x$token)

test_results <- x %>% select(doc_id, token)
test_results$term <- txt_recode_ngram(test_results$token, 
                                 compound = phrases$phrase, 
                                 ngram = str_count(phrases$phrase, '\\w+'), 
                                 sep = " ")

# Remove any tokens that don't match a phrase in the lookup table
test_results <- filter(test_results, term %in% phrases$phrase)

在结果中，您可以看到返回的是“the cat”而不是“cat”，返回的是“green eggs”而不是“eggs”。

> test_results$term
[1] "the cat"    "hat"        "green eggs" "ham"

如何在文本字符串和查找表之间找到所有可能的短语匹配？

我应该补充一点，我并不拘泥于任何特定的包裹。我只是在这里使用 udpipe，因为我最熟悉它。

4

1 回答 1

1

grepl我认为如果一个字符串在另一个字符串中，您可以简单地使用它来匹配。从你apply grepl到所有其他匹配模式

# Create example data
sample <- data.frame(doc_id = 1, text = "the cat in the hat ate green eggs and ham")
phrases <- data.frame(phrase = c("cat", "hat", "eggs", "green eggs", "ham", "the cat"))

apply(phrases, 1, grepl,sample$text)

如果你想要你的比赛，你可以：

phrases[apply(phrases, 1, grepl,sample$text),]

但也许一个dataframe类型与短语不是最相关的

于 2022-01-13T08:25:29.520 回答