问题标签 [tidytext]

我正在转换从 pdf 文件中读取的文本。

特别是，我有一个字符向量，其中包含连字符（“-”），用于执行音节化，或将单词分隔为新行，但仅当它出现在 numbers 时。例如：

我想要做的是删除所有连字符并将这些单词粘贴在一起。

我的开始尝试：

从这里，我尝试：

但这会返回单独的数字。例如

1. 123 2. 456

没有一个字 - 123456。

有任何想法吗？

I have a pdf file that I am reading as a text.

The problem I am having has to do with syllabification occurring between numbers.

Link to file on github.

If you search the document, you'll see examples like 530000101378- 659. This is supposed to be a single number 530000101378659.

I've tried different regex versions, but all failed.

This is the remaining code:

In every instance, the output in count is two seperate words

I assume the regex is failing in combining the elements from different lines. But im not sure how to fix it.

Any help is much appreciated.

如何从 HTML 中删除 pdf 文档？我正在使用 R，我只能从 HTML 中提取文本。我要废弃的网站示例如下。

https://www.bot.or.th/English/MonetaryPolicy/Northern/EconomicReport/Pages/Releass_Economic_north.aspx

问候

我尝试使用 tidytext 分析一些文本并使用下面的代码；但是收到一条错误消息：

这是我在公司内部 R 平台上收到的错误消息，但是代码在我当地的 R 工作室上运行。我应该怎么做才能纠正错误？（输入和输出都是字符串）

这很可能是一个愚蠢的问题，但我已经用谷歌搜索和搜索，但找不到解决方案。我认为这是因为我不知道正确的方式来表达我要搜索的问题。

我有一个数据框，已在 R 中转换为整洁的文本格式，以消除停用词。我现在想将该数据框“整理”回其原始格式。

unnest_tokens 的相反/反向命令是什么？

编辑：这是我正在使用的数据的样子。我正在尝试复制 Silge 和 Robinson 的Tidy Text book 中的分析，但使用的是意大利歌剧歌词。

我把它变成整洁的文本，这样我就可以去掉停用词：

现在我有这样的事情：

我想将其恢复为字符名称和相关行的格式以查看其他内容。基本上我希望文本格式与以前相同，但删除了停用词。

我正在从 twitter 进行情绪分析，但我的推文是西班牙语的，所以我不能使用 tidytext 对单词进行分类。有谁知道是否有类似的西班牙语套餐？

在这本书关于 tydy-text 之后获得 n-gram：http: //tidytextmining.com/ngrams.html

编码：

我收到一个错误：

这是一个奇怪的谜题。我从古腾堡下载了 2 篇文章——爱丽丝梦游仙境和尤利西斯。停用词从 Alice 身上消失了，但它们仍在 Ulysses 中。即使将 anti_join 替换为过滤器 (!word %in% stop_words$word)，此问题仍然存在。

如何从 Ulysses 中获取 stop_words？

谢谢你的帮助！

Alice & Ulysses 的前 15 个 tf_idf 图表

我正在使用优秀的tidytext包来标记几个段落中的句子。例如，我想采取以下段落：

“我完全相信达西先生没有缺陷。他自己拥有它，毫不掩饰。”

并将其标记为两个句子

1. “我完全相信达西先生没有缺陷。”
2. “他自己拥有它，毫不掩饰。”

但是，当我使用默认的句子标记器时，tidytext我得到了三个句子。

代码

结果

什么是tidytext用于标记句子的简单方法，但不会遇到常见缩写（例如“先生”）的问题？或“博士” 被解释为句尾？

让我从Tidytext 简介@CRAN中的以下完整工作代码开始

到目前为止一切都很好。我有六本简·奥斯汀的小说，去掉了标准的垃圾词。

这让我明白了：《理智与情感》、《傲慢与偏见》、《曼斯菲尔德公园》、《艾玛》、《诺桑格修道院》、《说服》。

所以如果我想做一个所有六个的标准TF词云，没问题。就像这样（添加颜色）：

工作精美。但是，我该如何对所有六本小说进行commonality.cloud ()以及对相同内容的 compare.cloud() 呢？

我需要的所有数据都在clean_books中——但我不知道如何重塑它。感谢您的帮助！

知道了。谢谢。

如果其他人有类似的问题，将离开。

上面的代码 &

效果很好。