用R写一个函数，删除在列中包含某些字符的文本?

Question

我有一个列，其中包含来自Twitter的文本，这些文本都是原始帖子和对帐户的响应/回复。

df(2行/200万)示例:

ID |              Tweet                                
1    @mcr_chick i wanna sleep.lol.
2    Someone burned a hole.

我想删除所有具有'@'和相应的名称附加到'@'符号的推文。正如您所看到的，有些tweet中没有@name，因此我需要以某种方式仅按包含"@"或其他内容的id进行分组。

所需输出:

ID |              Tweet                   | Original_Tweet        | Reply_Tweet             
1    @mcr_chick i wanna sleep.lol.          NA                      i wanna sleep.lol.
2    Someone burned a hole.                 Someone burned a hole.

我正在使用子命令从文本中删除'@'，然后删除tweet中的第一个单词，但我仍然需要按包含'@'的那些分组。

任何帮助都将非常感激!

Answer 1

与akrun的方法略有不同

library(tidyverse)
data <- tibble(id=c(1,2),
tweet=c("@mcr_chick i wanna sleep.lol.",
"Someone burned a hole."))
data %>%
mutate(
#original tweet
original = ifelse(
#look for twitter handle
str_detect(tweet, "@\w+"), 
# if found, NA
NA,
# otherwise, text in tweet column
tweet),
#reply tweet
reply = ifelse(
# look for twitter handle
str_detect(tweet, "@\w+"),
# if found, remove handle
str_remove(tweet,"@\w+"),
# otherwise NA
NA),
#clean up some whitespace
reply = str_trim(reply)
)

这回报:

id    tweet               original         reply       
<dbl> <chr>               <chr>            <chr>       
1      @mcr_chick i wanna~ NA               i wanna sle~
2      Someone burned a h~ Someone burned ~ NA       

Answer 2

我们可以str_extract从字符串的开始(^)提取没有'@'字符的'Tweet'(因此第一行变成NA，因为开始有一个@)来创建'Original_Tweet'，并使用case_when通过删除以"@"开头的子字符串来创建'Reply_tweet'列。后跟非空格的字符(\s+)(默认情况下，case_when中的TRUE返回NA)

library(dplyr)
library(stringr)
df1 %>% 
mutate(Original_Tweet = str_extract(Tweet, "^[^@]+"), 
Reply_tweet = case_when(str_detect(Tweet, "@") ~ 
str_remove(Tweet, "^@[^ ]+\s+")))

与产出

ID                         Tweet        Original_Tweet        Reply_tweet
1  1 @mcr_chick i wanna sleep.lol.                  <NA> i wanna sleep.lol.
2  2         Someone burned a hole Someone burned a hole               <NA>

数据

df1 <- structure(list(ID = 1:2, Tweet = c("@mcr_chick i wanna sleep.lol.", 
"Someone burned a hole")), class = "data.frame", row.names = c(NA, 
-2L))

Answer 3

这里有一种使用已定义的正则表达式模式" ?@\w+ ?"的替代方法，它基本上搜索所有以@开头的字符串，直到该字符串的末尾:

然后我们使用一些stringr函数和ifelse语句:

library(dplyr)
library(stringr)
tweet_pattern <- " ?@\w+ ?"
df %>% 
mutate(Original_Tweet = str_replace(Tweet, tweet_pattern, NA_character_),
Reply_Tweet = ifelse(str_detect(Tweet, tweet_pattern), 
str_remove(Tweet, tweet_pattern), 
NA_character_))

输出:

ID                         Tweet         Original_Tweet        Reply_Tweet
1  1 @mcr_chick i wanna sleep.lol.                   <NA> i wanna sleep.lol.
2  2        Someone burned a hole. Someone burned a hole.               <NA>

Answer 4

逻辑类似于@Anthony Schmidt的回答，但以r为基数。

transform(data, Original_Tweet = ifelse(grepl('@',tweet,fixed = TRUE),NA, tweet),
reply_tweet = ifelse(grepl('@', tweet, fixed = TRUE), 
sub('@.*?\s+', '', tweet), NA))
#  id                         tweet         Original_Tweet        reply_tweet
#1  1 @mcr_chick i wanna sleep.lol.                   <NA> i wanna sleep.lol.
#2  2        Someone burned a hole. Someone burned a hole.               <NA>