在R中拆分字符串和生成频率表

Question

我在R数据框中有一列公司名称，如下所示:

"ABC Industries"  
"ABC Enterprises"  
"123 and 456 Corporation"  
"XYZ Company"

以此类推。我试图生成本列中出现的每个单词的频率表，例如，如下所示:

Industries   10  
Corporation  31  
Enterprise   40  
ABC          30  
XYZ          40  

我对R比较陌生，所以我想知道一个好方法来解决这个问题。我是否应该拆分字符串并将每个不同的单词放入一个新列中?是否有一种方法可以将一个多词行拆分为多个行与一个词?

Answer 1

如果您愿意，您可以在一行代码中完成:

R> text <- c("ABC Industries", "ABC Enterprises", 
+            "123 and 456 Corporation", "XYZ Company")
R> table(do.call(c, lapply(text, function(x) unlist(strsplit(x, " ")))))
        123         456         ABC         and     Company 
          1           1           2           1           1 
Corporation Enterprises  Industries         XYZ 
          1           1           1           1 
R> 

这里我使用strsplit()来打破每个条目介绍组件;这将返回一个列表(在列表中)。我使用do.call()，所以简单地将所有结果列表连接到一个向量，table()总结。

Answer 2

下面是另一个一行代码。它使用paste()将所有列条目组合成一个长文本字符串，然后将其分开并制表:

text <- c("ABC Industries", "ABC Enterprises", 
         "123 and 456 Corporation", "XYZ Company")
table(strsplit(paste(text, collapse=" "), " "))

Answer 3

您可以使用tidytext和dplyr包:

set.seed(42)
text <- c("ABC Industries", "ABC Enterprises", 
       "123 and 456 Corporation", "XYZ Company")
data <- data.frame(category = sample(text, 100, replace = TRUE),
                   stringsAsFactors = FALSE)
library(tidytext)
library(dplyr)
data %>%
  unnest_tokens(word, category) %>%
  group_by(word) %>%
  count()
#> # A tibble: 9 x 2
#> # Groups:   word [9]
#>          word     n
#>         <chr> <int>
#> 1         123    29
#> 2         456    29
#> 3         abc    45
#> 4         and    29
#> 5     company    26
#> 6 corporation    29
#> 7 enterprises    21
#> 8  industries    24
#> 9         xyz    26