我使用以下代码将数据框转换为整洁的数据框:
replace_reg <- "https://t.co/[A-Za-z\d]+|http://[A-Za-z\d]+|&|<|>|RT|https"
unnest_reg <- "([^A-Za-z_\d#@']|'(?![A-Za-z_\d#@]))"
tidy_tweets <- tweets %>%
filter(!str_detect(text, "^RT")) %>%
mutate(text = str_replace_all(text, replace_reg, "")) %>%
unnest_tokens(word, text, token = "regex", pattern = unnest_reg) %>%
filter(!word %in% custom_stop_words2$word,
str_detect(word, "[a-zäöüß]"))
但是,这将生成一个整洁的数据框,其中德语字符 üäöß 将从新创建的单词列中删除,例如,"wählen"变为两个单词:"w"和"hlen",并且删除了特殊字符。
我正在尝试获取德语单词的整洁数据框,以进行文本分析和术语频率。
有人可以指出我如何处理这个问题的正确方向吗?
您需要将括号表达式中的所有A-Za-z\d
替换为[:alnum:]
。
POSIX 字符类[:alnum:]
匹配 Unicode 字母和数字。
replace_reg <- "https://t.co/[[:alnum:]]+|http://[[:alnum:]]+|&|<|>|RT|https"
unnest_reg <- "([^[:alnum:]_#@']|'(?![[:alnum:]_#@]))"
如果将这些模式与纵梁函数一起使用,也可以考虑改用[\p{L}\p{N}]
,如
unnest_reg <- "([^\p{L}\p{N}_#@']|'(?![\p{L}\p{N}_#@]))"
其中p{L}
匹配任何 Unicode 字母,p{N}
匹配任何 Unicode 数字。