如何在两个人A和B之间的对话中只提取人A的陈述

Question

我有任意两个人 A 和 B 的对话记录。

c1 <- "Person A: blabla...something Person B: blabla something else Person A: OK blabla"
c2 <- "Person A: again blabla Person B: blabla something else Person A: thanks blabla"

数据框如下所示：

df <- data.frame(id = rbind(123, 345), conversation = rbind(c1, c2))

df

    id                                                                     conversation
c1 123 Person A: blabla...something Person B: blabla something else Person A: OK blabla
c2 345   Person A: again blabla Person B: blabla something else Person A: thanks blabla

现在我想只提取人A的部分并将其放入数据框中。结果应该是：

   id                     person_A
1 123 blabla...something OK blabla
2 345   again blabla thanks blabla

Answer 1

它可能不适用于您的所有情况。尤其是对话是从 Person B 开始的。让我知道是否是这种情况。否则试试

df$person_A <- gsub("Person B.*:|Person A:", "", df$conversation)
df <- data.frame(df$id, df$person_A)

Answer 2

使用 stringr 包

首先我们使用"Person A: "作为分隔符

分割字符串

library(stringr)
conv.split <- str_split(df$conversation, "Person A: ")

这将为我们提供由 A 发起的所有对话，并附上 B 的（可选）回答

我们现在删除 B 的回答

conv.split <- lapply(conv.split, function(x){str_split(x, "Person B:.*")})

最后我们取消列出每个元素并将它们折叠成一个字符串

sapply(conv.split, function(x){x <- unlist(x); paste(x, collapse = "")})

结果：

[1] "blabla...something OK blabla" "again blabla thanks blabla"

在 B 开始对话的情况下也适用，前提是两者中只有一个在说话，并且也适用于长时间的对话。

Answer 3

这是我的尝试，我还添加了由 B 发起的第二个对话和一个由 B 结束的对话，只是为了涵盖这些情况：

c1 <- "Person A: blabla...something Person B: blabla something else Person A: OK blabla"
c2 <- "Person A: again blabla Person B: blabla something else Person A: thanks blabla"
c3 <- "Person A: again blabla Person B: blabla something else"
df <- data.frame(id = rbind(123, 345, 567), conversation = rbind(c1, c2, c3))


df$PersonA <- gsub("(Person A: |Person B: .+? (?<= Person A: )|Person B: .+?\Z)", "", df$conversation, perl = TRUE)
df$PersonA

我用 gsub 做的是删除：

A 人：
B 的句子后跟 A 的句子
B 在对话结束时的句子 \Z

我用了perl = TRUE因为生命太短暂不能不使用后视镜...嗯...lookbehind operator

Answer 4

我非常喜欢以一种让您可以访问所有数据（也包括 B 的话语）的方式来解决这类问题。我喜欢 tidyr 的 extract 用于这种列拆分。我曾经使用 do.call(rbind, strsplit())) 方法，但喜欢 extract 方法的简洁性。

c1 <- "Person A: blabla...something Person B: blabla something else Person A: OK blabla"
c2 <- "Person A: again blabla Person B: blabla something else Person A: thanks blabla"
c3 <- "Person A: again blabla Person B: blabla something else"
df <- data.frame(id = rbind(123, 345, 567), conversation = rbind(c1, c2, c3))


if (!require("pacman")) install.packages("pacman")
pacman::p_load(dplyr, tidyr)

conv <- strsplit(as.character(df[["conversation"]]), "\s+(?=Person\s)", perl=TRUE)

df2 <- df[rep(1:nrow(df), sapply(conv, length)), ,drop=FALSE]
rownames(df2) <- NULL
df2[["conversation"]] <- unlist(conv)

df2 %>%
    extract(conversation, c("Person", "Conversation"), "([^:]+):\s+(.+)")

##    id   Person          Conversation
## 1 123 Person A    blabla...something
## 2 123 Person B blabla something else
## 3 123 Person A             OK blabla
## 4 345 Person A          again blabla
## 5 345 Person B blabla something else
## 6 345 Person A         thanks blabla
## 7 567 Person A          again blabla
## 8 567 Person B blabla something else


df2 %>%
    extract(conversation, c("Person", "Conversation"), "([^:]+):\s+(.+)") %>%
    filter(Person == "Person A")    

##    id   Person       Conversation
## 1 123 Person A blabla...something
## 2 123 Person A          OK blabla
## 3 345 Person A       again blabla
## 4 345 Person A      thanks blabla
## 5 567 Person A       again blabla

或按照您在所需输出中显示的方式折叠它们：

df2 %>%
    extract(conversation, c("Person", "Conversation"), "([^:]+):\s+(.+)") %>%
    filter(Person == "Person A") %>%
    group_by(id) %>%
    select(-Person) %>%
    summarise(Person_A =paste(Conversation, collapse=" "))

##    id                     Person_A
## 1 123 blabla...something OK blabla
## 2 345   again blabla thanks blabla
## 3 567                 again blabla

编辑：实际上，我怀疑您的数据具有真实姓名，例如 "john Smith" 与 "Person A"。如果是这种情况，此初始正则表达式拆分将捕获使用大写字母后跟冒号的名字和姓氏：

c1 <- "Greg Smith: blabla...something Sue Williams: blabla something else Greg Smith: OK blabla"
c2 <- "Greg Smith: again blabla Sue Williams: blabla something else Greg Smith: thanks blabla"
c3 <- "Greg Smith: again blabla Sue Williams: blabla something else"
df <- data.frame(id = rbind(123, 345, 567), conversation = rbind(c1, c2, c3))r


conv <- strsplit(as.character(df[["conversation"]]), "\s+(?=([A-Z][a-z]+\s+[A-Z][a-z]+:))", perl=TRUE)

df2 <- df[rep(1:nrow(df), sapply(conv, length)), ,drop=FALSE]
rownames(df2) <- NULL
df2[["conversation"]] <- unlist(conv)

df2 %>%
    extract(conversation, c("Person", "Conversation"), "([^:]+):\s+(.+)")

##    id       Person          Conversation
## 1 123   Greg Smith    blabla...something
## 2 123 Sue Williams blabla something else
## 3 123   Greg Smith             OK blabla
## 4 345   Greg Smith          again blabla
## 5 345 Sue Williams blabla something else
## 6 345   Greg Smith         thanks blabla
## 7 567   Greg Smith          again blabla
## 8 567 Sue Williams blabla something else

Answer 5

使用来自基础 R 的 data.table andgsub`:

require(data.table)
setDT(df)[, Person_A := gsub(".*Person A:[ ]*(.*)[ ]*Person B.*:[ ]*(.*)$", 
                         "\1\2", conversation)][, conversation := NULL]
df
#     id                       Person_A
# 1: 123 blabla...something OK blabla
# 2: 345   again blabla thanks blabla

如何在两个人A和B之间的对话中只提取人A的陈述

How to extract only person A's statements in a conversation between two persons A and B

regex

text-extraction

r

text-mining

dataframe