tm 自定义删除标点符号（主题标签除外）

Question

我有一个来自 Twitter 的推文语料库。我清理了这个语料库（removeWords，tolower，删除 URls），最后还想删除标点符号。

这是我的代码：

tweetCorpus <- tm_map(tweetCorpus, removePunctuation, preserve_intra_word_dashes = TRUE)

现在的问题是，这样做我也失去了标签 (#)。有没有办法用 tm_map 删除标点符号但保留主题标签？

Answer 1

您可以调整现有的 removePunctuation 以满足您的需要。例如

removeMostPunctuation<-
function (x, preserve_intra_word_dashes = FALSE) 
{
    rmpunct <- function(x) {
        x <- gsub("#", "[=10=]2", x)
        x <- gsub("[[:punct:]]+", "", x)
        gsub("[=10=]2", "#", x, fixed = TRUE)
    }
    if (preserve_intra_word_dashes) { 
        x <- gsub("(\w)-(\w)", "\1[=10=]1\2", x)
        x <- rmpunct(x)
        gsub("[=10=]1", "-", x, fixed = TRUE)
    } else {
        rmpunct(x)
    }
}

哪个会给你

removeMostPunctuation("hello #hastag @money yeah!! o.k.")
# [1] "hello #hastag money yeah ok"

并且当您将它与 tm_map 一起使用时，但务必将其包装在 content_transformer()

中

tweetCorpus <- tm_map(tweetCorpus, content_transformer(removeMostPunctuation),
    preserve_intra_word_dashes = TRUE)

Answer 2

我维护的 qdap 包有 strip 函数来处理这个问题，您可以在其中指定不删除的字符：

library(qdap)

strip("hello #hastag @money yeah!! o.k.", char.keep="#")

此处应用于Corpus:

library(tm)

tweetCorpus <- Corpus(VectorSource("hello #hastag @money yeah!! o.k."))
tm_map(tweetCorpus, content_transformer(strip), char.keep="#")

此外，qdap 具有 sub_holder 功能，如果有用的话，其功能基本上与 Flick 先生的 removeMostPunctuation 功能相同

removeMostPunctuation <- function(text, keep = "#") {
    m <- sub_holder(keep, text)
    m$unhold(strip(m$output))
}

removeMostPunctuation("hello #hastag @money yeah!! o.k.")

## "hello #hastag money yeah ok"

tm 自定义删除标点符号（主题标签除外）

tm custom removePunctuation except hashtag

customization

text-processing

r

punctuation

tm