r tidytext 中的标记化，留在＆符号中

Question

我目前正在使用 tidytext 包中的 unnest_tokens() 函数。它完全按照我的需要工作，但是，它从文本中删除了符号 (&)。我希望它不要那样做，但保持其他一切不变。

例如：

library(tidyverse)
library(tidytext)

d <- tibble(txt = "Let's go to the Q&A about B&B, it's great!")
d %>% unnest_tokens(word, txt, token="words")

目前 returns

# A tibble: 11 x 1
   word 
   <chr>
 1 let's
 2 go   
 3 to   
 4 the  
 5 q    
 6 a    
 7 about
 8 b    
 9 b    
10 it's 
11 great

但我想 return

# A tibble: 9 x 1
  word 
  <chr>
1 let's
2 go   
3 to   
4 the  
5 q&a       
6 about
7 b&b
8 it's
9 great

有没有办法向 unnest_tokens() 发送一个选项来执行此操作，或者发送它当前使用的正则表达式并手动将其调整为不包含 & 符号？

Answer 1

我们可以将token用作regex

library(tidytext)
library(dplyr)
d %>% 
   unnest_tokens(word, txt, token="regex", pattern = "[\s!,.]")
# A tibble: 9 x 1
#  word 
#  <chr>
#1 let's
#2 go   
#3 to   
#4 the  
#5 q&a  
#6 about
#7 b&b  
#8 it's 
#9 great

r tidytext 中的标记化，留在＆符号中

Tokenization in r tidytext, leaving in ampersands

r

tokenize

unnest

tidytext