r - 如何计算 R 中的文本行数？

Question

我想使用 R 计算文本中不同发言者所说的行数(它是议会发言记录的抄本)。基本文本如下所示:

MR. JOHN: This activity has been going on in Tororo and I took it up with the office of the DPC. He told me that he was not aware of it.
MS. SMITH: Yes, I am aware of that. 
MR. LEHMAN: Therefore, I am seeking your guidance, Madam Speaker, and requesting that you re-assign the duty.  
MR. JOHN: Thank you

在文档中，每位发言者都有一个以 MR/MS 开头且始终大写的标识符。我想创建一个数据集，该数据集计算每个发言者在文档中每次发言时所说的行数，这样上述文本将导致:

MR. JOHN: 2
MS. SMITH: 1
MR. LEHMAN: 2
MR. JOHN: 1

感谢使用 R 的指针!

Answer 1

您可以使用模式 : 来分割字符串，然后使用 table:

table(sapply(strsplit(x, ":"), "[[", 1))
#   MR. JOHN MR. LEHMAN  MS. SMITH 
#          2          1          1 

strsplit - splits strings at : and results in a list
sapply with [[ - selects the first part element of the list
table - gets the frequency

编辑:遵循 OP 的评论。您可以将成绩单保存在 文本文件 中，然后使用 readLines 读取 R 中的文本。

tt <- readLines("./tmp.txt")

现在，我们必须找到一种模式来过滤此文本，以筛选出带有发言者姓名的那些行。根据我在您链接的成绩单中看到的内容，我可以想到两种方法。

• 检查 :，然后 lookbehind : 看它是否是 A-Z 或 [:punct:] (也就是说，如果出现在 : 之前的字符是任何大写字母或任何标点符号 - 这是因为其中一些具有 ) 在 :) 之前。

你可以使用 strsplit 后跟 sapply (如下图)

使用 strsplit:

# filter tt by pattern
tt.f <- tt[grepl("(?<=[A-Z[:punct:]]):", tt, perl = TRUE)]
# Now you should only have the required lines, use the command above:

out <- table(sapply(strsplit(tt.f, ":"), "[[", 1))

还有其他可能的方法(例如，使用 gsub :)或替代模式。但这应该让您对这种方法有所了解。如果模式应该不同，那么您应该更改它以捕获所有必需的行。

当然，这里假设没有其他行，例如，像这样:

"Mr. Chariman, whatever (bla bla): It is not a problem"

因为我们的模式将为 ): 提供 TRUE。如果文本中出现这种情况，您将不得不找到更好的模式。