r - 从推文中提取主题标签

Question

我正在尝试执行情绪分析并遇到一个小问题。我正在使用具有主题标签和其他一些垃圾值的字典(如下所示)。它还具有主题标签的相关权重。我只想将主题标签及其相应的权重提取到一个新的数据框中。有什么简单的方法吗？我试过使用 regmatches，但有些它如何以列表格式给出输出并且把事情搞砸了。输入:

            V1    V2
1    #fabulous 7.526
2   #excellent 7.247
3      superb 7.199
4  #perfection 7.099
5    #terrific 6.922
6 #magnificent 6.672

输出:

            V1    V2
1    #fabulous 7.526
2   #excellent 7.247
3  #perfection 7.099
4    #terrific 6.922
5 #magnificent 6.672

Answer 1

要仅选择作为主题标签的条目，您可以使用简单的正则表达式 ^#(意思是“任何以 # 开头的内容”):

> input[grepl("^#",input[,1]),]
            V1    V2
1    #fabulous 7.526
2   #excellent 7.247
4  #perfection 7.099
5    #terrific 6.922
6 #magnificent 6.672

否则，从您的原始数据来看，正则表达式 #[[:alnum:]]+(意思是:“一个主题标签，后跟 1 个或多个字母数字字符”)应该可以帮助您获取主题标签:

> tweets <- c("New R job: Statistical and Methodological Consultant at the Center for Open Science http://www.r-users.com/jobs/statistical-methodological-consultant-center-open-science/ … #rstats #jobs","New R job: Research Engineer/Applied Researcher at eBay http://www.r-users.com/jobs/research-engineerapplied-researcher-ebay/ … #rstats #jobs")
> match <- regmatches(tweets,gregexpr("#[[:alnum:]]+",tweets))
> match
[[1]]
[1] "#rstats" "#jobs"  

[[2]]
[1] "#rstats" "#jobs"  
> unlist(match)
[1] "#rstats" "#jobs"   "#rstats" "#jobs"