r - 如何将字符向量列表转换为 quanteda 标记对象？

Question

我有一个包含文档标记的字符向量列表。

list(doc1 = c("I", "like", "apples"), doc2 = c("You", "like", "apples", "too"))

我想将此向量转换为 quanteda tokens (或 dfm )对象以利用某些 quantedas 功能。
这样做的最佳方法是什么？
我意识到我可以对每个文档执行以下操作:

tokens(paste0(c("I", "like", "apples"), collapse = " "), what = "fastestword")

这使:

Tokens consisting of 1 document.
text1 :
[1] "I"      "like"   "apples"

但这感觉就像一个黑客，也不可靠，因为我的一些 token 对象中有空格。有没有办法更顺利地传输这些数据结构？

Answer 1

您可以从以下位置构造 token 对象:

一个字符向量，在这种情况下，对象被标记为每个字符元素成为一个“文档”

语料库，它是一个特殊分类的字符向量，并以相同的方式被标记化并转换为标记对象中的文档

一个字符元素列表，在这种情况下，每个列表元素成为一个标记化的文档，并且该列表的每个元素成为一个标记(但不会进一步标记化)

一个标记对象，它被视为与字符元素列表相同。

也可以使用 as.tokens(mylist) 将字符元素列表转换为标记对象。 .不同的是，与 tokens() ，您可以访问所有选项，例如 remove_punct .与 as.tokens() ，转换是直接的，没有选项，所以如果你不需要选项会快一点。

lis <- list(
  doc1 = c("I", "like", "apples"),
  doc2 = c("One two", "99", "three", ".")
)

library("quanteda")
## Package version: 3.0.9000
## Unicode version: 13.0
## ICU version: 69.1
## Parallel computing: 8 of 8 threads used.
## See https://quanteda.io for tutorials and examples.

tokens(lis)
## Tokens consisting of 2 documents.
## doc1 :
## [1] "I"      "like"   "apples"
## 
## doc2 :
## [1] "One two" "99"      "three"   "."
tokens(lis, remove_punct = TRUE, remove_numbers = TRUE)
## Tokens consisting of 2 documents.
## doc1 :
## [1] "I"      "like"   "apples"
## 
## doc2 :
## [1] "One two" "three"

强制替代，没有选项:

as.tokens(lis)
## Tokens consisting of 2 documents.
## doc1 :
## [1] "I"      "like"   "apples"
## 
## doc2 :
## [1] "One two" "99"      "three"   "."