r - 删除 R 中的标点符号，但保留标点符号/“句子标记”“！”、“。”、“？” 在句末

Question

我目前正在尝试在我正在使用的文本语料库上创建一个基于句子的 LDA。为了检测句子并拆分它们，我使用了包中的sent_detect()函数。openNLP

但是，我正在使用的数据集非常不干净，并且包含许多其他“标点符号”，我想在使用该sent_detect()函数之前将其删除。

通常，我会在文本语料库上使用以下代码（来自tm包）来删除标点符号：
text.corpus <- tm_map(text.corpus, removePunctuation)

但是，此函数会删除所有类型的标点符号，包括 “.”、“?”、“!”、“|” 函数用于sent_detect()检测句子。因此，将文本分成单独的句子会破坏我的目标。

有没有办法使用上述tm_map()功能删除标点符号但排除特定的“句子指示符”（*“。”，“？”，“！”，“|”**）？

这是一个文本示例：

不好笑; - 我根本不喜欢这部电影/电影（因为演员很糟糕）。然而，我真的很喜欢这里的风景！

通常，上面removePunctuation会删除所有标点符号并留下以下句子：

不好笑我根本不喜欢这部电影，因为演员很糟糕，但我真的很喜欢这里的风景

但是，我想要结束的是：

不好笑我根本不喜欢这部电影，因为演员很糟糕。但是我真的很喜欢这里的风景！

谢谢！

Ps：使用 openNLP 包不是必须的，我也对任何其他解决方案持开放态度！

标签： rgsubdata-cleaningldatopic-modeling

Answer 1

您可以使用gsub将要删除的所有字符定义为模式，将它们与交替标记连接，并|确保元字符（如(和)）正确转义为争论：\\""

gsub(";|- |/ |,|\\(|\\)", "", s)
[1] "not funny i did not like the movie film at all since the actors were terrible. however i really enjoyed the scenery!"

数据：

s <- "not funny; - i did not like the movie / film at all (since the actors were terrible). however, i really enjoyed the scenery!"