时间戳

首页 > 解决方案 > 计算列中字典单词的频率并生成新的“dictfreq”列

r - 计算列中字典单词的频率并生成新的“dictfreq”列

问题描述

似乎是一个简单的命令，但我似乎找不到在 R 中生成它的好方法。基本上，我只想计算字典 dict 中每个单词在另一个数据框的列 wordsgov 中的频率：

dict = "apple", "pineapple","pear"
df$wordsgov = "i hate apple", "i hate apple", "i love pear", "i don't like pear", "pear is okay", "i eat pineapple sometimes"

期望的输出：新的频率排名，根据 df$wordsgov 中的频率显示 dict 中的所有单词

dict    freq_gov
"pear" : 3
"apple": 2
"pineapple: 1

我尝试了以下代码，但它给了我在 df$wordgov 的每一行中出现 dict 单词的次数，这不是我想要的：

dictongov <- within(
  df,
  counts <- sapply(
    gregexpr(paste0(dict, collapse = "|"), wordsgov),
    function(x) sum(x > 0)
  )
)

我似乎无法弄清楚如何更改函数，以便它为我提供 dict$wordsgov 上 dict 的每个单词的频率。我试过 str_detect 但它也不起作用。任何帮助都将不胜感激！！！

- 编辑：我使用了以下，效果很好。

dictfreq <- df %>% mutate(dict = str_c(str_extract(wordsgov, str_c(dict, collapse = '|')), ':')) %>% 
                   count(dict, name = 'freq_gov') %>% arrange(desc(freq_gov))

但是，它取出了所有频率为0的单词。有没有办法保留频率为0的单词？我试过“.drop=FALSE”，但它似乎在这段代码中不起作用。任何帮助将非常感激。谢谢！

标签： rdictionaryword-frequency

解决方案

我们也可以这样做str_count

library(stringr)
library(purrr)
out <- map_int(str_c("\\b", v2, "\\b"), ~  sum(str_count(v1, .x)))
out
#[1] 2 1 3

rank(out)

数据

v1 <- c("i hate apple", "i hate apple", "i love pear", "i don't like pear", 
       "pear is okay", "i eat pineapple sometimes")

v2 <- c("apple", "pineapple", "pear")

推荐阅读