计算R中多个单词的单词频率？

Question

我正在尝试计算给定文本中多词的频率。例如，考虑以下文本：“环境研究环境研究环境研究研究科学能源，经济学，农业，生态学和生物学”。然后，我希望“环境研究”一词在文本中出现的次数。这是我尝试过的代码。

library(tm)
#Reading the data
text = readLines(file.choose())
text1 = Corpus(VectorSource(text))

#Cleaning the data
text1 = tm_map(text1, content_transformer(tolower))
text1 = tm_map(text1, removePunctuation)
text1 = tm_map(text1, removeNumbers)
text1 = tm_map(text1, stripWhitespace)
text1 = tm_map(text1, removeWords, stopwords("english"))

#Making a document matrix
dtm = TermDocumentMatrix(text1)
m11 = as.matrix(text1)
freq11 = sort(rowSums(m11), decreasing=TRUE)
d11 = data.frame(word=names(freq11), freq=freq11)
head(d11,9)

但是，此代码分别产生每个单词的频率。相反，我如何获得“环境研究”在文本中一起出现的次数？谢谢！

Answer 1

如果已经有一个多词列表，并且想在文本中计算它们的频率，则可以使用str_extract_all：

text <- "Environmental Research Environmental Research Environmental Research study science energy, economics, agriculture, ecology, and biology"

library(stringr)
str_extract_all(text, "[Ee]nvironmental [Rr]esearch")
[[1]]
[1] "Environmental Research" "Environmental Research" "Environmental Research"

如果您想知道多字出现的频率，可以执行此操作：

length(unlist(str_extract_all(text, "[Ee]nvironmental [Rr]esearch")))
[1] 3

如果您有兴趣一次提取所有多字，可以这样进行：

首先定义一个包含所有多字的向量：

multiwords <- c("[Ee]nvironmental [Rr]esearch", "study science energy")

然后使用paste0将它们折叠成一个单独的可选模式字符串，并在该字符串上使用str_extract_all：

str_extract_all(text, paste0(multiwords, collapse = "|"))
[[1]]
[1] "Environmental Research" "Environmental Research" "Environmental Research" "study science energy"

要获取多字的频率，可以使用table：

table(str_extract_all(text, paste0(multiwords, collapse = "|")))

Environmental Research   study science energy 
                     3                      1