如何将字符向量列表转换为Quanteda tokens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，以便利用一些 Quantedas 功能。

最好的方法是什么？

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")

这给出了：

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

但这感觉像是一种黑客行为，而且也不可靠，因为我的一些令牌对象中有空格。有没有办法可以更顺利地传输这些数据结构？

Answer 1

您可以通过以下方式构造令牌对象：

• 一个字符向量，在这种情况下，对象被标记化，每个字符元素成为一个“文档”
• 语料库，它是一种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
• 字符元素列表，在这种情况下，每个列表元素都成为标记化文档，并且该列表的每个元素都成为标记（但不会进一步标记化）
• 一个标记对象，其处理方式与字符元素列表相同。

还可以使用

as.tokens(mylist)

将字符元素列表转换为标记对象。不同之处在于，使用

tokens()

，您可以访问所有选项，例如

remove_punct

。使用

as.tokens()

，转换是直接的，没有选项，所以如果你不需要选项会更快一点。

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"

强制替代方案，没有选项：

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

Answer 2

根据

?tokens

，

x

可以是

list

。

x - 标记构造函数的输入对象，其中之一：（唯一）命名的字符列表；令牌对象；或将被标记化的语料库或字符对象

所以我们只需要

library(quanteda)
tokens(lst1, what = 'fastestword')