正規表現を使用して特定の文字列を抽出する

Question

文字列とPOSタグを含むデータ名があります。特定のPOSタグをフィルタリングして特定の文字列を抽出したい。

単純な例として、「NN-NN-NN」と「VB-JJ-NN」の文字列を抽出します。

df <- data.frame(word = c("abrasion process management", 
          "slurries comprise abrasive", 
          "slurry compositions comprise ", 
          "keep high polishing", 
          "improved superabrasive grit", 
          "using ceriacoated silica", 
          "and grinding", 
          "for cmp", 
          "and grinding for"), 
       pos_tag = c("NN-NN-NN", "NNS-NN-NN", "NN-NNS-NN", "VB-JJ-NN", 
          "VBN-JJ-NN", "VBG-JJ-NN", "CC-VBG", "IN-NN", "CC-VBG-IN")) 

> df 
       word    pos_tag 
1 abrasion process management NN-NN-NN 
2 slurries comprise abrasive NNS-NN-NN 
3 slurry compositions comprise NN-NNS-NN 
4   keep high polishing VB-JJ-NN 
5 improved superabrasive grit VBN-JJ-NN 
6  using ceriacoated silica VBG-JJ-NN 
7     and grinding CC-VBG 
8      for cmp IN-NN 
9    and grinding for CC-VBG-IN 

私のパターンを定義するために正規表現を使用しようとしました。 しかし、それはパターンを定義する効率的な方法ではないと思います。 他のより効率的な方法がありますか？ここ

pos <- c("NN-NN-NN", "NNS-NN-NN", "NN-NNS-NN", "VB.-JJ-NN", "VB-JJ-NN") 
pos2 <- paste0('^', pos , "\\w*$", collapse = '|') 
sort_string <- df[grep(pos2, df$pos_tag),] %>% 
       unique() 

は、私はあなたがそのための正規表現を必要としない

   word    pos_tag 
1 abrasion process management NN-NN-NN 
2 slurries comprise abrasive NNS-NN-NN 
3 slurry compositions comprise NN-NNS-NN 
4   keep high polishing VB-JJ-NN 
5 improved superabrasive grit VBN-JJ-NN 
6  using ceriacoated silica VBG-JJ-NN 

Answer 1

を取得したいものです。

vec <- c("NN-NN-NN", "VB-JJ-NN") 

library(stringdist) 
df[!!amatch(df$pos_tag, vec, maxDist = 1, nomatch = 0),] 

います：

      word pos_tag 
1 abrasion process management NN-NN-NN 
2 slurries comprise abrasive NNS-NN-NN 
3 slurry compositions comprise NN-NNS-NN 
4   keep high polishing VB-JJ-NN 
5 improved superabrasive grit VBN-JJ-NN 
6  using ceriacoated silica VBG-JJ-NN 

を、これは何：可能性がstringdist -packageからamatch -functionを使用することです

• amatch(df$pos_tag, vec, maxDist = 1, nomatch = 0)はdf$pos_tagの値が一致するかどうかに見える
  差異の指定された許容差を持つvecの値。この場合
• 私は、1つの文字の最大許容editdistance使用：あなたはpos_tagているかどうかを示す論理ベクトルを作成!!、二重否定することでmaxDist = 1
• を（ほぼ）VECでの値のいずれかと一致します。代替は次のとおりです。df[amatch(df$pos_tag, vec, maxDist = 1, nomatch = 0) > 0,]

---

あなたはまた、sapply/lapplyとrowSums/unlistと組み合わせてagrep/agreplをベースRでこれを行うことができます：

# method 1: 
df[rowSums(sapply(vec, function(x) agrepl(x, df$pos_tag, max.distance = 1))) > 0,] 

# method 2: 
df[unlist(lapply(vec, function(x) agrep(x, df$pos_tag, max.distance = 1))),] 

両方があなたに同じを与えます結果。