周波数テーブルに基づくサブセット/フィルタ

Question

私はいくつかのテキストデータを持つdfを持っています。

私はすでにスペルエラーが含まれている任意の行に基づいてサブセットすることができるよ

words <- data.frame(terms = c("qhick brown fox", 
           "tom dick harry", 
           "cats dgs", 
           "qhick black fox")) 

：

library(qdap) 
words[check_spelling(words$terms)$row,,drop=F] 

しかし、私は、私はのみ発生スペルミスにフィルタリングするテキストデータがたくさんある与えられましたより頻繁に：

> sort(which(table(which_misspelled(toString(unique(words$terms)))) > 1), decreasing = T) 
qhick 
    2 

ここで、「qhick」は一般的なスペルミスです。

どうすればこの表に基づいて単語をサブセット化できますか？したがって、 "qhick"を含む行だけを返しますか？

Answer 1

単語自体は、sort()関数の名前です。あなたが行うことができる唯一の名前がある場合：

top_misspelled <- sort(which(table(which_misspelled(toString(unique(words$terms)))) > 1), decreasing = T) 

words[grepl(names(top_misspelled), words$terms), , drop = F] 
#   terms 
#1 qhick brown fox 
#4 qhick black fox 

をしかし、あなたが複数持っている場合は、同じようgrepl検索を構築するためにそれらを一緒に折りたたむことができ：

words[grepl(paste0(names(top_misspelled), collapse = "|"), words$terms), ,drop = F] 

---

非正規表現のオプションだろう各行を単語に分割し、その行の単語のいずれかが目的の文字列と一致する場合は、その行を返します。

words[sapply(strsplit(as.character(words[,"terms"]), split=" "), function(x) any(x %in% names(top_misspelled))), 
     ,drop = F] 

#   terms 
#1 qhick brown fox 
#4 qhick black fox