如何在R中使用正则表达式拆分列标签并统计频率？

你的hashtags列是字符串形式的列表结构，需要先清理格式再拆分标签，下面提供两种实现方式：

方法一：使用tidyverse工具包（推荐） #

tidyverse的dplyr和tidyr能更直观地完成数据清洗和拆分操作：

# 加载工具包
library(tidyverse)

# 清洗标签列并拆分到单独行
twts_clean <- twts %>%
  # 移除字符串中的方括号、单引号
  mutate(hashtags = str_remove_all(hashtags, "\\[|\\]|'") %>% 
           # 按逗号+可选空格拆分标签
           str_split(",\\s*")) %>%
  # 将每个标签拆分为独立行
  unnest(hashtags)

# 统计标签出现频率（按次数降序）
hashtag_freq <- twts_clean %>%
  count(hashtags, sort = TRUE)

# 查看结果
print(hashtag_freq)

步骤解释： #

• str_remove_all()：清理掉标签字符串里的格式符号（[]和'），只保留标签内容
• str_split(",\\s*")：以逗号和后续可能的空格为分隔符，把每行的标签拆成列表
• unnest()：把列表中的每个标签展开成单独的行，让每个标签对应一条记录
• count()：自动统计每个标签的出现次数，sort=TRUE让结果按次数从多到少排列

方法二：基础R实现（无需额外包） #

如果不想加载第三方包，可以用基础R函数完成：

# 第一步：清理标签字符串并拆分
hashtags_list <- strsplit(gsub("\\[|\\]|'", "", twts$hashtags), ",\\s*")

# 第二步：将所有标签合并为一个向量
all_hashtags <- unlist(hashtags_list)

# 第三步：统计频率并排序
hashtag_freq <- table(all_hashtags)
hashtag_freq_df <- as.data.frame(hashtag_freq) %>%
  arrange(desc(Freq))

# 查看结果
print(hashtag_freq_df)

步骤解释： #

• gsub()：全局替换掉所有格式符号，得到纯标签组成的字符串
• strsplit()：拆分字符串得到标签列表
• unlist()：把列表展开为包含所有标签的一维向量
• table()：统计每个标签的出现次数，后续转成数据框并按次数降序排列

额外提示 #

如果需要忽略标签的大小写差异（比如避免区分Sinopharm和sinopharm），可以在拆分后统一转成小写：

# tidyverse方式中添加转小写步骤
twts_clean <- twts %>%
  mutate(hashtags = str_remove_all(hashtags, "\\[|\\]|'") %>% 
           str_split(",\\s*")) %>%
  unnest(hashtags) %>%
  mutate(hashtags = tolower(hashtags))

# 基础R方式中修改向量
all_hashtags <- tolower(unlist(hashtags_list))

内容的提问来源于stack exchange，提问作者andrew