求助：在R中提取目标词前后10个词用于情感分析

针对你的需求，这里提供两种实用的R实现方法，分别适配不同场景：

方法一：正则表达式快速提取上下文字符串 #

适合快速获取包含目标词的前后10词片段，无需提前分词：

# 加载所需包
library(dplyr)
library(stringr)

# 定义目标词向量
target_words <- c("jesus", "mary", "christ", "magdelene")

# 构建匹配前后最多10个完整单词的正则模式
context_pattern <- paste0(
  "(?:\\b\\w+\\b\\s){0,10}",  # 前面0-10个词（含空格分隔）
  "\\b(", paste(target_words, collapse = "|"), ")\\b",  # 目标词（匹配完整单词）
  "(?:\\s\\b\\w+\\b){0,10}"   # 后面0-10个词（含空格分隔）
)

# 处理你的亚马逊评论数据框（假设数据框名为df，text列为评论内容）
context_df <- df %>%
  mutate(
    # 提取每条评论中所有匹配的上下文片段，返回列表
    contexts = str_extract_all(text, context_pattern, ignore.case = TRUE)
  ) %>%
  # 将列表展开为每行一个上下文片段
  tidyr::unnest(contexts) %>%
  # 提取当前上下文对应的目标词（方便后续分组分析）
  mutate(target_word = str_extract(contexts, paste0("\\b(", paste(target_words, collapse = "|"), ")\\b"), ignore.case = TRUE)) %>%
  # 统一目标词大小写（可选）
  mutate(target_word = tolower(target_word))

注意：ignore.case = TRUE 确保匹配不同大小写的目标词（比如"Jesus"或"JESUS"），如果不需要可以移除该参数。

方法二：分词+滑动窗口精准提取 #

适合需要对上下文的单个词做精细化处理（比如情感分析时逐个词计算得分）的场景：

# 加载所需包
library(dplyr)
library(tidytext)
library(tidyr)

# 定义目标词向量
target_words <- c("jesus", "mary", "christ", "magdelene")

# 1. 对评论进行分词，保留评论标识和词的位置
tokenized_df <- df %>%
  # 给每条评论生成唯一ID（如果已有ID列可替换row_number()）
  mutate(comment_id = row_number()) %>%
  # 分词，自动转小写（如需保留大小写可设置to_lower = FALSE）
  unnest_tokens(word, text) %>%
  # 按评论分组，给每个词标记位置
  group_by(comment_id) %>%
  mutate(word_position = row_number()) %>%
  ungroup() %>%
  # 可选：过滤停用词（比如the/and等无意义词汇）
  filter(!word %in% stop_words$word)

# 2. 定位所有目标词的位置
target_positions <- tokenized_df %>%
  filter(word %in% target_words) %>%
  select(comment_id, target_word = word, target_position = word_position)

# 3. 提取每个目标词前后10个词的上下文
context_tokens <- target_positions %>%
  left_join(tokenized_df, by = "comment_id") %>%
  # 筛选位置在目标词前后10范围内的词
  filter(abs(word_position - target_position) <= 10) %>%
  # 按评论和目标词分组，拼接上下文为字符串（或保留单个词用于情感分析）
  group_by(comment_id, target_word) %>%
  summarize(
    context_text = str_c(word, collapse = " "),
    # 可选：保留单个词的列表，方便后续逐个词做情感分析
    context_words = list(word)
  ) %>%
  ungroup()

后续情感分析建议 #

得到上下文后，你可以直接用context_text列进行文本情感分析（比如用sentimentr包的sentiment()函数），或者用context_words列表对每个词单独打分后取平均值，结果会更精准。

内容的提问来源于stack exchange，提问作者Lui Holohan