如何修改R语言tau包textcnt函数参数以保留撇号不拆分单词？

问题核心是默认的split参数包含[:punct:]，而撇号属于标点范畴，导致像"don't"这类单词被拆分为"don"和"t"。要同时实现保留单词内部撇号、拆分其他标点（&、>、"等）以及单独的撇号，可通过调整正则表达式实现：

可行代码示例 #

library(tau)
text <- "I don't want the function to use the ' to split & > \" test"
# 自定义split正则，排除单词内部撇号作为分隔符
textcnt(text, split = "[[:space:][:digit:]]+|[[:punct:]&&[^']]+", method = "string", n = 1L)

正则表达式说明 #

• [[:space:][:digit:]]+：匹配连续的空格或数字，作为分隔符
• |：逻辑或，匹配任意一种分隔符规则
• [[:punct:]&&[^']]+：匹配除撇号外的连续标点符号，作为分隔符

效果验证 #

运行上述代码后，输出会保留完整的"don't"，同时正确拆分单独的撇号、&、>、"等符号，不会将这些符号或拆分后的残片保留在结果中。

内容的提问来源于stack exchange，提问作者Alberto Llamas