R语言中如何将长字符串分割为连续双词短语？

基础R解决方案（无需额外包） #

针对你的需求，不用str_split，可以通过拆分单词向量后滑动拼接的方式实现：

string <- "A B C D E F"

# 将字符串拆分为单个单词的向量
words_vector <- unlist(strsplit(string, " "))

# 生成连续双词组合
bigrams <- paste(words_vector[-length(words_vector)], words_vector[-1], sep = " ")

# 输出结果
bigrams

运行后会得到：

[1] "A B" "B C" "C D" "D E" "E F"

代码说明 #

• strsplit(string, " ")按空格拆分字符串，得到一个列表，unlist()把它转为便于操作的向量。
• words_vector[-length(words_vector)]取向量中除最后一个元素外的所有单词，words_vector[-1]取除第一个元素外的所有单词，两者位置一一对应，用paste()拼接就生成了连续的双词短语。

用tidytext包实现（适合文本分析场景） #

如果后续需要做更多文本分析工作，推荐用tidytext包的unnest_tokens函数，专门处理n元短语：

library(tidytext)
library(dplyr)

# 构造数据框并提取双词短语
tibble(text = string) %>%
  unnest_tokens(bigram, text, token = "ngrams", n = 2) %>%
  pull(bigram)

这段代码同样会输出你需要的连续双词短语，且能无缝衔接tidyverse生态的后续分析操作。

内容的提问来源于stack exchange，提问作者swediot