使用R语言str_detect()筛选含指定国家关联词的推文问题求助

问题根源 #

你遇到的警告和结果错误，是因为str_detect()的pattern参数传入向量时，会和text按位置一一匹配（第n行文本对应第n个关键词）。当文本行数和关键词数量不匹配时，R会循环重复关键词，导致筛选逻辑混乱，同时抛出长度不匹配警告。正确的做法是把同一国家的关键词合并成正则表达式的“或”模式（用|分隔），让每行文本匹配该国家的任意一个关键词。

解决方案代码 #

1. 基础准备 #

先加载所需包：

library(tidyverse)
library(stringr)

2. 筛选包含任意国家关键词的推文 #

将所有国家的关键词合并成单个正则模式，匹配任意一个关键词：

# 合并所有关键词为正则模式（|表示匹配任意一项）
all_country_pattern <- str_c(ids, collapse = "|")

# 筛选符合条件的推文，可选ignore_case忽略大小写
filtered_df <- df %>%
  filter(str_detect(text, regex(all_country_pattern, ignore_case = TRUE)))

3. 筛选仅包含特定国家的推文 #

以美国为例，合并其关键词后筛选：

us_pattern <- str_c(usid, collapse = "|")
us_only_df <- df %>%
  filter(str_detect(text, us_pattern))

4. 排除特定国家（如美国），筛选其他国家的推文 #

针对18个国家的场景，用列表管理所有国家关键词更便于添加/删除：

# 用列表统一管理所有国家的关键词（示例）
country_ids <- list(
  us = c("America", "Washington", "Biden"),
  russia = c("Russia", "Moscow", "Putin"),
  china = c("China", "Beijing", "Xi jingping")
  # 剩余15个国家依次添加
)

# 合并除美国外的所有国家关键词
no_us_pattern <- str_c(unlist(country_ids[names(country_ids) != "us"]), collapse = "|")

# 筛选包含其他国家关键词的推文
filtered_no_us_df <- df %>%
  filter(str_detect(text, no_us_pattern))

补充说明 #

• 用regex(..., ignore_case = TRUE)可以避免大小写遗漏（比如匹配"america"或"AMERICA"）；
• 若需要精确匹配关键词（避免部分匹配，比如"Washington"不匹配"WashingtonPost"），可以给关键词加上单词边界\\b，比如str_c(paste0("\\b", usid, "\\b"), collapse = "|")。

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