R语言中nb_words函数统计实用词汇时如何避免部分匹配？

要解决部分匹配的误判问题，核心是利用正则表达式的单词边界确保只匹配完整词汇，以下是两种实用方案：

方案一：Base R 原生实现 #

无需额外安装包，用grepl配合单词边界\\b实现精确匹配：

# 定义精确匹配统计函数
count_exact_words <- function(text_col, target_words) {
  # 为每个目标词构建带单词边界的正则规则
  regex_list <- paste0("\\b", target_words, "\\b")
  # 统计每个词的匹配次数
  match_counts <- sapply(regex_list, function(pattern) {
    sum(grepl(pattern, text_col, ignore.case = FALSE))
  })
  # 转为易读的数据框格式
  data.frame(target_word = target_words, match_count = match_counts, row.names = NULL)
}

# 调用函数完成统计
final_result <- count_exact_words(dat$product_name, uti_words)
print(final_result)

\\b会匹配单词的起始或结束位置，确保"fast"只会匹配独立的该单词，不会命中"breakfast"这类包含它的词汇。如果需要忽略大小写，把ignore.case参数设为TRUE即可。

方案二：stringr 包简化实现 #

stringr包的函数更直观，适合新手快速上手：

library(stringr)

# 为每个目标词创建精确匹配正则，统计每行匹配数
match_matrix <- str_count(dat$product_name, regex(paste0("\\b", uti_words, "\\b"), ignore_case = FALSE))
# 汇总每个词的总匹配次数
final_result <- data.frame(target_word = uti_words, match_count = colSums(match_matrix))
print(final_result)

处理带标点的特殊情况 #

如果product_name列存在标点（比如"fast."），\\b可能无法正确识别，先清理文本标点再统计：

# 移除所有标点符号
dat$clean_product <- gsub("[[:punct:]]", "", dat$product_name)
# 用清理后的列执行统计
final_result <- count_exact_words(dat$clean_product, uti_words)

内容的提问来源于stack exchange，提问作者Knawhledge