R初学者求助：Quantida语料库合并报错及网站变量设置问题

首先咱们先搞明白这个错误的根源：当你分别创建三个语料库时，quanteda默认会给每个语料库的文档命名为1、2、3……这样的序列。当你尝试合并它们时，三个语料库的文档名完全重复，所以才会抛出Cannot combine corpora with duplicated document names的错误。

结合你的需求——既能分析整体文本内容，又能按网站筛选查看差异——最简洁高效的方法是先统一整理数据，再创建语料库，具体步骤如下：

步骤1：给每个数据框添加网站标识列 #

既然你的原始数据框里没有网站名称，咱们先手动给每个数据框加一列标记来源网站：

# 为每个数据框添加site列，标记网站来源
dataframe_site1$site <- "site1"
dataframe_site2$site <- "site2"
dataframe_site3$site <- "site3"

步骤2：合并所有数据框 #

把三个数据框合并成一个完整的数据框，这样后续创建语料库时就能一次性带上网站标记：

# 用dplyr的bind_rows合并（base R的rbind也可以）
library(dplyr)
combined_df <- bind_rows(dataframe_site1, dataframe_site2, dataframe_site3)

步骤3：从合并后的数据框创建语料库 #

这一步直接用合并后的dataframe创建语料库，同时把site列指定为文档变量（docvar），这样后续分析时就能轻松按网站筛选：

library(quanteda)
corp_tot <- corpus(combined_df$txt, docvars = data.frame(site = combined_df$site))

这样创建出来的语料库既包含了所有网页文本，每个文档又自带对应的网站标记，后续操作非常灵活：

# 示例：筛选site1的语料进行单独分析
corp_site1_subset <- subset(corp_tot, site == "site1")

如果你坚持要分开创建语料库再合并，也可以通过修改每个语料库的文档名来避免重复：

# 给每个语料库的文档名加上网站前缀，确保唯一
corp_site1 <- corpus(dataframe_site1$txt)
docnames(corp_site1) <- paste0("site1_", seq_len(nrow(dataframe_site1)))
docvars(corp_site1, "site") <- "site1"

corp_site2 <- corpus(dataframe_site2$txt)
docnames(corp_site2) <- paste0("site2_", seq_len(nrow(dataframe_site2)))
docvars(corp_site2, "site") <- "site2"

corp_site3 <- corpus(dataframe_site3$txt)
docnames(corp_site3) <- paste0("site3_", seq_len(nrow(dataframe_site3)))
docvars(corp_site3, "site") <- "site3"

# 现在合并就不会报错了
corp_tot <- corp_site1 + corp_site2 + corp_site3

不过第一种方法更符合quanteda的使用习惯，操作也更省心，推荐你优先尝试~

内容的提问来源于stack exchange，提问作者Jess