R语言如何使用dplyr统计字符串中出现至少2次的单词

测试输入 #

input_str <- "the home home on the range the friend"

目标：识别字符串中出现次数≥2的单词，输出按单词在原字符串首次出现的顺序排列，最终返回c("the", "home")，优先使用stringr、dplyr实现。

方法1：stringr + dplyr 实现（无额外依赖） #

library(tidyverse)

result <- tibble(word = str_split(input_str, "\\s+")[[1]]) %>%
  count(word, name = "freq") %>%
  filter(freq >= 2) %>%
  mutate(first_pos = str_locate(input_str, paste0("\\b", word, "\\b"))[,1]) %>%
  arrange(first_pos) %>%
  pull(word)

代码逻辑说明 #

• str_split按空白符拆分原字符串，得到独立的单词向量
• count统计每个单词的出现次数
• filter保留出现次数≥2的单词
• 新增first_pos列记录每个单词在原字符串中第一次出现的位置，按该列排序可保证输出顺序和要求一致，避免默认按字母排序导致home排在the前的问题
• pull提取最终的单词列表

运行输出：

> print(result)
[1] "the"  "home"

方法2：tidytext 实现 #

library(tidyverse)
library(tidytext)

result <- tibble(text = input_str) %>%
  unnest_tokens(word, text) %>%
  count(word, name = "freq") %>%
  filter(freq >= 2) %>%
  mutate(first_pos = str_locate(input_str, paste0("\\b", word, "\\b"))[,1]) %>%
  arrange(first_pos) %>%
  pull(word)

运行结果和方法1完全一致。

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