如何在quanteda的kwic函数正则模式中定义可选元素匹配含/不含中间名的人名

核心原因 #

quanteda的kwic基于分词后的独立token进行匹配，phrase()中每个空格分隔的片段对应单个token的匹配规则，和stringr匹配整串连续字符的逻辑完全不同：

• 你写的Jane .* Mayer要求匹配3个连续token，因此只能命中带中间名的情况
• 你写的Jane.* Mayer要求匹配2个连续token，因此只能命中不带中间名的情况

解决方案 #

方案1：同时传入两种匹配规则

直接把带/不带中间名的规则都传入即可，写法简单易读：

my_pattern <- c(phrase("Jane Mayer"), phrase("Jane .* Mayer"))
kwic(txt_token, pattern = my_pattern, valuetype = "regex")

运行后会返回3条匹配结果，同时覆盖Jane Mayer、Jane Alexandra Mayer、Jane Eli Mayer三个目标实例，排除Jane Burger的误匹配。

方案2：用token量词控制中间名数量

如果需要兼容0个到多个中间名的场景，可以用{m,n}量词指定中间token的数量范围，比如中间最多允许2个中间名的写法如下：

# {0,2}表示中间的任意token可以出现0次、1次或2次
kwic(txt_token, pattern = phrase("Jane (.*){0,2} Mayer"), valuetype = "regex")

内容的提问来源于stack exchange，提问作者zoowalk