R语言中统计数据集jnl.dt标题词数分布的非硬编码实现方法

方案1：tidyverse 简洁实现（推荐） #

无需提前定义任何单词数阈值，自动统计所有单词数对应的标题数量：

library(tidyverse)

# 输出统计结果：第一列为单词数，第二列为对应单词数的标题总数
jnl.dt %>%
  mutate(word_count = str_count(`Full Title`, "\\w+")) %>%
  count(word_count, name = "title_count")

如果需要将结果转为可直接索引的命名向量，可追加deframe()：

word_count_dist <- jnl.dt %>%
  mutate(word_count = str_count(`Full Title`, "\\w+")) %>%
  count(word_count, name = "title_count") %>%
  deframe()

# 示例：查询3个单词的标题数量
word_count_dist[as.character(3)]

方案2：基础R实现（无需额外安装包） #

# 计算每个标题的单词数
word_counts <- lengths(gregexpr("\\w+", jnl.dt$`Full Title`))
# 处理空标题的特殊情况（无匹配时gregexpr返回-1，可将对应单词数设为0）
word_counts[word_counts == -1] <- 0
# 生成分布统计结果
word_count_dist <- table(word_counts)

两种方案都会自动覆盖所有出现过的单词数区间，完全不需要手动为1、2、3...单词的情况单独定义变量写判断逻辑。如果你的单词判定规则有调整（比如需要把带连字符的词组算单个单词、排除纯数字字符串等），仅需修改正则表达式部分即可，统计逻辑无需变动。

内容的提问来源于stack exchange，提问作者user14436230