使用quanteda字典创建关键词列并丢弃含嵌套目标词的长匹配

问题1：引用DFM列时需要小写键名的原因 #

quanteda在构建dfm（文档特征矩阵）时默认会将所有特征名自动转换为小写形式，即便你定义字典时键名写的是大写IE，最终生成的dfm列名也会被标准化为小写ie，因此引用时必须使用小写形式才能匹配到对应列。
如果希望保留原大写键名，可以在调用dfm()时添加参数tolower = FALSE：

dfm <- tokens_lookup(toks, dictionary = dict, nested_scope = "dictionary", case_insensitive = F) %>%
  tokens_remove("Northern Ireland") %>% 
  dfm(tolower = FALSE)
# 此时就可以用大写键名引用
df$contains <- as.logical(dfm[, "IE"], case_insensitive = FALSE)

问题2：kwic排除指定字典键的实现方法 #

有两种常用方案可以实现仅保留Ireland的匹配结果：

方案1：调用kwic时直接指定需要匹配的字典键 #

不需要传入完整字典，仅提取你需要的IE键对应的匹配规则即可：

# 仅匹配IE键对应的词汇
words <- kwic(toks, pattern = dict["IE"], case_insensitive = FALSE)

方案2：生成kwic结果后过滤不需要的键 #

如果已经生成了全量匹配结果，可以直接过滤掉不需要的关键词行：

words <- kwic(toks, pattern = dict, case_insensitive = FALSE) %>%
  dplyr::filter(keyword != "Northern Ireland")

处理多匹配结果时你现有的pivot_wider逻辑是正确的，先过滤不需要的匹配项再做宽表转换，就能得到仅含Ireland匹配结果的关键词列。

内容的提问来源于stack exchange，提问作者Jasper