quanteda实操：基于标题列关键词筛选语料库子集的解决方案

错误根因 #

你遇到的无法找到titre对象报错，本质是构建语料库时没有将原数据的titre列保留为语料库的文档变量（docvars）：如果你仅将文本列的向量传入corpus()函数，语料库不会携带原数据的其他字段，corpus_subset自然无法检索到titre。

步骤1：正确构建带完整元数据的语料库 #

将整个数据框传入corpus()，仅通过text_field参数指定文本列，原数据的其他列会自动保留为语料库的文档变量：

library(quanteda)
library(stringr)

# 传入完整数据框，指定Texte为文本列，其他列自动存为docvars
text_corp <- corpus(lemma_data_2008, text_field = "Texte")

# 可执行以下代码验证titre是否在文档变量中
head(docvars(text_corp))

步骤2：按标题关键词筛选语料 #

用正则匹配实现忽略大小写、覆盖复数形式的关键词校验，再通过corpus_subset完成筛选：

# 定义匹配规则：词边界匹配，支持单数/复数，忽略大小写
keyword_pattern <- "\\b(migrant|réfugié|asile|migratoire)s?\\b"

# 筛选标题匹配关键词的语料
filtered_corp <- corpus_subset(text_corp, str_detect(titre, regex(keyword_pattern, ignore_case = TRUE)))

步骤3：执行后续预处理流程 #

对筛选后的语料直接执行分词、去停用词、构建dfm、修剪等操作即可：

# 分词，同时移除标点、数字、特殊符号
toks <- tokens(filtered_corp, remove_punct = TRUE, remove_numbers = TRUE, remove_symbols = TRUE)

# 移除法语停用词
toks_nostop <- tokens_remove(toks, stopwords(language = "french"))

# 构建dfm
dfm_raw <- dfm(toks_nostop)

# 修剪dfm（示例为保留至少在3篇文档中出现的特征，可按需调整参数）
dfm_trimmed <- dfm_trim(dfm_raw, min_docfreq = 3)

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