如何在R中基于结束标记为分词添加连续句子标签？

这问题我熟！要给每个句子按顺序加标签，其实用dplyr里的cumsum()配合lag()就能轻松搞定，思路是根据stop列的标记来累计句子数：

完整实现代码（dplyr版本） #

首先先定义你的原始数据（推荐用tibble()替代data_frame()，这是dplyr当前的标准写法）：

library(dplyr)

# 原始数据
df <- tibble(
  word = c("I'm", "going", "to", "be", "sick", "I", "want", "to", "go", "home"),
  stop = c(FALSE, FALSE, FALSE, FALSE, TRUE, FALSE, FALSE, FALSE, FALSE, TRUE)
)

接着新增句子标签列：

# 生成句子编号
df2 <- df %>%
  mutate(
    sentence_id = cumsum(lag(stop, default = FALSE)) + 1
  )

代码逻辑解释 #

• lag(stop, default = FALSE)：把stop列整体向后偏移一位，第一个元素用FALSE填充。这样每一行的结果就代表上一个单词是否是句子结尾。
• cumsum()：累计这个偏移后的stop值，每遇到一个TRUE（即上一个单词是句子结尾），累计数就加1。
• 最后+1：让第一个句子的编号从1开始，避免出现从0起步的情况。

运行后得到的df2就是你要的结果：

# 查看最终结果
df2
#> # A tibble: 10 × 3
#>    word  stop  sentence_id
#>    <chr> <lgl>       <dbl>
#>  1 I'm   FALSE           1
#>  2 going FALSE           1
#>  3 to    FALSE           1
#>  4 be    FALSE           1
#>  5 sick  TRUE            1
#>  6 I     FALSE           2
#>  7 want  FALSE           2
#>  8 to    FALSE           2
#>  9 go    FALSE           2
#> 10 home  TRUE            2

不用dplyr的Base R版本 #

如果不想加载dplyr包，用Base R也能实现相同效果：

# Base R 写法
df$sentence_id <- cumsum(c(FALSE, head(df$stop, -1))) + 1

这里head(df$stop, -1)去掉了stop列的最后一个元素，前面补FALSE，和lag()的作用完全一致，再累计求和加1即可。

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