使用mutate函数创建新变量筛选含至少4个单词的推文遇阻

我来帮你搞定这个问题！你的代码主要有两个小问题：管道操作的语法错误，以及正则表达式的逻辑不够准确。下面一步步给你修正和优化：

先分析原代码的问题 #

1. 管道语法错误：用%>%传递数据框后，mutate里不需要再写tweets_son.df = ...，直接定义新变量名即可，比如has_enough_words = ...。
2. 正则表达式逻辑偏差：你写的正则试图匹配“4个带标点的单词+空格+最后一个单词”，但这种写法会漏掉很多场景（比如单词间只有空格、带撇号的单词等），而且用str_detect判断单词数不如直接统计更可靠。

推荐方案：用str_count统计单词数（直观易维护） #

这种方法直接统计文本中的单词数量，逻辑清晰，还能顺便保留单词数变量方便后续分析：

library(dplyr)
library(stringr)

# 第一步：创建新变量，标记是否满足≥4个单词，同时可选保留单词数
new_tweets_son.df <- tweets_son.df %>%
  mutate(
    # 统计单词数（支持带撇号的单词，比如don't、Mary's）
    word_count = str_count(mysontweets, "\\b[[:alpha:]]+(?:['’][[:alpha:]]+)?\\b"),
    # 生成布尔变量，判断是否≥4个单词
    has_at_least_4_words = word_count >= 4
  )

# 如果需要直接过滤出符合条件的推文，再加一步filter
filtered_tweets <- new_tweets_son.df %>%
  filter(has_at_least_4_words)

代码解释 #

• \\b：匹配单词边界，确保我们统计的是完整单词
• [[:alpha:]]+(?:['’][[:alpha:]]+)?：匹配由字母组成的单词，同时兼容带撇号的收缩形式或所有格（比如don't、James’）
• str_count：统计符合规则的单词总数，再通过>=4判断是否满足条件

备选方案：修正正则表达式的str_detect写法 #

如果你坚持想用正则匹配的方式，也可以调整正则逻辑，确保能识别至少4个单词的文本：

new_tweets_son.df <- tweets_son.df %>%
  mutate(
    has_at_least_4_words = str_detect(mysontweets, "^(?:\\W*\\w+){4,}\\W*$")
  )

正则解释 #

• ^和$：匹配文本的开头和结尾，确保整个文本都被检查
• (?:\\W*\\w+)：非捕获组，匹配0个或多个非单词字符（空格、标点）+ 一个单词
• {4,}：要求这个组至少重复4次，也就是至少有4个单词
• \\W*：匹配文本结尾可能存在的非单词字符（比如末尾的标点或空格）

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