如何在R语言tm包中匹配以“surviv”开头的词汇？

嘿，我来帮你搞定这个问题～你现在用的DocumentTermMatrix配合dictionary参数是精确匹配，只能拿到你指定的那几个词，要匹配所有以“surviv”开头的词汇（比如survival、survivor、survive这些），有两种实用的方法：

方法一：先筛选符合前缀的词汇，再生成矩阵 #

这个方法先从你的语料库中提取所有以“surviv”开头的词汇，再把它们作为字典传入DocumentTermMatrix，步骤清晰直观：

# 1. 从语料库中获取所有唯一词汇
all_terms <- Terms(docs)
# 2. 筛选出所有以"surviv"开头的词汇（ignore.case=TRUE不区分大小写，可按需去掉）
surviv_terms <- grep("^surviv", all_terms, ignore.case = TRUE, value = TRUE)
# 3. 生成只包含这些词汇的文档-词矩阵
dtm <- DocumentTermMatrix(docs, control = list(dictionary = surviv_terms))
# 4. 查看结果
x <- inspect(dtm)

方法二：自定义分词器，直接保留目标词汇 #

如果你不想单独提取词汇，可以自定义一个分词器，在分词阶段就只保留以“surviv”开头的词，一步到位：

# 定义自定义分词器：先分词，再筛选符合前缀的词
surviv_tokenizer <- function(x) {
  # 先用默认分词器拆分文本
  tokens <- wordTokenizer(x)
  # 筛选出以"surviv"开头的词汇
  grep("^surviv", tokens, ignore.case = TRUE, value = TRUE)
}

# 使用这个分词器生成文档-词矩阵
dtm <- DocumentTermMatrix(docs, control = list(tokenize = surviv_tokenizer))
x <- inspect(dtm)

小提示 #

• 如果你需要严格区分大小写（只匹配小写的"surviv"开头），把代码里的ignore.case = TRUE去掉就行。
• 第一种方法能让你先看到所有符合条件的词汇，方便核对；第二种方法更直接，适合快速生成目标矩阵。

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