r - tm自定义removePunctuation(井号除外)

我有来自Twitter的推文集。我清理了这个语料库(removeWords，tolower，删除URls)，最后还想删除标点符号。

这是我的代码:

tweetCorpus <- tm_map(tweetCorpus, removePunctuation, preserve_intra_word_dashes = TRUE)

现在的问题是，通过这样做，我还松了了井号(＃)。有没有办法用tm_map删除标点符号，但保留主题标签？

最佳答案

您可以调整现有的removePunctuation以适合您的需求。例如

removeMostPunctuation<-
function (x, preserve_intra_word_dashes = FALSE)
{
    rmpunct <- function(x) {
        x <- gsub("#", "\002", x)
        x <- gsub("[[:punct:]]+", "", x)
        gsub("\002", "#", x, fixed = TRUE)
    }
    if (preserve_intra_word_dashes) {
        x <- gsub("(\\w)-(\\w)", "\\1\001\\2", x)
        x <- rmpunct(x)
        gsub("\001", "-", x, fixed = TRUE)
    } else {
        rmpunct(x)
    }
}

哪个会给你

removeMostPunctuation("hello #hastag @money yeah!! o.k.")
# [1] "hello #hastag money yeah ok"

以及将其与tm_map一起使用时，但请务必将其包装在content_transformer()中

tweetCorpus <- tm_map(tweetCorpus, content_transformer(removeMostPunctuation),
    preserve_intra_word_dashes = TRUE)

关于r - tm自定义removePunctuation(井号除外)，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/27951377/