R中字母的术语文档矩阵

JP_smasher 发表于 Dev

JP_smasher

我想构建一个n-gram的“字母文档矩阵”，它基本上使用最多n个字母的字母序列代替典型的单词。这是我想要实现的简化示例：

> letterDocumentMatrix(c('ea','ab','ca'), c('sea','abs','cab'))
    [,sea] [,abs] [,cab]
[ea,] TRUE   FALSE  FALSE  
[ab,] FALSE  TRUE   TRUE   
[ca,] FALSE  FALSE  TRUE

这种操作有名称吗？是否有任何预建函数可以处理此问题？

最后，我尝试使用grepl进行外部测试，但无济于事：

> outer(c('ea','ab','ca'), c('sea','abs','cab'), grepl)
          [,1]  [,2]  [,3]
     [1,] TRUE  FALSE FALSE  
     [2,] TRUE  FALSE FALSE
     [3,] TRUE  FALSE FALSE  
     Warning message:
     In FUN(X, Y, ...) :
       argument 'pattern' has length > 1 and only the first element will be used

似乎external将第一个参数的整个传递给grepl，而不是一次传递一个条目，导致grepl只搜索第一个术语，在这种情况下为“ a”。

丰富的雕刻

grepl()不能根据其pattern参数矢量化，这就是为什么您没有从获得正确结果的原因outer()。这是使用的可能解决方案vapply()。

vec <- c("sea", "abs", "cab") ## vector to search
pat <- c("ea", "ab", "ca")    ## patterns we are searching for
"rownames<-"(vapply(pat, grepl, NA[seq_along(pat)], vec, fixed = TRUE), vec)
#        ea    ab    ca
# sea  TRUE FALSE FALSE
# abs FALSE  TRUE FALSE
# cab FALSE  TRUE  TRUE

显然，这会导致您想要的内容转置。要获得所需的矩阵，我们可以使用lapply()，rbind()结果，然后设置名称。

xx <- do.call(rbind, lapply(pat, grepl, x = vec, fixed = TRUE))
dimnames(xx) <- list(pat, vec)
#      sea   abs   cab
# ea  TRUE FALSE FALSE
# ab FALSE  TRUE  TRUE
# ca FALSE FALSE  TRUE

我想说的使用t()对vapply()结果进行转它，但它可以在大型矩阵缓慢。

本文收集自互联网，转载请注明来源。

如有侵权，请联系[email protected] 删除。