从数据帧中删除字符串模式（RStudio 中的 Twitter 数据）

Question

我在 RStudio 中有一个大型数据框（约 500,000 个观察值），其中包含 Twitter 数据（即用户名、转发推文计数、文本）。我想运行对推文进行文本分析，但我首先需要删除转推标签，这样它们就不会影响我的关键字搜索。

例如，在转推的推文中，文本如下所示：RT @BobsAccount Great article! Can't wait to learn more. 我想删除附加到 RT @.... 的字符串。

我已使用 lapply 和 gsub 删除特定字符。例如，这成功删除了“@”：data <- data.frame(lapply(data, function(x) {gsub("@","", x)}))

但我不知道如何删除 "string pattern"（即附加到 "RT @" 的任何文本）。任何帮助将不胜感激！

Answer 1

您可以使用

data <- data.frame(lapply(data, function(x) {gsub("\bRT\s+@\S*\s*","", x)}))

\bRT\s+@\S*\s* 模式匹配

\bRT - 一个完整的单词 RT
\s+ - 1+ 个空格
@ - 一个 @ 字符
\S* - 0+ 个非空白字符
\s* - 0+ 个空白字符

参见regex demo。

R 代码示例：

text <- c("RT @BobsAccount Great article! Can't wait to learn more.")
data <- data.frame(text)
data <- data.frame(lapply(data, function(x) {gsub("\bRT\s+@\S*\s*","", x)}))
data
## =>                                       text
##     1 Great article! Can't wait to learn more.

从数据帧中删除字符串模式（RStudio 中的 Twitter 数据）

Removing string pattern from dataframe (Twitter data in RStudio)

string

pattern-matching

text-mining

lapply

rstudio