使用R函数查找文件中单词出现的次数

Question

我使用下面的代码来查找文件中出现的单词memory的次数，并且得到了错误的结果。你能帮我知道我错过了什么吗？

NOTE1:问题是寻找“记忆”这个词的准确出现！NOTE2:我意识到他们确实在寻找“记忆”，甚至像“记忆”这样的东西也不被接受！我想，这就是引起混乱的部分。我试着用“动作”这个词，正确的答案是7！你也可以试试。

#names=scan("hamlet.txt", what=character())
names <- scan('http://pastebin.com/raw.php?i=kC9aRvfB', what=character())
Read 28230 items
> length(grep("memory",names))
[1] 9

这是文件

Answer 1

正如@andrew所指出的，如果一个单词在同一行重复，我先前的回答会给出错误的结果。根据其他答复/评论，这一条似乎可以：

names = scan('http://pastebin.com/raw.php?i=kC9aRvfB', what=character(), quote=NULL )
idxs = grep("memory", names, ignore.case = TRUE)

length(idxs)
# [1] 10

Answer 2

问题是莎士比亚对标点符号的使用。课文中有很多撇号。当R函数scan遇到一个撇号时，它假设它是一个引号字符串的开始，并将所有字符读入到下一个撇号到names数组的单个条目中。这些长条目中的一个碰巧包含两个单词"memory“的实例，因此将匹配的总数减少了一个。

您可以通过告诉scan将所有引号视为普通字符，而不对它们进行特殊处理来解决此问题：

names <- scan('http://pastebin.com/raw.php?i=kC9aRvfB', what=character(), quote=NULL )

在使用grep的R实现时要小心。它的行为方式与通常的GNU/Linux程序不同。特别是，您在这里使用它的方式将找到匹配词的数量，而不仅仅是一些人建议的匹配行的总数。