只删除数字，但在R中保留像"3D“这样的单词？

Question

最近，我一直在用R编写文本挖掘代码，但我在处理数据预处理方面遇到了困难。我下面有一根这样的绳子：

"I want to buy 3D printer, but it costs 3000 dollars."

我想保留单词"3D“，但删除"3000"，应该如下所示：

"I want to buy 3D printer, but it costs dollars."

我使用corpus <- tm_map(corpus, removeNumbers)，但这将删除文本中的所有数字，因此我将在结果中使用术语"D打印机“，但它应该是"3D打印机”。

有什么办法可以解决这个问题吗？谢谢!

Answer 1

我们可以使用sub

gsub('3\\d+\\s', '', str1)

如果这需要一般的话，

gsub('\\b\\d+\\s', '', str1)
#[1] "I want to buy 3D printer, but it costs dollars."

Answer 2

您还可以使用文本分析包，例如quanteda，它只删除数字，而不是数字。所以在你的情况下：

require(quanteda)
tokenize("I want to buy 3D printer, but it costs 3000 dollars.", removeNumbers = TRUE)
## tokenizedText object from 1 document.
## Component 1 :
## [1] "I"       "want"    "to"      "buy"     "3D"      "printer" ","       "but"     "it"      "costs"   "dollars" "."      

如果希望将其作为单个字符对象返回，而不进行标记化(尽管这可能是您的目标)，那么：

paste(tokenize("I want to buy 3D printer, but it costs 3000 dollars.",
               removeNumbers = TRUE, simplify = TRUE, removeSeparators = FALSE), 
      collapse = "")
## [1] "I want to buy 3D printer, but it costs  dollars."