分析面试文本

Question

我有一份总统辩论的文本文件。最后，我希望将文本解析成一个数据帧，其中每一行都是一条语句，其中一列包含发言者的姓名，另一列包含该语句。例如：

"Bob Smith: Hi Steve. How are you doing? Steve Brown: Hi Bob. I'm doing well!"

会变成：

   name          text
1   Bob Smith    Hi Steve. How are you doing?
2 Steve Brown    Hi Bob. I'm doing well!

问:如何将语句从名称中分离出来？我尝试在冒号上拆分：

data <- strsplit(data, split=":")

但是我得到了这个：

"Bob Smith" "Hi Steve. How are you doing? Steve Brown" "Hi Bob. I'm doing well!"

当我想要的是：

"Bob Smith" "Hi Steve. How are you doing?" "Steve Brown" "Hi Bob. I'm doing well!"

Answer 1

我怀疑这是否能解决您的所有解析需求，但是使用strsplit来解决您最直接的问题的一种方法是使用lookaround。不过，您需要使用perl regex。

在这里，您指示strsplit在:或之前有标点符号且空格和:之间只有字母数字字符或空格的空格上拆分。\\pP匹配标点符号，\\w匹配单词字符。

data <- "Bob Smith: Hi Steve. How are you doing? Steve Brown: Hi Bob. I'm doing well!"
strsplit(data,split="(: |(?<=\\pP) (?=[\\w ]+:))",perl=TRUE)
[[1]]
[1] "Bob Smith"                    "Hi Steve. How are you doing?" "Steve Brown"                 
[4] "Hi Bob. I'm doing well!"  

Answer 2

我们可以使用stringr包通过正则表达式来提取它们。然后，您将直接拥有您要查找的speaker和quote列。

a <- "Bob: Hi Steve. Steve: Hi Bob."

library(stringr)

str_match_all(a, "([A-Za-z]*?): (.*?\\.)")
#> [[1]]
#>      [,1]             [,2]    [,3]       
#> [1,] "Bob: Hi Steve." "Bob"   "Hi Steve."
#> [2,] "Steve: Hi Bob." "Steve" "Hi Bob."