如何从文本语料库中切分特定词周围的X个词

Question

我正在分析我上传到R的演讲。我的数据帧包括每个演讲的一行，其中包含元数据和演讲的整个文本。

但是-我不想只分析整个演讲，还想找到一种方法来分析特定单词周围的文本块。例如，引用“RED”前后的50个单词...有没有办法创建一个新的数据帧--每一行都是分段的文本，我也会设法保留元数据(它不是同一张表，因为对“红色”的引用比演讲更多--所以在一次演讲中，“红色”周围可能有4个片段，有些根本没有任何引用。

谢谢!

Answer 1

quanteda包实现了一个上下文中的关键字函数，它就是这样做的。如果包含您的演讲的数据帧是df，而包含文本的列是texts，那么这应该是可行的：

library(quanteda)
kw <- kwic(df$texts, "red", 50)

第三个参数指定上下文窗口的大小。kw现在是一个数据帧，其中包含目标单词及其前后上下文的列。