使用str_detect检测模式

Question

我有一些推文，我想检测其中的数字表情。对于这个任务，我想使用textclean包的hash_emoticons词典。

hash_emoticons[1:5]
       x                 y
1:   #-) partied all night
2:    %)             drunk
3:   %-)             drunk
4: ',:-l        scepticism
5: ',:-|        scepticism

如果我将它与标准函数一起使用，我会得到这个错误：

library(stringr)

str_detect(Tweets$text, hash_emoticons$x)


longer object length is not a multiple of shorter object lengthError in 
stri_detect_regex(string, pattern, opts_regex = opts(pattern)): 
Incorrectly nested parentheses in regexp pattern. (U_REGEX_MISMATCHED_PAREN)

你知道怎么解决这个问题吗？

Answer 1

以下是直接使用stringi包完成此操作的一种方法。但是，您需要更仔细地解释/考虑一些边界注意事项。

# Generate some data
xxx <- tibble(Text = c("asdasd", ":o)", "hej :o) :o) :-*"))

您想要计算每个字符串中使用的表情符号的数量，因此您需要考虑为每个表情图标检测字符串。str_detect()将返回任何表情符号，但不返回数字，因此我们使用stri_count_fixed()。

例如

library("stringi")
library("textclean")
# Run through each emoticon
# see if it matches each tweet
# Compute the number of hits
rowSums(sapply(lexicon::hash_emoticons$x, function(i) {
    stringi::stri_count_fixed(xxx$Text, pattern=i)
}))

它会返回

[1] 0 2 5

现在，如果你看一下输入字符串，你会看到4个表情符号。元素:o)将匹配两个表情符号:o和:o)，这就是第二个元素为2的原因。相反，字符串hej :o) :o) :-*将返回5，因为它匹配:o两次，匹配:o)两次，匹配:-*一次。