如何在R语言中计算文本行数？

Question

如何在R语言中计算文本行数？

3

我希望使用R语言计算不同发言人在一份文本中的发言行数（这是议会发言记录的转录稿）。原始文本如下：

MR. JOHN: This activity has been going on in Tororo and I took it up with the office of the DPC. He told me that he was not aware of it.
MS. SMITH: Yes, I am aware of that. 
MR. LEHMAN: Therefore, I am seeking your guidance, Madam Speaker, and requesting that you re-assign the duty.  
MR. JOHN: Thank you

在这份文件中，每个发言者都有一个以MR/MS开头的标识符，并且始终大写。我想创建一个数据集，计算每个发言者在文档中每次发言时所说的行数，使得上述文本的结果如下：

MR. JOHN: 2
MS. SMITH: 1
MR. LEHMAN: 2
MR. JOHN: 1

感谢使用R语言编程的技巧！

- coding_heart

3

请查看qdap软件包中的read.transcript函数。 - Tyler Rinker

数据是什么格式？.docx吗？ - Tyler Rinker

我不清楚为什么John先生第一次出现了"2"。这个"2"是否指的是他说话的句子数量？他在一行中说了两句话，在另一行中说了一句话。同样，我也不明白Lehman先生为什么出现了"2"。在你的例子中，他只说了一句话、一行字。每一行都是以先生或小姐开头吗？例如，如果X先生多嘴并连续说了三段落，那么所有的话都会在一行吗？如果不是，每一行的话是否都会以X先生为开头？ - Mark Miller

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Arun · Accepted Answer

您可以使用模式:来拆分字符串，然后使用table：

table(sapply(strsplit(x, ":"), "[[", 1))
#   MR. JOHN MR. LEHMAN  MS. SMITH 
#          2          1          1

strsplit - 按:拆分字符串并返回列表
sapply与[[ - 选择列表的第一部分元素
table - 获取频率

编辑：根据OP的评论，您可以将记录保存在文本文件中，并使用readLines在R中读取文本。

tt <- readLines("./tmp.txt")

现在，我们需要找到一种模式来过滤只包含发言者姓名的行。根据您提供的文本，我能想到两种方法。

检查是否存在冒号:，然后向前查找:，看看它是否为A-Z或[:punct:]中的任何一个字符（也就是说，在:之前出现的字符是大写字母或任何标点符号-这是因为有些标点符号在:之前有一个)）。

您可以使用 strsplit 后跟 sapply （如下所示）

使用strsplit：

# filter tt by pattern
tt.f <- tt[grepl("(?<=[A-Z[:punct:]]):", tt, perl = TRUE)]
# Now you should only have the required lines, use the command above:

out <- table(sapply(strsplit(tt.f, ":"), "[[", 1))

还有其他可能的方法（例如使用gsub 或替代模式），但这应该可以让您了解这种方法的思路。如果模式不同，则只需更改它以捕获所有所需行。

当然，这假设没有其他行，例如像这样的行：

"Mr. Chariman, whatever (bla bla): It is not a problem"

因为我们的模式会对):返回TRUE。如果在文本中发生这种情况，你需要找到一个更好的模式。