R文本挖掘 - 文本字段之间的交集

Question

我想知道是否有快速的方法来查找两个文本字符串之间的有向交集，例如：

 t1 <- "I have achieved my goals over the past 20 years and look forward for my next chalanges"
 t2 <- " have achieved goals and look my chalanges some other words bla bla"

t1 isContainedIn t2将返回7，因为t1中出现的7个单词也出现在t2中。 此外，t1和t2是数据框中的两列，因此我需要在整个数据框上应用该函数，并将结果列附加到我的原始数据框中。 这是我的数据框"data.selected"的样子：

        keywords                                         title
1  Samsung UN48H6350 48" Samsung UN48H6350 48" Full 1080p Smart HDTV 120Hz with Wi-Fi +$50 Visa Gift Card
2  Samsung UN48H6350 48"     Samsung UN48H6350 48" Full HD Smart LED TV -Bundle- (See Below for Contents)
3  Samsung UN48H6350 48"      Samsung UN48H6350 48" Class Full HD Smart LED TV -BUNDLE- See below Details
4  Samsung UN48H6350 48"     Samsung UN48H6350 48" Full HD Smart LED TV With BD-H5100 Blu-ray Disc Player
5  Samsung UN48H6350 48"                 Samsung UN48H6350 48" Smart 1080p Clear Motion Rate 240 LED HDTV
6  Samsung UN48H6350 48"            Samsung UN48H6350 - 48-Inch Full HD 1080p Smart HDTV 120Hz with Wi-Fi
7  Samsung UN48H6350 48"               Samsung 6350 Series UN48H6350 48" 1080p HD LED LCD Internet TV NEW
8  Samsung UN48H6350 48"  Samsung Un48h6350af 75" 1080p Led-lcd Tv - 16:9 - Hdtv 1080p - (un75h6350afxza)
9  Samsung UN48H6350 48"                         Samsung UN48H6350 - 48" HD 1080p Smart HDTV 120Hz Bundle
10 Samsung UN48H6350 48"   Samsung UN48H6350 - 48-Inch Full HD 1080p Smart HDTV 120Hz with Wi-Fi, (R#416)

- user3628777

Answer 1

我想另一种类似的方法就是使用简单的match。

string <- strsplit(c(t1, t2), "\\s+") # similar to @Richard
length(na.omit(match(string[[2]], string[[1]])))
## [1] 7

也许是使用 lapply 函数。

length(unlist(lapply(string[[2]], intersect, string[[1]])))
## [1] 7

- David Arenburg

Answer 2

我不太清楚你所说的“方向很重要”是什么意思。除非你改变数据，否则交叉口的长度不应该发生变化。这可能是你正在寻找的内容。

length(Reduce(intersect, strsplit(c(t1, t2), "\\s+")))
# [1] 7

如果你将 c(t1, t2) 改为 c(t2, t1)，你可以在 Reduce 的输出中看到差异。但是，正如我所说的，长度仍然是相同的。只有集合的顺序不同。

- Rich Scriven

---

你说得对 - 交集不是正确的术语。我想找出 t1 包含在 t2 中的程度：t1 中有多少个项出现在 t2 中（反之不成立 - 方向很重要）。 - user3628777

另外，t1和t2是数据框架 - 我不确定这个解决方案是否支持它，因为当我在我的数据上运行它时，R当前返回character(0)。 - user3628777

@user3628777 - 不，它没有。从一开始就有这些信息会很好。我会进行编辑，但我们需要知道：您到底在比较什么？关键字和标题？请在问题中还展示您所需的更新数据框的结果。 - Rich Scriven