एक स्ट्रिंग में सभी शब्दों की संख्या गिनें

Question 1

क्या एक स्ट्रिंग में शब्दों की संख्या की गणना करने के लिए एक फ़ंक्शन है? उदाहरण के लिए:

str1 <- "How many words are in this sentence"

7 का परिणाम वापस करने के लिए।

Question 2

आप उपयोग strsplitऔर sapplyकार्य कर सकते हैं

sapply(strsplit(str1, " "), length)

Question 3

एक पंक्ति में एक या एक से अधिक इंगित करने के लिए, एक स्ट्रिंग में सभी मैचों को खोजने के साथ \\W-साथ गैर-शब्द वर्णों का मिलान करने के लिए नियमित अभिव्यक्ति प्रतीक का उपयोग +करें gregexpr। शब्द शब्द विभाजक प्लस 1 की संख्या है।

lengths(gregexpr("\\W+", str1)) + 1

यह शुरुआत या चरित्र वेक्टर के अंत में खाली तार के साथ विफल जब एक "शब्द" संतुष्ट नहीं करता होगा \\Wकी गैर शब्द की धारणा (एक अन्य नियमित अभिव्यक्ति, के साथ काम कर सकता है \\S+, [[:alpha:]]आदि, लेकिन वहाँ हमेशा होगा एक रेगेक्स दृष्टिकोण के साथ किनारे के मामले हो), आदि यह strsplitसमाधान की तुलना में अधिक कुशल है , जो प्रत्येक शब्द के लिए मेमोरी आवंटित करेगा। में नियमित अभिव्यक्ति का वर्णन किया गया है ?regex।

अपडेट जैसा कि टिप्पणियों में उल्लेख किया गया है और @Andri द्वारा एक अलग जवाब में दृष्टिकोण (शून्य) और एक-शब्द स्ट्रिंग्स के साथ विफल रहता है, और अनुगामी विराम चिह्न के साथ

str1 = c("", "x", "x y", "x y!" , "x y! z")
lengths(gregexpr("[A-z]\\W+", str1)) + 1L
# [1] 2 2 2 3 3

कई अन्य उत्तर भी इन या समान (जैसे, कई रिक्त स्थान) मामलों में विफल होते हैं। मुझे लगता है कि मूल उत्तर में 'एक शब्द की धारणा' के बारे में मेरा जवाब कैविएशन में विराम चिह्नों के साथ समस्याओं को हल करता है (समाधान: एक अलग नियमित अभिव्यक्ति चुनें, उदाहरण के लिए [[:space:]]+), लेकिन शून्य और एक शब्द मामले एक समस्या है; @ एंड्री का समाधान शून्य और एक शब्दों के बीच अंतर करने में विफल रहता है। इसलिए शब्दों को खोजने के लिए एक 'सकारात्मक' दृष्टिकोण लेना

sapply(gregexpr("[[:alpha:]]+", str1), function(x) sum(x > 0))

के लिए अग्रणी

sapply(gregexpr("[[:alpha:]]+", str1), function(x) sum(x > 0))
# [1] 0 1 2 2 3

नियमित रूप से 'शब्द' की विभिन्न धारणाओं के लिए नियमित अभिव्यक्ति को परिष्कृत किया जा सकता है।

मुझे इसका उपयोग पसंद है gregexpr()क्योंकि यह मेमोरी कुशल है। एक वैकल्पिक उपयोग strsplit()(@ user813966 की तरह, लेकिन शब्दों को परिसीमन करने के लिए एक नियमित अभिव्यक्ति के साथ) और मूल शब्दों के परिसीमन का उपयोग करना है

lengths(strsplit(str1, "\\W+"))
# [1] 0 1 2 2 3

इसके लिए प्रत्येक शब्द के लिए नई मेमोरी आवंटित करने की आवश्यकता है, और मध्यवर्ती सूची के लिए। जब डेटा 'बड़ा' होता है, तो यह अपेक्षाकृत महंगा हो सकता है, लेकिन शायद यह अधिकांश उद्देश्यों के लिए प्रभावी और समझ में आता है।

Question 4

सबसे सरल तरीका होगा:

require(stringr)
str_count("one,   two three 4,,,, 5 6", "\\S+")

... गैर-अंतरिक्ष वर्णों ( \\S+) पर सभी दृश्यों की गिनती ।

लेकिन एक छोटे से समारोह के बारे में जो हमें यह भी तय करने देता है कि हम किस तरह के शब्दों को गिनना चाहते हैं और जो पूरे वैक्टर पर भी काम करते हैं ?

require(stringr)
nwords <- function(string, pseudo=F){
  ifelse( pseudo, 
          pattern <- "\\S+", 
          pattern <- "[[:alpha:]]+" 
        )
  str_count(string, pattern)
}

nwords("one,   two three 4,,,, 5 6")
# 3

nwords("one,   two three 4,,,, 5 6", pseudo=T)
# 6

Question 5

मैं लाइब्रेरी str_countसे फंक्शन का उपयोग उस stringrएस्केप सीक्वेंस के साथ करता हूं \wजो प्रतिनिधित्व करता है:

किसी भी 'शब्द' अक्षर (वर्तमान स्थान में अक्षर, अंक या अंडरस्कोर: UTF-8 मोड में केवल ASCII अक्षर और अंक माने जाते हैं)

उदाहरण:

> str_count("How many words are in this sentence", '\\w+')
[1] 7

अन्य सभी 9 उत्तरों में से मैं परीक्षण करने में सक्षम था, केवल दो (विन्सेन्ट ज़ोन्किंड द्वारा, और पीटरमिसनर द्वारा) यहाँ अब तक प्रस्तुत सभी इनपुटों के लिए काम किया, लेकिन उन्हें भी आवश्यकता है stringr।

लेकिन केवल यह समाधान अब तक प्रस्तुत सभी इनपुट के साथ काम करता है, जैसे कि "foo+bar+baz~spam+eggs"या साथ में इनपुट "Combien de mots sont dans cette phrase ?"।

बेंचमार्क:

library(stringr)

questions <-
  c(
    "", "x", "x y", "x y!", "x y! z",
    "foo+bar+baz~spam+eggs",
    "one,   two three 4,,,, 5 6",
    "How many words are in this sentence",
    "How  many words    are in this   sentence",
    "Combien de mots sont dans cette phrase ?",
    "
    Day after day, day after day,
    We stuck, nor breath nor motion;
    "
  )

answers <- c(0, 1, 2, 2, 3, 5, 6, 7, 7, 7, 12)

score <- function(f) sum(unlist(lapply(questions, f)) == answers)

funs <-
  c(
    function(s) sapply(gregexpr("\\W+", s), length) + 1,
    function(s) sapply(gregexpr("[[:alpha:]]+", s), function(x) sum(x > 0)),
    function(s) vapply(strsplit(s, "\\W+"), length, integer(1)),
    function(s) length(strsplit(gsub(' {2,}', ' ', s), ' ')[[1]]),
    function(s) length(str_match_all(s, "\\S+")[[1]]),
    function(s) str_count(s, "\\S+"),
    function(s) sapply(gregexpr("\\W+", s), function(x) sum(x > 0)) + 1,
    function(s) length(unlist(strsplit(s," "))),
    function(s) sapply(strsplit(s, " "), length),
    function(s) str_count(s, '\\w+')
  )

unlist(lapply(funs, score))

आउटपुट:

6 10 10  8  9  9  7  6  6 11

Question 6

str2 <- gsub(' {2,}',' ',str1)
length(strsplit(str2,' ')[[1]])

यह gsub(' {2,}',' ',str1)सुनिश्चित करता है कि सभी शब्दों को एक स्थान के साथ दो या अधिक स्थानों की सभी घटनाओं को प्रतिस्थापित करके केवल एक स्थान द्वारा अलग किया जाता है।

strsplit(str,' ')हर जगह पर वाक्य विभाजन और एक सूची में परिणाम देता है। [[1]]उस सूची से बाहर शब्दों का वेक्टर पकड़ लेता है। lengthकितने शब्द ऊपर गिना जाता है।

> str1 <- "How many words are in this     sentence"
> str2 <- gsub(' {2,}',' ',str1)
> str2
[1] "How many words are in this sentence"
> strsplit(str2,' ')
[[1]]
[1] "How"      "many"     "words"    "are"      "in"       "this"     "sentence"
> strsplit(str2,' ')[[1]]
[1] "How"      "many"     "words"    "are"      "in"       "this"     "sentence"
> length(strsplit(str2,' ')[[1]])
[1] 7

Question 7

आप str_match_allएक नियमित अभिव्यक्ति के साथ उपयोग कर सकते हैं , जो आपके शब्दों की पहचान करेगा। निम्नलिखित प्रारंभिक, अंतिम और दोहराए गए रिक्त स्थान के साथ काम करता है।

library(stringr)
s <-  "
  Day after day, day after day,
  We stuck, nor breath nor motion;
"
m <- str_match_all( s, "\\S+" )  # Sequences of non-spaces
length(m[[1]])

Question 8

stringiपैकेज से इस फ़ंक्शन का प्रयास करें

   require(stringi)
   > s <- c("Lorem ipsum dolor sit amet, consectetur adipisicing elit.",
    +        "nibh augue, suscipit a, scelerisque sed, lacinia in, mi.",
    +        "Cras vel lorem. Etiam pellentesque aliquet tellus.",
    +        "")
    > stri_stats_latex(s)
        CharsWord CharsCmdEnvir    CharsWhite         Words          Cmds        Envirs 
              133             0            30            24             0             0

Question 9

आप लाइब्रेरी qdap में wc फ़ंक्शन का उपयोग कर सकते हैं :

> str1 <- "How many words are in this sentence"
> wc(str1)
[1] 7

Question 10

आप " "शब्दों की गिनती प्राप्त करने के लिए डबल स्पेस निकाल सकते हैं और स्ट्रिंग की संख्या गिन सकते हैं। स्ट्रिंग और rm_white{ qdapRegex } का उपयोग करें

str_count(rm_white(s), " ") +1

Question 11

इसे इस्तेमाल करे

length(unlist(strsplit(str1," ")))

Question 12

stringiपैकेज से भी , सीधे आगे समारोहstri_count_words

stringi::stri_count_words(str1)
#[1] 7

Question 13

समाधान 7 केवल एक शब्द के मामले में सही परिणाम नहीं देता है। आपको केवल gregexpr के परिणाम में तत्वों की गणना नहीं करनी चाहिए (जो कि अगर मैच नहीं है तो -1 है) लेकिन तत्वों को गिनें> 0।

Ergo:

sapply(gregexpr("\\W+", str1), function(x) sum(x>0) ) + 1

Question 14

require(stringr)
str_count(x,"\\w+")

शब्दों के बीच डबल / ट्रिपल रिक्त स्थान के साथ ठीक हो जाएगा

अन्य सभी उत्तरों में शब्दों के बीच एक से अधिक स्थान वाले मुद्दे हैं।

Question 15

की आवश्यकता होती है (stringr)

एक बहुत ही सरल कार्य को परिभाषित करें

str_words <- function(sentence) {

  str_count(sentence, " ") + 1

}

जाँच

str_words(This is a sentence with six words)

Question 16

उपयोग nchar

अगर तार के सदिश को कहा जाता है x

(nchar(x) - nchar(gsub(' ','',x))) + 1

रिक्त स्थान की संख्या ज्ञात करें, फिर एक जोड़ें

Question 17

मैंने निम्नलिखित फ़ंक्शन और रेगेक्स को शब्द गणना के लिए उपयोगी पाया है, विशेष रूप से एकल बनाम डबल हाइफ़न से निपटने में, जहां पूर्व को आमतौर पर शब्द ब्रेक, जैसे, प्रसिद्ध, हाय-फाई के रूप में नहीं गिनना चाहिए; जबकि डबल हाइफ़न एक विराम चिह्न है जो श्वेत-स्थान से घिरा नहीं है - जैसे कि पैतृक टिप्पणी के लिए।

txt <- "Don't you think e-mail is one word--and not two!" #10 words
words <- function(txt) { 
length(attributes(gregexpr("(\\w|\\w\\-\\w|\\w\\'\\w)+",txt)[[1]])$match.length) 
}

words(txt) #10 words

स्ट्रिंगि एक उपयोगी पैकेज है। लेकिन यह हाइफन के कारण इस उदाहरण में शब्दों को गिनता है।

stringi::stri_count_words(txt) #11 words

Question 18

स्ट्रिंग पैकेज के साथ , एक सरल स्क्रिप्ट भी लिख सकता है जो लूप के माध्यम से उदाहरण के लिए तार के एक वेक्टर को पार कर सकता है।

हम कहते हैं

df $ पाठ

स्ट्रिंग्स का एक वेक्टर होता है जिसका हम विश्लेषण करने में रुचि रखते हैं। सबसे पहले, हम नीचे दिए गए मौजूदा डेटाफ्रेम df में अतिरिक्त कॉलम जोड़ते हैं:

df$strings    = as.integer(NA)
df$characters = as.integer(NA)

फिर हम नीचे दिए गए तारों के वेक्टर पर एक लूप चलाते हैं:

for (i in 1:nrow(df)) 
{
   df$strings[i]    = str_count(df$text[i], '\\S+') # counts the strings
   df$characters[i] = str_count(df$text[i])         # counts the characters & spaces
}

परिणामी कॉलम: स्ट्रिंग्स और कैरेक्टर में शब्दों और वर्णों की गिनती शामिल होगी और यह स्ट्रिंग के वेक्टर के लिए वन-गो में प्राप्त किया जाएगा।