Найдите в dfm неанглийские токены и удалите их

Как в dfm обнаружить неанглийские слова и удалить их?

dftest <- data.frame(id = 1:3, 
                     text = c("Holla this is a spanish word", 
                              "English online here", 
                              "Bonjour, comment ça va?"))

Пример построения dfm таков:

testDfm <- dftest$text %>%
             tokens(remove_punct = TRUE, remove_numbers = TRUE, remove_symbols = TRUE)  %>%  %>% tokens_wordstem() %>%
             dfm()

Я нашел пакет textcat в качестве альтернативного решения, но в реальном наборе данных есть много случаев, когда целая строка на английском языке распознает ее как другой язык только для символа. Есть ли альтернатива поиску неанглийских строк в фрейме данных или токене в dfm с помощью Quanteda?

Стоит ли изучать PHP в 2023-2024 годах?
Стоит ли изучать PHP в 2023-2024 годах?
Привет всем, сегодня я хочу высказать свои соображения по поводу вопроса, который я уже много раз получал в своем сообществе: "Стоит ли изучать PHP в...
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
В JavaScript одним из самых запутанных понятий является поведение ключевого слова "this" в стрелочной и обычной функциях.
Приемы CSS-макетирования - floats и Flexbox
Приемы CSS-макетирования - floats и Flexbox
Здравствуйте, друзья-студенты! Готовы совершенствовать свои навыки веб-дизайна? Сегодня в нашем путешествии мы рассмотрим приемы CSS-верстки - в...
Тестирование функциональных ngrx-эффектов в Angular 16 с помощью Jest
В системе управления состояниями ngrx, совместимой с Angular 16, появились функциональные эффекты. Это здорово и делает код определенно легче для...
Концепция локализации и ее применение в приложениях React ⚡️
Концепция локализации и ее применение в приложениях React ⚡️
Локализация - это процесс адаптации приложения к различным языкам и культурным требованиям. Это позволяет пользователям получить опыт, соответствующий...
Пользовательский скаляр GraphQL
Пользовательский скаляр GraphQL
Листовые узлы системы типов GraphQL называются скалярами. Достигнув скалярного типа, невозможно спуститься дальше по иерархии типов. Скалярный тип...
0
0
822
2
Перейти к ответу Данный вопрос помечен как решенный

Ответы 2

Вы можете сделать это, используя список всех английских слов. Одно место, где это существует, находится в пакетах hunspell, предназначенных для проверки орфографии.

library(quanteda)
# find the path in which the right dictionary file is stored
hunspell::dictionary(lang = "en_US")
#> <hunspell dictionary>
#>  affix: /home/johannes/R/x86_64-pc-linux-gnu-library/4.0/hunspell/dict/en_US.aff 
#>  dictionary: /home/johannes/R/x86_64-pc-linux-gnu-library/4.0/hunspell/dict/en_US.dic 
#>  encoding: UTF-8 
#>  wordchars: ’ 
#>  added: 0 custom words

# read this into a vector
english_words <- readLines("/home/johannes/R/x86_64-pc-linux-gnu-library/4.0/hunspell/dict/en_US.dic") %>% 
# the vector contains extra information on the words, which is removed
  gsub("/.+", "", .)

# let's display a sample of the words
set.seed(1)
sample(english_words, 50)
#>  [1] "furnace"          "steno"            "Hadoop"           "alumna"          
#>  [5] "gonorrheal"       "multichannel"     "biochemical"      "Riverside"       
#>  [9] "granddad"         "glum"             "exasperation"     "restorative"     
#> [13] "appropriate"      "submarginal"      "Nipponese"        "hotting"         
#> [17] "solicitation"     "pillbox"          "mealtime"         "thunderbolt"     
#> [21] "chaise"           "Milan"            "occidental"       "hoeing"          
#> [25] "debit"            "enlightenment"    "coachload"        "entreating"      
#> [29] "grownup"          "unappreciative"   "egret"            "barre"           
#> [33] "Queen"            "Tammany"          "Goodyear"         "horseflesh"      
#> [37] "roar"             "fictionalization" "births"           "mediator"        
#> [41] "resitting"        "waiter"           "instructive"      "Baez"            
#> [45] "Muenster"         "sleepless"        "motorbike"        "airsick"         
#> [49] "leaf"             "belie"

Вооружившись этим вектором, который теоретически должен содержать все английские слова, но только слова на английском языке, мы можем удалить неанглийские токены:

testDfm <- dftest$text %>%
  tokens(remove_punct = TRUE, remove_numbers = TRUE, remove_symbols = TRUE)  %>%
  tokens_keep(english_words, valuetype = "fixed") %>% 
  tokens_wordstem() %>%
  dfm()

testDfm
#> Document-feature matrix of: 3 documents, 9 features (66.7% sparse).
#>        features
#> docs    this a spanish word english onlin here comment va
#>   text1    1 1       1    1       0     0    0       0  0
#>   text2    0 0       0    0       1     1    1       0  0
#>   text3    0 0       0    0       0     0    0       1  1

Как видите, это работает очень хорошо, но не идеально. «ва» от «са ва» было заимствовано как английское слово, как и «комментарий». Таким образом, вам нужно найти правильный список слов и/или очистить его. Вы также можете подумать об удалении текстов, в которых удалено слишком много слов.

Спасибо. Знаете ли вы, где в Windows я могу найти путь «/home/johannes/R/x86_64-pc-linux-gnu-library/4.0/hunspell/»‌​?

rek 13.12.2020 11:10

Вот почему я бегу hunspell::dictionary(lang = "en_US") первым :), он покажет вам точное местоположение!

JBGruber 13.12.2020 12:38
Ответ принят как подходящий

Не совсем ясен вопрос, хотите ли вы сначала удалить неанглийские «строки» или удалить неанглийские слова позже. Между европейскими языками много родственных слов (слова, которые являются омографами, появляющимися более чем в одном языке), поэтому стратегия tokens_keep() будет несовершенной.

Вы можете удалить неанглийские документы после определения языка, используя библиотеку cld3:

dftest <- data.frame(
  id = 1:3,
  text = c(
    "Holla this is a spanish word",
    "English online here",
    "Bonjour, comment ça va?"
  )
)
library("cld3")
subset(dftest, detect_language(dftest$text) == "en")
##   id                         text
## 1  1 Holla this is a spanish word
## 2  2          English online here

А затем введите это в quanteda::dfm().

Это оба случая. Если у нас уже есть dfm и он содержит только биграммы и триграммы, где слова разделены символом подчеркивания, возможно ли это сделать? Большое спасибо за прекрасную библиотеку, которую вы создали.

rek 13.12.2020 14:24

Другие вопросы по теме