Найдите в dfm неанглийские токены и удалите их

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.

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().