Wie zähle man Dokumente, in denen zwei Wörter in unmittelbarer Nähe in R erscheinen?

Question

Ich möchte Dokumente zählen, in denen zwei Strings innerhalb einer festgelegten Entfernung innerhalb von 10 Wörtern voneinander erscheinen. Sagen wir "Deutsch *" und "Krieg". Ich möchte nicht die Zeiten zählen, die sie insgesamt erscheinen, sondern nur die Anzahl der Dokumente, in denen das Set erscheint (wenn es einmal erscheint, zählt es als eins).

Ich weiß, wie man Dokumente zählt, die ein Wort enthalten. Aber ich bin mir nicht sicher, ob ich 10-Gramm extrahieren muss, um zu sehen, ob die beiden Wörter erscheinen, und sie dann pro Dokument zählen, oder ob es einen effizienteren Weg gibt.

Answer 1

Im Folgenden finden Sie eine kleine Funktion, die prüft, ob zwei Wörter näher als 100 Zeichen in einem Text sind.

isclose = function(text){ 
    test <- FALSE 
    limit <- 100 # Interval in char counts 
    match1 <- gregexpr('war', text)[[1]] 
    match2 <- gregexpr('German', text)[[1]] 

    for(i in 1:length(match1)){ 
    for(j in 1:length(match2)){ 
     if(abs(match1[i]-match2[j]) < limit) test <- TRUE 
    } 
    } 
    return(test) 
} 

Es funktioniert gut, aber sollte verbessert werden, um die Anzahl der Wörter anstelle von Zeichen zu zählen.