extrahieren Satz, der ein Muster hat

Question

Ich habe einen Datensatz mit unstrukturierten Textdaten.

Aus dem Text, den ich Sätze extrahieren möge, die folgenden Worte:

education_vector <- c("university", "academy", "school", "college") 

Zum Beispiel aus dem Text I am a student at the University of Wyoming. My major is biology. I I am a student at the University of Wyoming.

Aus dem Text I love statistics and I enjoy working with numbers. I graduated from Walla Wall Community College Ich will bekommen I graduated from Walla Wall Community College. bekommen und so weiter

Ich versuchte mit grep Funktion, aber es ergab falsche Ergebnisse

Answer 1

Antwort modifiziert wählen ersten Spiel verwenden.

texts = c("I am a student at the University of Wyoming. My major is biology.", 
"I love statistics and I enjoy working with numbers. I graduated from Walla Wall Community College", 
"First, I went to the Bowdoin College. Then I went to the University of California.") 

gsub(".*?([^\\.]*(university|academy|school|college)[^\\.]*).*", 
    "\\1", texts, ignore.case=TRUE) 

[1] "I am a student at the University of Wyoming" 
[2] " I graduated from Walla Wall Community College" 
[3] "First, I went to the Bowdoin College" 

Erläuterung: .*? ist ein nicht-gieriges Spiel bis zu dem Rest des Musters. Dies ist da, um Sätze vor dem entsprechenden Satz zu entfernen.

([^\\.]*(university|academy|school|college)[^\\.]*) entspricht einer Zeichenkette anders als eine Periode unmittelbar vor und nach einem der Schlüsselwörter.

.* behandelt alles nach dem entsprechenden Satz.

Dies ersetzt die gesamte Zeichenfolge mit nur dem relevanten Teil.

Answer 2

Hier ist eine Lösung grep

education <- c("university", "academy", "school", "college") 

str1 <- "I am a student at the University of Wyoming. My major is biology." 
str2 <- "I love statistics and I enjoy working with numbers. I graduated from Walla Wall Community College" 
str1 <- tolower(str1) # we use tolower because "university" != "University" 
str2 <- tolower(str2) 

grep(paste(education, collapse = "|"), unlist(strsplit(str1, "(?<=\\.)\\s+", 
                 perl = TRUE)), 
    value = TRUE) 

grep(paste(education, collapse = "|"), unlist(strsplit(str2, "(?<=\\.)\\s+", 
                 perl = TRUE)), 
    value = TRUE)