如何解决过滤掉非英文文本
是否有一个函数,可能作为 quanteda、tidytext 或许多其他文本分析包之一的一部分来从向量中删除非英语文本?例如。说我有以下小标题:
some_text <- tibble(c('This is an English phrase','Esta es una frase español','
这些是中文单词。','Dies ist ein deutscher Satz','Questo è italiano!','This is also an English phrase'))
# A tibble: 6 x 1
`c(...)`
<chr>
1 "This is an English phrase"
2 "Esta es una frase español"
3 "\n这些是中文单词。"
4 "Dies ist ein deutscher Satz"
5 "Questo è italiano!"
6 "This is also an English phrase"
我希望它变成:
# A tibble: 2 x 1
`c(...)`
<chr>
1 This is an English phrase
2 This is also an English phrase
让我吃惊的是,可能有某种方法可以使用 tidytext 中的停用词函数之一来创建一个布尔值,然后进行相应的过滤,但这只有在特定短语包含停用词(可能不会)时才有效).
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。