Quanteda - 从具有多个文档的数据帧创建语料库

如何解决Quanteda - 从具有多个文档的数据帧创建语料库

这里是第一个问题，因此对任何失礼表示歉意。我在 R 中有一个包含 4 个变量的 657 个观察值的数据框。每一次观察都是澳大利亚总理的一次演讲或采访。所以变量是：

日期
标题
网址
txt（演讲/采访全文）。

我正在尝试将其转换为 Quanteda 中的语料库

我第一次尝试了 corp <- corpus(all_content) 但它给了我一条错误消息

Error in corpus.data.frame(all_content) : 
  text_field column not found or invalid

虽然有效：corp <- corpus(paste(all_content))

然后 summary(corp) 给了我

Corpus consisting of 4 documents,showing 4 documents:

  Text Types  Tokens Sentences
 text1   243    1316         1
 text2  1095    6523         3
 text3   661    2630         1
 text4 25243 1867648     62572

我的理解是，这样做是有效地将每一列变成了一个文档，而不是每一行？

如果重要，txt 变量将保存为列表。用于创建每一行的代码是

```{r new_function}
scrape_speech <- function(url){
speech_page <- read_html(url)
     
     date <- speech_page %>% html_nodes(".date-display-single") %>% html_text() %>% dmy()
     title <- speech_page %>% html_nodes(".pagetitle") %>% html_text()
     txt <- speech_page %>% html_nodes("#block-system-main p") %>% html_text() %>% list()
     
     tibble (date = date,title = title,URL = url,txt=txt)}

然后我使用 map_dfr 函数遍历并抓取了 657 个单独的 URL。

有人向我建议这是因为 txt 已保存为列表。我尝试在函数中不使用 list() 并获得 21,904 个观察值，因为全文文档中的每个段落都变成了一个单独的观察值。我可以用 corp <- corpus(paste(all_content_not_list)) 把它变成一个语料库（再一次，没有 paste 我得到和上面一样的错误）。这同样给了我语料库中的 4 个文档！ summary(corp) 给我

Corpus consisting of 4 documents,showing 4 documents:

  Text Types  Tokens Sentences
 text1   243   43810         1
 text2  1092  214970        25
 text3   657   87618         1
 text4 25243 1865687     62626

提前致谢丹尼尔

解决方法

很难准确地解决这个问题，因为您的 data.frame 对象没有可重现的示例，但是如果结构包含您列出的变量，那么应该这样做：

corpus(all_content,text_field = "txt")

有关详细信息，请参阅 ?corpus.data.frame。如果那不这样做，然后尝试将输出添加到您的问题

str(all_content)

以便我们可以更详细地查看您的 all_content 对象中的内容。

在 OP 添加新数据后进行了编辑：

好的，所以 txt 在您的 tibble 中是一个字符元素列表。您需要将这些组合成一个字符，以便将其用作 corpus.data.frame() 的输入。方法如下：

library("quanteda")
## Package version: 3.0.0
## Unicode version: 10.0
## ICU version: 61.1
## Parallel computing: 12 of 12 threads used.
## See https://quanteda.io for tutorials and examples.

dframe <- structure(list(
  date = structure(18620,class = "Date"),title = " Prime Minister's Christmas Message to the ADF",URL = "https://www.pm.gov.au/media/prime-ministers-christmas-message-adf",txt = list(c(
    "G'day and Merry Christmas to everyone in our Australian Defence Force.","You know,throughout our history,successive Australian governments... And this year was no different.","God bless."
  ))
),row.names = c(NA,-1L),class = c("tbl_df","tbl","data.frame")
)

dframe$txt <- vapply(dframe$txt,paste,character(1),collapse = " ")

corp <- corpus(dframe,text_field = "txt")
print(corp,max_nchar = -1)
## Corpus consisting of 1 document and 3 docvars.
## text1 :
## "G'day and Merry Christmas to everyone in our Australian Defence Force. You know,successive Australian governments... And this year was no different. God bless."

^{由 reprex package (v1.0.0) 于 2021 年 4 月 8 日创建}