我有一个类似下面的矢量,并希望确定列表中的哪些元素是人名,哪些不是.我发现了humaniformat包,它可以格式化名称,但遗憾的是并不能确定字符串是否实际上是一个名称.我还发现了一些用于实体提取的包,但它们似乎需要实际的文本来进行词性标注,而不是单个名称.
例
pkd.names.quotes <- c("Mr. Rick Deckard",# Name "Do Androids Dream of Electric Sheep",# Not a name "Roy Batty",# Name "How much is an electric ostrich?",# Not a name "My schedule for today lists a six-hour self-accusatory depression.",# Not a name "Upon him the contempt of three planets descended.",# Not a name "J.F. Sebastian",# Name "Harry Bryant",# Name "goat class",# Not a name "Holden,Dave",# Name "Leon Kowalski",# Name "Dr. Eldon Tyrell") # Name
解决方法
这是一种方法.美国人口普查局列出了一个姓氏列表>在其数据库中100次(有频率):全部152,000.如果使用完整列表,则所有字符串都有一个名称.例如,“class”,“him”和“the”是某些语言的名称(不知道哪种语言).同样,有许多名字列表(见
this post).
下面的代码抓住了2000年人口普查中的所有姓氏,并列出了所引用帖子的名字,然后是每个列表中最常见的10,000个子集,组合并清理列表,并将其用作tm包中的字典识别哪些字符串包含名称.您可以通过更改freq变量来控制“灵敏度”(freq = 10,000似乎可以生成您想要的结果).
url <- "http://www2.census.gov/topics/genealogy/2000surnames/names.zip" tf <- tempfile() download.file(url,tf,mode="wb") # download archive of surname data files <- unzip(tf,exdir=tempdir()) # unzips and returns a vector of file names surnames <- read.csv(files[grepl("\\.csv$",files)]) # 152,000 surnames occurring >100 times url <- "http://deron.meranda.us/data/census-derived-all-first.txt" firstnames <- read.table(url(url),header=FALSE) freq <- 10000 dict <- unique(c(tolower(surnames$name[1:freq]),tolower(firstnames$V1[1:freq]))) library(tm) corp <- Corpus(VectorSource(pkd.names.quotes)) tdm <- TermDocumentMatrix(corp,control=list(tolower=TRUE,dictionary=dict)) m <- as.matrix(tdm) m <- m[rowSums(m)>0,] m # Docs # Terms 1 2 3 4 5 6 7 8 9 10 11 12 # bryant 0 0 0 0 0 0 0 1 0 0 0 0 # dave 0 0 0 0 0 0 0 0 0 1 0 0 # deckard 1 0 0 0 0 0 0 0 0 0 0 0 # eldon 0 0 0 0 0 0 0 0 0 0 0 1 # harry 0 0 0 0 0 0 0 1 0 0 0 0 # kowalski 0 0 0 0 0 0 0 0 0 0 1 0 # leon 0 0 0 0 0 0 0 0 0 0 1 0 # rick 1 0 0 0 0 0 0 0 0 0 0 0 # roy 0 0 1 0 0 0 0 0 0 0 0 0 # sebastian 0 0 0 0 0 0 1 0 0 0 0 0 # tyrell 0 0 0 0 0 0 0 0 0 0 0 1 which(colSums(m)>0) # 1 3 7 8 10 11 12