R textrecipes step_ngram 从标记变量生成 n-gram

step_ngram() 创建配方步骤的规范，该步骤将 token 变量转换为 ngram 的 token 变量。

用法

step_ngram(
  recipe,
  ...,
  role = NA,
  trained = FALSE,
  columns = NULL,
  num_tokens = 3L,
  min_num_tokens = 3L,
  delim = "_",
  skip = FALSE,
  id = rand_id("ngram")
)

参数

recipe: 一个recipe 对象。该步骤将添加到此配方的操作序列中。
...: 一个或多个选择器函数用于选择受该步骤影响的变量。有关更多详细信息，请参阅recipes::selections()。
role: 由于没有创建新变量，因此此步骤未使用。
trained: 指示预处理数量是否已估计的逻辑。
columns: 将由 terms 参数(最终)填充的变量名称字符串。在 recipes::prep.recipe() 训练该步骤之前，这是 NULL 。
num_tokens: n-gram 中的令牌数量。该值必须是大于或等于 1 的整数。默认为 3。
min_num_tokens: n-gram 中的最小令牌数。这必须是大于或等于 1 且小于 n 的整数。默认为 3。
delim: n-gram 中单词之间的分隔符。默认为"_"。
skip: 一个合乎逻辑的。当recipes::bake.recipe() 烘焙食谱时是否应该跳过此步骤？虽然所有操作都是在 recipes::prep.recipe() 运行时烘焙的，但某些操作可能无法对新数据进行(例如处理结果变量)。使用 skip = FALSE 时应小心。
id: 该步骤特有的字符串，用于标识它。

值

recipe 的更新版本，其中新步骤添加到现有步骤(如果有)的序列中。

细节

使用此步骤将使令牌的排序变得毫无意义。如果min_num_tokens < num_tokens，则令牌相对于n-gram中的令牌数量以递增方式排序。如果min_num_tokens = 1 和num_tokens = 3，则输出包含所有 1-gram，后跟所有 2-gram，最后跟所有 3-gram。

整理

当您tidy()这一步时，会出现一个带有列terms(选择的选择器或变量)的tibble。

调整参数

此步骤有 1 个调整参数：

num_tokens ：令牌数量(类型：整数，默认值：3)

箱重

底层操作不允许使用案例权重。

也可以看看

step_tokenize() 将字符转换为tokens

令牌修改的其他步骤： step_lemma() 、 step_pos_filter() 、 step_stem() 、 step_stopwords() 、 step_tokenfilter() 、 step_tokenmerge()

例子

library(recipes)
library(modeldata)
data(tate_text)

tate_rec <- recipe(~., data = tate_text) %>%
  step_tokenize(medium) %>%
  step_ngram(medium)

tate_obj <- tate_rec %>%
  prep()

bake(tate_obj, new_data = NULL, medium) %>%
  slice(1:2)
#> # A tibble: 2 × 1
#>       medium
#>    <tknlist>
#> 1 [6 tokens]
#> 2 [1 tokens]

bake(tate_obj, new_data = NULL) %>%
  slice(2) %>%
  pull(medium)
#> <textrecipes_tokenlist[1]>
#> [1] [1 tokens]
#> # Unique Tokens: 1

tidy(tate_rec, number = 2)
#> # A tibble: 1 × 2
#>   terms  id         
#>   <chr>  <chr>      
#> 1 medium ngram_IVJL9
tidy(tate_obj, number = 2)
#> # A tibble: 1 × 2
#>   terms  id         
#>   <chr>  <chr>      
#> 1 medium ngram_IVJL9

源代码：R/ngram.R

相关用法

注：本文由纯净天空筛选整理自等大神的英文原创作品 Generate n-grams From Token Variables。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。