R textrecipes step_ngram 從標記變量生成 n-gram

step_ngram() 創建配方步驟的規範，該步驟將 token 變量轉換為 ngram 的 token 變量。

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")
)

參數

recipe: 一個recipe 對象。該步驟將添加到此配方的操作序列中。
...: 一個或多個選擇器函數用於選擇受該步驟影響的變量。有關更多詳細信息，請參閱recipes::selections()。
role: 由於沒有創建新變量，因此此步驟未使用。
trained: 指示預處理數量是否已估計的邏輯。
columns: 將由 terms 參數(最終)填充的變量名稱字符串。在 recipes::prep.recipe() 訓練該步驟之前，這是 NULL 。
num_tokens: n-gram 中的令牌數量。該值必須是大於或等於 1 的整數。默認為 3。
min_num_tokens: n-gram 中的最小令牌數。這必須是大於或等於 1 且小於 n 的整數。默認為 3。
delim: n-gram 中單詞之間的分隔符。默認為"_"。
skip: 一個合乎邏輯的。當recipes::bake.recipe() 烘焙食譜時是否應該跳過此步驟？雖然所有操作都是在 recipes::prep.recipe() 運行時烘焙的，但某些操作可能無法對新數據進行(例如處理結果變量)。使用 skip = FALSE 時應小心。
id: 該步驟特有的字符串，用於標識它。

值

recipe 的更新版本，其中新步驟添加到現有步驟(如果有)的序列中。

細節

使用此步驟將使令牌的排序變得毫無意義。如果min_num_tokens < num_tokens，則令牌相對於n-gram中的令牌數量以遞增方式排序。如果min_num_tokens = 1 和num_tokens = 3，則輸出包含所有 1-gram，後跟所有 2-gram，最後跟所有 3-gram。

整理

當您tidy()這一步時，會出現一個帶有列terms(選擇的選擇器或變量)的tibble。

調整參數

此步驟有 1 個調整參數：

num_tokens ：令牌數量(類型：整數，默認值：3)

箱重

底層操作不允許使用案例權重。

也可以看看

step_tokenize() 將字符轉換為tokens

令牌修改的其他步驟： 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

源代碼：R/ngram.R

相關用法

注：本文由純淨天空篩選整理自等大神的英文原創作品 Generate n-grams From Token Variables。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。