R textrecipes step_stem 令牌變量的詞幹

step_stem() 創建配方步驟的規範，該步驟將轉換 token 變量以獲取其詞幹版本。

用法

step_stem(
  recipe,
  ...,
  role = NA,
  trained = FALSE,
  columns = NULL,
  options = list(),
  custom_stemmer = NULL,
  skip = FALSE,
  id = rand_id("stem")
)

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 。
options: 傳遞給詞幹分析器函數的選項列表。
custom_stemmer: 自定義詞幹提取函數。如果未提供，則默認為"SnowballC"。
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

根據上下文，單詞往往有不同的形式，例如組織、組織和組織。在許多情況下，將這些單詞壓縮為一個單詞以減少單詞池是有益的。詞幹提取是使用一組啟發式方法截斷單詞末尾的行為。

請注意，詞幹提取隻會在單詞末尾完成，因此在 ngram 或句子上無法可靠地工作。

整理

當您tidy()此步驟時，會出現一個包含列terms(選擇的選擇器或變量)和is_custom_stemmer(指示是否使用了自定義詞幹分析器)的小標題。

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_ngram() 、 step_pos_filter() 、 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_stem(medium)

tate_obj <- tate_rec %>%
  prep()

bake(tate_obj, new_data = NULL, medium) %>%
  slice(1:2)
#> # A tibble: 2 × 1
#>       medium
#>    <tknlist>
#> 1 [8 tokens]
#> 2 [3 tokens]

bake(tate_obj, new_data = NULL) %>%
  slice(2) %>%
  pull(medium)
#> <textrecipes_tokenlist[1]>
#> [1] [3 tokens]
#> # Unique Tokens: 3

tidy(tate_rec, number = 2)
#> # A tibble: 1 × 3
#>   terms  is_custom_stemmer id        
#>   <chr>  <lgl>             <chr>     
#> 1 medium FALSE             stem_dt5nr
tidy(tate_obj, number = 2)
#> # A tibble: 1 × 3
#>   terms  is_custom_stemmer id        
#>   <chr>  <lgl>             <chr>     
#> 1 medium FALSE             stem_dt5nr

# Using custom stemmer. Here a custom stemmer that removes the last letter
# if it is a "s".
remove_s <- function(x) gsub("s$", "", x)

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

tate_obj <- tate_rec %>%
  prep()

bake(tate_obj, new_data = NULL, medium) %>%
  slice(1:2)
#> # A tibble: 2 × 1
#>       medium
#>    <tknlist>
#> 1 [8 tokens]
#> 2 [3 tokens]

bake(tate_obj, new_data = NULL) %>%
  slice(2) %>%
  pull(medium)
#> <textrecipes_tokenlist[1]>
#> [1] [3 tokens]
#> # Unique Tokens: 3

源代碼：R/stem.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 Stemming of 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。