2

Tengo una base de datos basada en palabras individuales extraídas de comentarios. Supongamos el siguiente ejemplo que servirá de ejemplo de lo que tengo:

Comentario Palabra 1 Palabra 2 Palabra 3
Me gusta R Me gusta R
Me gusta programar Me gusta programar
Programar es divertido Programar es divertido

El caso es que tengo un diccionario con cada una de las palabras únicas en que se encuentran en esta matriz de palabras:

Palabras_diccionario
divertido
es
gusta
me
programar
R

Y aquí viene el desafío... ¿Cómo puedo hacer para crear una columna cuya variable se base en un código binario según la aparición de las palabras en el diccionario?

Mejor con un ejemplo. Basándonos en el diccionario y en la matriz creadas más arriba, la variable resultante sería la siguiente:

Comentario Palabra 1 Palabra 2 Palabra 3 Código
Me gusta R Me gusta R 001101
Me gusta programar Me gusta programar 001110
Programar es divertido Programar es divertido 110010

Como pueden ver, cada palabra del comentario lleva asignado un 0 o un 1 según su posición de aparición en el diccionario. El primer valor del código binario corresponde a la primera palabra del diccionario (en este caso 'divertido'). Como en el primer comentario esta palabra no aparece, en esta posición lleva asignado un 0.

1 respuesta 1

4

Una prueba de concepto:

cadena <- 'Me gusta R'
diccionario <- c('divertido', 'es', 'gusta', 'Me', 'programar', 'R')

paste0(as.numeric(!is.na(match(diccionario, strsplit(cadena, ' ')[[1]]))), collapse = "") 

[1] "001101"

Explicación:

  • Tenemos el universo completo de palabras en diccionario()
  • Tomamos la cadena a analizar y la separamos en palabras con strsplit
  • Con match() y partiendo del diccionario ubicamos las posiciones de cada palabra dentro de la cadena, las que no encontramos serán NA
  • Luego simplemente, chequeamos, los NA serán 0 y los !NA, 1.
  • Por último concatenamos todo en una cadena.

Puedes implementar esto para procesar tu columna así:

cadena <- c('Me gusta R', 'Me gusta programar', 'Programar es divertido')
sapply(cadena, FUN=function(x) {
  paste0(as.numeric(!is.na(match(diccionario, strsplit(x, ' ')[[1]]))), collapse = "")
}
)

          Me gusta R 
              "001101" 
    Me gusta programar 
              "001110" 
Programar es divertido 
              "110000" 
8
  • Hola Patricio, muchísimas gracias por tu solución.
    – user305452
    Commented el 4 oct. 2022 a las 9:23
  • Hola Patricio, ¿Es posible que en el diccionario aparezca una segunda columna indicando la frecuencia de aparición de cada palabra?
    – user305452
    Commented el 19 oct. 2022 a las 8:22
  • 1
    Si, es posible, deberías contar las apariciones por palabra, no es complejo, te sugiero que lo plantees en una nueva pregunta. Saludos. Commented el 19 oct. 2022 a las 12:05
  • Hola Patricio, ¿Me podrías decir cómo generar los códigos con los que me ayudaste pero partiendo de que las palabras ya están separadas en columnas? Mi dataframe ya tiene una columna para cada palabra (Palabra_1, Palabra_2,..., Palabra_n). De como que necesito un código que genere un número binario según si hace match el Diccionario con las columnas en las que están las palabras separadas. Espero haberme explicado. Gracias de antemano.
    – user305452
    Commented el 11 nov. 2022 a las 17:17
  • Hola @user305452, ¿de casualidad es esta pregunta: es.stackoverflow.com/questions/567648/… ? Commented el 11 nov. 2022 a las 17:24

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.