1

Estou precisando fazer uma análise de livros em português brasileiro. Para organizar uma lista de frequências das palavras por livro estou usando os comandos:

GS.tidy <- GS %>%
  unnest_tokens(word, text)
MM.tidy <- MM %>%
  unnest_tokens(word, text)
NS.tidy <- NS %>%
  unnest_tokens(word, text)
Sa.tidy <- Sa %>%
  unnest_tokens(word, text)
frequencia.guimaraes <- bind_rows(mutate(MM.tidy, livro = "MM"),
                                 mutate(GS.tidy, livro = "GS"),
                                 mutate(NS.tidy, livro = "NS"),
                                 mutate(Sa.tidy, livro = "Sa")) %>%
  mutate(word = str_extract(word, "[a-z']+")) %>%
  count(livro, word) %>%
  group_by(livro)

Entretanto percebi que as palavras acentuadas estão sumindo e elas precisariam ficar. Há alguma dica?

Muito obrigado!

1 Resposta 1

2

As expressões regulares não são iguais em todo o lado, dependem da língua ou país, da locale do sistema.

Da página de ajuda de regex, com link acima:

The only portable way to specify all ASCII letters is to list them all as the character class [ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz].

Tradução Google Translate.

A única forma portátil de especificar todas as letras ASCII é listar todas elas como a classe de caracteres [ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz].

Isto significa que se quisermos a classe de letras da língua portuguesa teremos que incluir as todas letras acentuadas uma a uma. E em português do Brasil haverá ainda as letras com trema, tais como "freqüência", abolidas em Portugal em 1945.

Solução.

No entanto, a solução é simples.
A classe [:alpha:] funciona no R, apesar de não ser garantidamente portátil.

library(stringr)

s <- c("ate", "até", "freqüencia", "mão")

str_extract(s, "[A-Za-z''`~^]+")
#[1] "ate"  "at"   "freq" "m"  

str_extract(s, "[:alpha:]+")
#[1] "ate"        "até"        "freqüencia" "mão"
1
  • Muito obrigado!
    – user135517
    Commented 10/03/2019 às 14:23

Você deve fazer log-in para responder a esta pergunta.